SA-LSPL：面向下一个 POI 推荐的序列感知长短期偏好学习
计算机与社会
2024-04-02 v1
摘要
下一个兴趣点（POI）推荐旨在为用户在特定时间推荐下一个 POI。由于用户的签到记录可以被视为一个长序列，基于循环神经网络（RNN）的方法最近在此任务上展现出了良好的适用性。然而，现有方法往往难以充分探索序列层面的时空相关性和依赖性，并且没有充分考虑影响用户偏好的各种因素。为了解决这些问题，我们提出了一种名为序列感知长短期偏好学习（SA-LSPL）的新方法，用于下一个 POI 推荐。我们结合各种信息特征来有效地建模用户的长期偏好。具体而言，我们提出的模型使用多模态嵌入模块来嵌入多样化的签到细节，同时综合考虑了用户的个性化偏好和社会影响。此外，我们考虑了序列层面的显式时空相关性和隐式序列依赖性。进一步地，SA-LSPL 学习了当前签到序列中连续和非连续访问的时空相关性，以及类别之间的转移依赖性，从而全面捕获用户的短期偏好。在两个真实世界数据集上的大量实验证明了 SA-LSPL 优于最先进的基线方法。
引用
@article{arxiv.2404.00367,
title = {SA-LSPL:Sequence-Aware Long- and Short- Term Preference Learning for next POI recommendation},
author = {Bin Wang and Yan Zhang and Yan Ma and Yaohui Jin and Yanyan Xu},
journal= {arXiv preprint arXiv:2404.00367},
year = {2024}
}