SanMove：基于自注意力网络的下一位置推荐
社会与信息网络
2021-12-17 v1 人工智能
机器学习
摘要
目前，下一位置推荐在基于位置的社交网络应用与服务中发挥着至关重要的作用。尽管已有许多方法被提出以解决这一问题，但迄今为止仍有三个重要挑战尚未得到很好的解决：(1) 现有大多数方法基于循环网络，由于不允许完全并行化，训练长序列非常耗时；(2) 个性化偏好通常未得到合理考虑；(3) 现有方法很少系统地研究如何有效利用轨迹数据中的各种辅助信息（如用户 ID 和时间戳）以及非连续位置之间的时空关系。为了应对上述挑战，我们提出了一种名为 SanMove 的新方法，这是一种基于自注意力网络的模型，通过捕捉用户的长期和短期移动模式来预测下一位置。具体而言，SanMove 引入了一个长期偏好学习模块，并使用自注意力模块来捕捉用户的长期移动模式，该模式能够代表用户的个性化位置偏好。同时，SanMove 使用时空引导的非侵入式自注意力（STNOVA）来利用辅助信息学习短期偏好。我们在两个真实世界的数据集上对 SanMove 进行了评估，结果表明 SanMove 不仅比基于 RNN 的 SOTA 预测模型更快，而且在下一位置预测方面优于基线方法。
引用
@article{arxiv.2112.09076,
title = {SanMove: Next Location Recommendation via Self-Attention Network},
author = {Huifeng Li and Bin Wang and Sulei Zhu and Yanyan Xu},
journal= {arXiv preprint arXiv:2112.09076},
year = {2021}
}