SANST：一种用于下一兴趣点推荐的自注意力网络
信息检索
2020-01-29 v1 机器学习
机器学习
摘要
下一兴趣点（POI）推荐旨在给定用户 POI 访问历史的情况下，建议其下一个访问的 POI。该问题在旅游业有广泛应用，并随着更多 POI 签到数据的可用而受到日益关注。该问题常被建模为序列推荐问题，以利用用户签到的顺序模式，例如人们在纽约市常于大都会艺术博物馆之后访问中央公园。近来，自注意力网络已被证明在一般序列推荐问题（如推荐商品、电子游戏或电影）中既有效又高效。然而，直接将自注意力网络用于下一 POI 推荐可能产生次优推荐。这是因为原始自注意力网络未考虑用户签到的空间与时间模式，而二者是下一 POI 推荐中的两个关键特征。为克服该局限，本文提出一种名为 SANST 的模型，将用户签到的时空模式融入自注意力网络。为融入空间模式，我们在将 POI 嵌入输入自注意力网络前，将其相对位置编码入嵌入中。为融入时间模式，我们对 POI 签到时间进行离散化，并通过关系感知自注意力模块建模 POI 签到间的时间关系。我们使用三个真实数据集评估 SANST 模型的性能。结果显示 SANST 持续优于 SOTA 模型，且 nDCG@10 上的优势最高达 13.65%。
引用
@article{arxiv.2001.10379,
title = {SANST: A Self-Attentive Network for Next Point-of-Interest Recommendation},
author = {Qianyu Guo and Jianzhong Qi},
journal= {arXiv preprint arXiv:2001.10379},
year = {2020}
}