基于自监督图的兴趣点推荐
机器学习
2022-10-25 v1
摘要
基于位置的社交网络(LBSNs)的指数级增长极大地刺激了对精准基于位置的推荐服务的需求。下一兴趣点(POI)推荐旨在基于用户的访问历史提供个性化POI建议，已成为基于位置的电子商务中的重要组成部分。近期的POI推荐器主要采用自注意力机制或图神经网络来建模复杂的高阶POI间交互。然而，它们大多仅以标准监督学习方式在历史签到数据上训练，未能充分挖掘每个用户的多面偏好，并受困于数据稀缺与长尾POI分布，导致次优性能。为此，我们提出一种用于下一POI推荐的自监督图增强POI推荐器(S2GRec)。特别地，我们设计了一种新颖的图增强自注意力层，以融合来自全局转移图和局部轨迹图的协同信号，从而揭示POI间的转移依赖并捕捉用户的时间兴趣。为应对POI签到的稀缺与不完整性，我们在S2GRec中提出了一种新颖的自监督学习范式，其中轨迹表示通过地理位臵与时间转移上两个增强视图的对比学习获得。在三个真实世界LBSN数据集上进行了大量实验，证明了我们的模型相对于最先进方法的有效性。
引用
@article{arxiv.2210.12506,
title = {Self-supervised Graph-based Point-of-interest Recommendation},
author = {Yang Li and Tong Chen and Peng-Fei Zhang and Zi Huang and Hongzhi Yin},
journal= {arXiv preprint arXiv:2210.12506},
year = {2022}
}