面向行程推荐的自监督表示学习
信息检索
2021-09-10 v2
摘要
行程推荐是一项重要且引人入胜的基于位置的服务，可帮助新游客制定更具定制化的旅行计划。它通常试图为提出个性化旅行需求的用户推荐一个兴趣点（POI）序列。传统方法要么利用启发式算法（如动态规划）或统计分析（如马尔可夫模型）来搜索或排序 POI 序列。这些过程可能难以捕捉人类需求的多样性与转移规律性。当行程数据稀疏时，它们甚至提供偏离游客真实旅行意图的推荐。尽管近期的深度递归模型（如 RNN）能够缓解这些问题，现有方案几乎未认识到实际现实，例如游客需求的多样性、行程生成中的不确定性以及复杂的访问偏好。受深度学习进展启发，我们引入一种新颖的面向行程推荐的自监督表示学习框架——SelfTrip，旨在应对上述挑战。具体而言，我们提出一种关于 POI 表示与行程表示的两步对比学习机制。此外，我们提出四种行程增强方法来捕捉行程规划中的访问不确定性。我们在四个真实世界数据集上评估了 SelfTrip，大量结果表明其相较若干前沿基准取得了可观增益，例如在 F1 与 pair-F1 上分别最高提升 4% 与 12%。
引用
@article{arxiv.2109.00968,
title = {Self-supervised Representation Learning for Trip Recommendation},
author = {Qiang Gao and Wei Wang and Kunpeng Zhang and Xin Yang and Congcong Miao},
journal= {arXiv preprint arXiv:2109.00968},
year = {2021}
}
备注
8 pages