ST-PIL：用于下一兴趣点推荐的空间-时间周期兴趣学习
信息检索
2021-09-17 v2
摘要
兴趣点（POI）推荐是基于位置的社交网络中的一项重要任务。它促进了用户与位置之间的关系建模。近来，研究者通过长短期兴趣推荐POI并取得成功。然而，它们未能很好地捕捉周期兴趣。人们倾向于在相似时间或相似区域访问相似地点。现有模型试图通过用户的移动状态或时间槽获取此类周期性，限制了周期兴趣的性能。为此，我们提出学习空间-时间周期兴趣。具体而言，在长期模块中，我们学习日粒度的时域周期兴趣，然后利用层内注意力形成长期兴趣。在短期模块中，我们构建多种短期序列，分别获取小时、区域和小时-区域粒度的空间-时间周期兴趣。最后，我们应用层间注意力自动整合多种兴趣。在两个真实数据集上的实验证明了我们方法的最先进性能。
引用
@article{arxiv.2104.02262,
title = {ST-PIL: Spatial-Temporal Periodic Interest Learning for Next Point-of-Interest Recommendation},
author = {Qiang Cui and Chenrui Zhang and Yafeng Zhang and Jinpeng Wang and Mingchen Cai},
journal= {arXiv preprint arXiv:2104.02262},
year = {2021}
}