STAN：用于下一位置推荐的时空注意力网络
信息检索
2021-02-09 v1 人工智能
摘要
下一位置推荐是各类基于位置应用的核心。当前最先进的模型试图通过分层网格化解决空间稀疏性，并用显式时间间隔建模时间关系，但一些关键问题仍未解决。非相邻位置与非连续访问为理解用户行为提供了重要关联，却很少被考虑。为聚合用户轨迹中所有相关访问并从加权表示中召回最合理的候选，本文提出一种用于位置推荐的时空注意力网络（STAN）。STAN利用自注意力层沿轨迹显式挖掘所有签到点的相对时空信息。这一改进使得非相邻位置与非连续签到点之间在显式时空效应下实现点对点交互。STAN采用双层注意力架构，首先在用户轨迹内聚合时空相关性，然后结合个性化物品频率（PIF）召回目标。通过可视化，我们表明STAN符合上述直觉。实验结果明确显示，我们的模型比现有最先进方法高出 9-17%。
引用
@article{arxiv.2102.04095,
title = {STAN: Spatio-Temporal Attention Network for Next Location Recommendation},
author = {Yingtao Luo and Qiang Liu and Zhaocheng Liu},
journal= {arXiv preprint arXiv:2102.04095},
year = {2021}
}
备注
Accepted to The Web Conference (WWW2021)