下一步去哪：用于下一 POI 推荐的时空 LSTM 模型
信息检索
2018-06-19 v1
摘要
下一兴趣点（POI）推荐对于基于位置的服务提供商和用户均具有重要价值。近来，循环神经网络（RNNs）已被证明在序列推荐任务中有效。然而，现有的 RNN 方案很少考虑相邻签到之间的时空间隔，而这对于建模下一 POI 推荐中的用户签到行为至关重要。本文中，我们提出一种 LSTM 的新变体，称为 STLSTM，其在 LSTM 中引入时间门和距离门以捕获连续签到之间的时空关系。具体而言，设计了一个时间门和一个距离门用于控制短期兴趣更新，另设计了一个时间门和一个距离门用于控制长期兴趣更新。此外，为减少参数数量并提高效率，我们进一步将耦合输入门与遗忘门集成到所提模型中。最后，我们使用来自不同基于位置的社交网络的四个真实数据集评估所提模型。实验结果表明，我们的模型在下一 POI 推荐上显著优于最先进的方法。
引用
@article{arxiv.1806.06671,
title = {Where to Go Next: A Spatio-temporal LSTM model for Next POI Recommendation},
author = {Pengpeng Zhao and Haifeng Zhu and Yanchi Liu and Zhixu Li and Jiajie Xu and Victor S. Sheng},
journal= {arXiv preprint arXiv:1806.06671},
year = {2018}
}