计算机科学与探索

作者：黄屏, 王峰, 刘广腾, 吴中博, 李晓丽, 黄金洲

单位：湖北文理学院 计算机工程学院，湖北 襄阳 441053

关键词：兴趣点推荐,深度学习,图神经网络,注意力机制,时空建模,多模态融合

基金：国家自然科学基金（62306108）；湖北省自然科学基金创新发展联合基金（2022CFD101，2022CFD103）；湖北省教育厅科学研究计划重点项目（D20192602）；襄阳市高新领域重点科技计划（2022ABH006848）；湖北省高等学校优势特色学科群“新能源汽车与智慧交通”项目。

随着移动设备和位置服务的普及，基于位置的社交网络产生了海量的用户签到数据，兴趣点推荐作为重要的位置服务受到广泛关注。针对传统兴趣点推荐方法面临的数据稀疏性、时空因素复杂、用户兴趣动态变化、隐私保护和解释性不足等挑战，对基于深度学习的兴趣点推荐技术进行了全面综述。介绍了兴趣点推荐系统的形式化定义，构建了包含数据层、特征工程层、深度学习模型层和应用层的通用框架。系统梳理了循环神经网络、长短期记忆网络、门控循环单元、注意力机制、变换器和图神经网络等深度学习技术在兴趣点推荐中的应用原理和核心算法。深入分析了主流数据集的特点和评估指标的适用性，对基于序列建模、注意力机制、图结构、多模态融合以及特定任务导向的兴趣点推荐模型进行了详细分类和性能对比。通过实际应用案例分析，验证了深度学习驱动的兴趣点推荐系统在旅游景点推荐、餐饮推荐、城市服务点推荐、跨城市推荐和工业级应用中的有效性。系统分析了当前研究面临的技术挑战、数据挑战和应用挑战，包括计算复杂度与效率优化、用户偏好动态性建模、可解释性与用户信任、数据稀疏性与冷启动问题、多模态数据融合、隐私保护与公平性等关键问题。展望了兴趣点推荐技术在计算效率优化、动态偏好建模、内在可解释性、多模态融合和隐私保护方向的发展趋势。

来源：2026年第3期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2026年第3期