计算机科学与探索

作者：李曼文, 张月琴, 张晨威, 张泽华

单位：1. 太原理工大学 信息与计算机学院，山西 晋中 030600 2. 亚马逊公司，美国 西雅图 98109

关键词：兴趣点（POI）,异质图嵌入,地理不敏感,POI时空拓扑图

基于地理位置的社交网络（LBSN）规模日渐庞大，促进了兴趣点（POI）推荐业务快速发展。现有研究常直接引入POI地理空间距离难以模拟用户高度随机的行为路径，导致兴趣点推荐过程对地点位置距离度量较为敏感。同时，社交网络中用户稀疏的POI签到数据也容易对推荐精度产生巨大影响。针对以上问题，提出一种基于异质图嵌入的地理不敏感时空兴趣点推荐模型（GIPR）。首先，引入用户行为序列，构造行为POI时空拓扑图，使用权重空间路径表示相对位置距离，既符合用户行为特征，也降低了推荐过程对兴趣点间距离的敏感程度，进而增强推荐结果的可解释性。其次，面对异质且高度稀疏的交互数据，提出的GIPR推荐方法可从局部和全局对完整的LBSN异质图进行学习，融合更丰富的用户和POI特征。最后，经过注意力层提取用户的长短期偏好，实现更加个性化的兴趣点推荐。在两个大规模真实数据集Foursquare和Gowalla上的实验表明，GIPR方法具有更高的推荐精度与更强的可解释性。

来源：2024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2024年第3期