摘要
随着近年来社交网络的流行，推动了基于位置的社会网络(Location-basedSocialNetworks，LBSN)应用的快速发展。加之地理定位技术的成熟，兴趣点(Point-of-Interest，POD的个性化推荐成为推荐方向热门的研究分支。POI推荐不仅能够在海量的历史签到(check-in)数据中发掘用户的个性化偏好，还能帮助商家根据用户的行为习惯提供更好的服务给用户。 POI推荐系统主要是根据用户个性化偏好推荐下一时刻的兴趣点。但目前关于POI推荐的研究中，由于用户签到数据集的稀疏性，很难充分的利用上下文信息。此外，过去的研究中往往对历史信息量给与相同的关注度，无法判断历史签到序列哪部分影响对POI推荐更重要，所以传统的POI推荐模型的效率和性能较低。因此，如何从海量的签到数据中提取用户的潜在特征，充分挖掘时间序列、空间位置、POI类别和评论语义等上下文信息，并将其融入到POI模型中，已然成为提高POI推荐准确率的难题。本文分别提出了融合时空和情感信息的多视角POI推荐模型(MA-PRM)以及基于自注意力机制的多视角POI推荐模型(SAMA-PRM)。本文的主要工作内容和研究贡献如下: (1)本文提出了融合时空和情感信息的POI序列推荐模型MA-PRM。首先考虑了POI签到的时间间隔和地理位置间隔，基于对称矩阵的方式提取时空特征，然后基于逆地理编码提取POI类别特征，最后在引入公共情感词典基础上，利用CBOW模型提取评论内容的情感特征。得到用户在特定时刻访问特定POI的时空、POI和情感特征的嵌入向量表示，利用门控单元结构对拼接后的POI嵌入向量进行充分挖掘。MA-PRM能从多视角提取POI特征，有效的缓解了POI数据稀疏和冷启动问题，极大的提高了推荐系统的性能。 (2)本文在MA-PRM的基础上引入了自注意力机制，提出了新的推荐模型SAMA-PRM。模型利用自注意力机制给历史POI签到序列分配不同的权重，借此判断出哪部分的历史签到序列对模型预测下一个兴趣点影响更大。能够自主学习用户的长短期POI偏好和相关关系，从而实现比基线模型更优的推荐性能。
NETL