摘要
手机等移动设备的普及、GPS、北斗卫星导航等全球定位系统的使用和Web2.0技术的快速发展，使得数以百万计的用户得以在基于位置的社交网络上分享他们的位置，而兴趣点推荐系统则是这类基于位置的社交网络平台的核心功能，如何为用户提供准确有效的兴趣点推荐成为了一个亟待解决的问题。现有的兴趣点推荐算法序列推荐精准度欠佳，主要存在以下几个问题：时空特征嵌入容易出现稀疏编码；非相邻两次访问的兴趣点之间的时空联系被忽略；用户的兴趣漂移问题没有被重视；冷启动问题限制了大多数算法模型的发挥。针对以上问题，本文提出了两种兴趣点推荐算法模型以改进现有的兴趣点算法，并且设计了一个兴趣点推荐系统来搭载该算法实现用户与系统之间的交互。本文的主要研究内容如下： （1）针对兴趣漂移问题，本文提出了一个基于时空注意力的兴趣点推荐算法模型，利用图神经网络连接兴趣点之间的权重信息以探究用户的短期意图，从而应对用户兴趣漂移带来的问题。本文还使用了一个离散化嵌入模块，对时空特征信息进行插值嵌入以解决稀疏编码的问题；利用双向注意力来学习并捕捉非相邻兴趣点之间的时空相关性；提出了一个时间偏好匹配机制，在经过简单的计算后就可以达到初步剪枝的效果，有效地应对分类数量的增大带来的影响。本文在多个数据集上与基线模型做了对比试验，结果显示模型的召回率提高了12%~46%，在不同长度的兴趣点输入序列上都有不错的提升。 （2）本文针对冷启动问题设计了一个基于对话的双通道兴趣点推荐算法增强模型，通过对话推荐系统与聚类来对序列长度不足的用户序列进行填充，代替了传统的零填充方式。结果显示，对填充后的序列再进行预测可以增加大约2%的召回率，之后通过消融实验证明对话机制与聚类模块对原模型性能都有一定提升作用。 （3）本文还设计了一个基于地图开发平台的系统，在系统实现后，经过运行表明，该系统表现良好，能够收集用户的轨迹信息，提取用户行为特征为用户推荐下一个兴趣点。
NETL