摘要
数字化互联网时代，智能移动终端的革新与数据挖掘技术的发展共同促进了基于地理位置的社交网络（LocationBasedSocialNetwork，LBSN）服务的广泛应用。越来越多的用户愿意在社交平台分享其行为动态，即对含有地理位置信息的兴趣点（Point-of-Interest，POI）进行签到打卡，并通过好友分享的动态实现交友和兴趣互动。面对海量POI数据，用户也易陷入信息过载的困境，产生抉择困难的问题。因此，基于POI的推荐系统已成为在线生活服务领域的热点研究与应用方向。 POI推荐系统通过用户在LBSN上的历史签到行为，学习用户及其访问过的兴趣点的特征，挖掘其个人偏好，从而为用户推荐未来可能访问的兴趣点。POI推荐受地理因素影响，与传统推荐方法具有显著区别。一方面，地理位置呈现出用户行为的潜在关联关系，可从用户历史签到记录中挖掘用户的行为偏好。另一方面，地理距离也会对用户行为产生时空约束，距离的远近程度对用户行为决策具有不同影响。现有研究常利用精确的欧式距离来描述地理影响，导致兴趣点推荐过程对地点位置距离度量较为敏感。不同用户对距离远近的体验不同，单一的距离度量忽略了用户对地理因素的敏感性差异。与此同时，在特定时空范围内，LBSN中用户签到过的兴趣点通常是极少数的，即用户签到行为User-POI这一显式关联数据过度稀疏，成为当前POI推荐研究面临的另一挑战。而用户与好友的互动以及用户签到序列中的时空特征则可视为隐式关联关系，充分利用此类隐式关联信息并对原始数据进行扩充可缓解签到数据的稀疏问题，从而获取更丰富的用户偏好，提升推荐效果。此外，社交关系、位置关系、用户行为序列关系等多源信息的引入，使得在异质稀疏的LBSN数据上实现POI推荐任务变得更加困难。 针对上述问题，本文结合异质图神经网络相关方法对POI推荐进行多角度研究，主要研究内容如下： （1）针对地理影响建模时敏感性考虑不足的问题，提出一种基于异质图嵌入的地理不敏感时空兴趣点推荐方法。在POI空间点拓扑图中融入用户的签到行为序列，构造出行为POI时空拓扑图。将图中的边权值视为兴趣点间地理距离影响的度量，区分了不同用户对地理距离的敏感程度，缓解了统一化位置度量带来的推荐结果可解释性不足的问题。 （2）针对LBSN签到数据异质稀疏的问题，提出一种行为感知的异质增强兴趣点推荐方法。将用户的行为相似度和User-POI图拓扑的结构相似度做融合，挖掘目标用户与潜在好友间的相似性，通过数据增强重构社交网络，缓解数据的稀疏性。将高层级的POI类别属性与POI节点特征做融合，缓解原始数据中噪声数据对推荐结果带来的影响，提升推荐结果的鲁棒性。
NETL