摘要
全球定位系统和智能移动终端的普及与发展，已经使基于位置的社交网络(Location-based Social Network,简称LSBN)逐渐融入人们的日常生活。用户在社交平台上的签到行为产生的大量签到数据，包含了被访问的兴趣点(Point-of-Interest，简称POI)及其相关的上下文信息，如签到时间、位置、用户社交关系以及POI类别等。然而，在POI推荐系统中，由于数据集中部分POI或用户的数据量较少而另一部分POI或用户数据量较大而产生的数据稀疏性问题，成为了 POI推荐中的主要挑战。为了解决这一挑战，现有的大多数POI推荐模型引入了 POI上下文信息，但主要集中在POI的时间特征和位置特征，而忽视了 POI类别信息对用户签到行为的影响。因此，本文以POI类别作为切入点，运用深度学习技术结合现有推荐模型，将POI的时空信息和类别信息融合起来，旨在缓解数据稀疏性问题，从而提升POI推荐的推荐性能。本文的主要工作如下: (1)针对现有模型在POI推荐方面仅考虑了不同POI位置之间的时空关系，而忽略了不同POI种类之间同样存在复杂的时空关系这一问题。受到LSTPM模型利用注意力机制引入时空信息的启发，提出了一种名为POI2TS的基于位置和种类双层时空关系的POI推荐模型。该模型通过注意力机制融合了 POI位置之间的时空关系、种类之间的时空依赖关系，以更准确地捕获用户长期兴趣偏好。在NYC和TKY数据集上的实验结果表明，POI2TS相较于现有流行模型具有更高的准确性，验证了融合位置间时空关系与种类间时空关系能有效提升推荐准确性。 (2)针对现有基于知识图的POI推荐模型在学习用户偏好时未充分考虑POI类别信息对用户出行偏好的影响这一问题。受到STKG模型利用知识图学习时空信息的启发，提出了一种名为KGCL的基于知识图类别学习的POI推荐模型。该模型利用注意力机制将POI类别信息引入到知识图谱中，通过知识图嵌入融合了 POI类别特征和位置特征的学习。在TKY和NYC两个公开数据集上进行实验，实验结果表明，KGCL在推荐方面具有较高的推荐性能，显著提升了 POI推荐的准确度。
NETL