摘要
随着支持GPS的移动设备的普及以及互联网信息技术的快速发展，以Yelp和Foursquare等为代表的基于位置的社交网络服务（LBSN）得到了快速发展及普及。其中POI推荐旨在根据用户当前状态和历史签到来预测用户未来的移动情况，为用户和服务提供商带来巨大的价值。与传统的推荐系统（例如电影等）相比，POI场景存在更为严重的冷启动问题，以往的POI推荐更多的关注于建模用户的时间影响、序列影响以及地理影响等，但这些方法在预测冷启动用户未来签到时精度会显著下降。冷启用户是平台未来增长和发展的资源，这部分用户的流失会造成严重的经济损失。目前对冷启动用户的建模主要分为从数据和从模型出发的方法，但这些方法一方面依赖外部边缘数据，一方面在利用他人协同信号进行知识迁移时存在噪声。此外，还需要考虑用户随时空等上下文变化的动态偏好。这些问题为冷启动用户的建模带来挑战，因此本文针对以上问题展开研究。 第一，针对冷启动用户签到数据稀疏以及动态偏好建模的问题，提出基于情境提示的兴趣点推荐模型，能够快速适应签到记录较少的用户。该模型引入了提示学习训练范式“预训练-提示微调”，在预训练阶段学习全局行为模式；在提示微调阶段，通过设计提示生成器，为每个用户生成用户个人属性、地理区域和时间信息等时空上下文提示，并将这些提示作为模型前置信息，从预训练模型中高效地提取知识。通过这种设计能够利用他人协同信号为冷启动用户进行补充，同时能够建模用户随时空环境变化的动态偏好。 第二，针对提示嵌入训练受数据量影响训练较为困难的问题，提出基于增强提示的兴趣点推荐模型。该模型通过特征级别的提示嵌入增强方法以及数据级别的签到序列增强方法来学习用户在不同视图下的表征，同时设计地理感知的负采样策略为模型注入更丰富的用户地理偏好信息。最后使用对比损失函数训练模型，有助于提高提示嵌入训练质量及鲁棒性，进一步提升推荐效果。 本研究为兴趣点冷启动推荐提供了新思路，通过提示学习能更好地建模用户社会影响以及随时空上下文变化的动态偏好。最后在两个真实签到数据集上进行了广泛实验，实验结果表明本研究提出的模型的推荐效果优于目前先进的兴趣点推荐算法。同时还进行了消融实验、超参数实验以及向量可视化实验等深层次挖掘模型机理。为位置社交服务行业解决用户冷启动问题提供了参考。
NETL