摘要：提出一种基于位置的社交网络(LBSN)中利用深度学习的poi推荐方法。设计LBSN异构图,即UP2Vec模型,整合地理签到信息、用户社会关系和时间信息等语境。提出偏好增强谱聚类(PSC)算法,通过分析用户的各种语境信息获得多个维度的数据空间特征,使用谱聚类划分用户群体。利用谱嵌入增强的神经网络深度挖掘用户与poi之间的非线性关联,实现poi的高质量推荐。实验结果表明,所提方法性能优于对比方法,推荐准确率超过90%。

摘要：提出一种基于位置的社交网络中利用深度学习的poi推荐方法。建立一个地理时空注意力网络,以发现总体序列依赖性和微妙的poi-poi关系;将签到序列中连续的地理距离和时间间隔信息加入到地理时空注意力网络中,建立用户个性化移动行为和挖掘用户个性化时空偏好;设计特定于上下文的共同注意力网络,通过从签到历史中自适应选择相关签到活动来学习更改用户偏好,使地理-时空门控循环单元网络(geographical-spatiotemporal gated recurrent unit network,GS-GRUN)能够区分不同签到的用户偏好程度。在Foursquare和Gowalla数据集上的实验结果表明,所提算法能够显著提升poi推荐方法的推荐匹配度。

摘要：针对兴趣点推荐研究中忽略用户未来规划对下一poi的影响以及用户当前序列上下文信息学习不充分的问题,提出了一种基于MogrifierLSTM和未来信息的poi推荐算法——MOGREC。首先,根据用户签到行为的周期性学习用户历史行为偏好;其次,使用LSTM的变体MogrifierLSTM来对当前用户签到序列进行上下文学习;然后,利用注意力机制设计用户多步骤未来信息提取器;最后结合用户当前行为序列以及提取的多步骤未来信息来向用户推荐下一个poi。在Foursquare真实的签到数据集上的实验结果表明,MOGREC算法在长序列数据集SIN上的召回率和NDCG值比最优的CFPRec分别提高了16.17%和18.18%,验证了MOGREC算法的有效性。

摘要：为了有效地捕捉LBSN中丰富的签到、社交等多维上下文信息的空间特性,并深层挖掘用户和poi之间的非线性交互,提出了一种谱嵌入增强的poi推荐算法——PSC-SMLP,设计了偏好增强的谱聚类算法PSC和谱嵌入增强的神经网络SMLP。在2个经典数据集上与现有的poi推荐算法相比,PSC-SMLP可以深层学习用户对poi的个性化偏好,在准确率、召回率、nDCG、平均精度等指标中均获得较大提升。