面向数据匮乏城市的下一个POI推荐方法

摘要：

位置社交网络(LBSN)用户位置数据的分布不均衡,及某些用户出于对隐私安全的考量刻意隐藏自己部分位置信息等因素加剧了兴趣点(POI)推荐难度.就此本文提出了基于元学习的时空神经常微分方程(ML-ODE)来进行有效的下一个POI推荐.该模型主要是将元学习的思想融入到POI推荐过程中,通过不同任务训练优化初始参数,将数据丰富城市中的泛化移动模式迁移到数据匮乏城市,达到优化POI预测任务的目的.该模型将神经常微分方程用于POI推荐领域,定义连续的动态过程,可以接受任意时刻的输入数据,克服了大多数时序推荐模型静态离散化的时间间隔处理方式,更适用于POI序列推荐任务.在真实公开数据集Foursqure上的实验结果表明,ML-ODE在POI推荐方面比当前主流的POI预测方法在NDCG@N指标上提升了超过10％.

关键词：兴趣点(POI)推荐;位置社交网络(LBSN);元学习;神经常微分方程;推荐系统

所属期刊栏目：31

资助基金：国家重点研发计划;国家自然科学基金

在线出版日期：2022-02-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：1248-1260