基于序列圖時(shí)空增強(qiáng)與地理關(guān)系的興趣點(diǎn)推薦

摘 要：針對(duì)現(xiàn)有興趣點(diǎn)（points-of-interest，POI）推薦存在的地理特征挖掘不充分與未將順序信息納入空間偏好的問題，提出基于序列圖時(shí)空增強(qiáng)與地理關(guān)系（spatial-temporal enhancement of sequence graph and geographical relationships，STESGGR）的POI推薦模型。首先，利用POI位置信息構(gòu)建地理圖，采用圖卷積網(wǎng)絡(luò)（graph convolutional network，GCN）與注意力機(jī)制獲取用戶訪問POI的地理特征。其次，利用用戶簽到信息提取時(shí)空特征構(gòu)建時(shí)空信息增強(qiáng)的序列圖，采用門圖神經(jīng)網(wǎng)絡(luò)（gated graph neural network，GGNN）與注意力機(jī)制獲取用戶訪問POI的時(shí)空偏好。然后，引入共同性學(xué)習(xí)優(yōu)化框架學(xué)習(xí)順序信息與地理特征之間的互補(bǔ)信息，進(jìn)一步挖掘地理特征。最后，融合兩個(gè)特征信息并通過多層感知機(jī)（multilayer perceptron，MLP）進(jìn)行POI推薦。在五個(gè)真實(shí)數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，結(jié)果表明STESGGR模型在AUC和Logloss指標(biāo)上分別提升1.2%～2.7%和3.2%～12.4%。實(shí)驗(yàn)證明STESGGR在基于位置的POI推薦下有較好的表現(xiàn)，充分挖掘了順序與地理特征，提升了推薦效果。

關(guān)鍵詞：POI推薦；時(shí)空信息；地理信息；順序信息；注意力機(jī)制

中圖分類號(hào)：TP391"" 文獻(xiàn)標(biāo)志碼：A"" 文章編號(hào)：1001-3695（2025）03-015-0755-07

doi：10.19734/j.issn.1001-3695.2024.08.0298

Points-of-interest recommendation based on spatial-temporal enhancement of sequence graph and geographical relationships

Liu Chao，Zhu Jun

（College of Computer Science amp; Engineering，Chongqing University of Technology，Chongqing 400054，China）

Abstract：To address the insufficient of mining geographical feature and the absence of incorporating sequential information into spatial preferences in existing POI recommendation methods，this paper proposed a POI recommendation model based on STESGGR.Firstly，the model constructed a geographic graph using the location information of POI and employed GCN and attention mechanisms to capture the geographical features of user visits to POI.Secondly，it extracted spatio-temporal features from user check-in information to construct a sequence graph enhanced with spatio-temporal information and applied GGNN and with attention mechanisms to capture the spatio-temporal preferences of users visiting POI.Then，it introduced a common learning optimization framework to learn the complementary information between sequential information and geographical features，further mining geographical characteristics.Finally，it fused the two types of feature information for POI recommendations through MLP.Experiments on five real-world datasets demonstrate that the STESGGR model improves by 1.2%～2.7% in AUC and 3.2%～12.4% in Logloss metrics.The results validate that STESGGR performs well in location-based POI recommendations，effectively mining sequential and geographical features and enhancing the recommendation performance.

Key words：point-of-interest recommendation;spatial-temporal information;geographical information;sequence information;attention mechanism

0 引言

隨著基于位置的社交網(wǎng)絡(luò)發(fā)展，以Foursquare和大眾點(diǎn)評(píng)為代表的推薦平臺(tái)逐漸興起，為廣大用戶提供了個(gè)性化的POI推薦服務(wù)。POI是餐廳、酒店、景點(diǎn)或者是任何有地理位置標(biāo)記的地方。POI推薦旨在為服務(wù)提供商分析用戶的移動(dòng)行為模式，從而推薦用戶可能感興趣的POI，目前在基于位置的廣告和在線送餐等領(lǐng)域得到廣泛應(yīng)用。

POI推薦方法可以分為傳統(tǒng)方法、基于序列的方法、基于深度學(xué)習(xí)的方法三類。早期研究工作［1，2］主要集中在傳統(tǒng)方法，主要利用地理關(guān)系計(jì)算用戶間的相似性與基于項(xiàng)目協(xié)同過濾的方法實(shí)現(xiàn)推薦。傳統(tǒng)方法雖然能取得一定成果，但忽略了POI具體位置間的距離影響?；谛蛄械姆椒ɡ糜脩魵v史簽到信息的時(shí)間和地理位置信息提取特征，并通過矩陣分解（matrix-factorization，MF）［3，4］和馬爾可夫鏈（Markov-chain，MC）［5，6］分析出用戶的移動(dòng)行為，以進(jìn)行POI推薦。該方法對(duì)于數(shù)據(jù)依賴較強(qiáng)，需要用戶連續(xù)訪問，因此相關(guān)研究只考慮了一般順序行為，可解釋性不足。近年來，基于深度學(xué)習(xí)的POI推薦逐漸興起［7］，該類研究利用神經(jīng)網(wǎng)絡(luò)代替手動(dòng)挖掘用戶訪問數(shù)據(jù)中的隱含關(guān)聯(lián)關(guān)系，通過循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）及其變體［8～10］捕獲用戶順序特征以及基于圖神經(jīng)網(wǎng)絡(luò)（graph neural network，GNN）［11～13］捕捉POI高階鄰居之間的結(jié)構(gòu)特征，能夠有效地提高推薦性能。相較于其他方法更具有通用性，也更適用于不同規(guī)模和復(fù)雜度的推薦場景。

然而，現(xiàn)有研究工作仍存在一些不足：a）忽略了POI網(wǎng)絡(luò)間復(fù)雜拓?fù)浣Y(jié)構(gòu)關(guān)系的地理特征。大多數(shù)方法通常把地理特征視為空間信息融入基于RNN的體系結(jié)構(gòu)中。此外，這些方法僅根據(jù)POI之間的實(shí)際距離作為地理特征，沒有探索POI網(wǎng)絡(luò)間拓?fù)浣Y(jié)構(gòu)地理關(guān)系。b）未能將用戶順序信息納入空間偏好，導(dǎo)致用戶順序行為特征捕獲不足。用戶接下來要訪問的POI依賴于歷史順序行為特征，大多數(shù)工作通常采用基于RNN的方法建模用戶歷史行為的順序依賴關(guān)系，忽略了用戶個(gè)性化訪問的空間偏好。事實(shí)上用戶訪問偏好受順序特征中的時(shí)空信息影響。例如，用戶在頻繁光臨服裝店并且接連訪問的時(shí)空區(qū)間較小時(shí)，表示用戶對(duì)時(shí)尚方面的偏好，代表類似的服裝店可能成為用戶接下來訪問的POI。

針對(duì)上述問題，本文構(gòu)建了一種基于序列圖時(shí)空增強(qiáng)與地理關(guān)系的POI推薦模型STESGGR。首先，利用用戶歷史簽到記錄構(gòu)建地理圖，挖掘POI之間的拓?fù)浣Y(jié)構(gòu)關(guān)系，使用GCN與多頭注意力機(jī)制獲取拓?fù)浣Y(jié)構(gòu)關(guān)系的地理特征信息。其次，根據(jù)用戶歷史簽到信息構(gòu)建反映用戶訪問順序的序列圖并提取簽到信息中的時(shí)空信息增強(qiáng)序列圖，將順序信息納入空間偏好，采用門GGNN與多頭注意力機(jī)制充分捕獲序列圖中順序特征信息的訪問偏好。最后，引入了一個(gè)共同性學(xué)習(xí)優(yōu)化框架，進(jìn)一步挖掘地理特征與順序特征，提高推薦性能。實(shí)驗(yàn)表明，模型具有較高的推薦準(zhǔn)確率，且能很好地緩解數(shù)據(jù)稀疏性。

本文主要貢獻(xiàn)如下：

a）利用用戶簽到記錄構(gòu)建地理圖，挖掘POI間的拓?fù)浣Y(jié)構(gòu)關(guān)系，通過注意力機(jī)制捕獲用戶地理訪問偏好，引入共同學(xué)習(xí)框架，進(jìn)一步挖掘特征。

b）利用用戶簽到信息構(gòu)建序列圖并嵌入時(shí)空信息增強(qiáng)序列圖，納入用戶訪問空間偏好，采用注意力機(jī)制捕獲用戶順序訪問的時(shí)空偏好。

c）在五個(gè)真實(shí)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，評(píng)估STESGGR模型的性能，在五個(gè)數(shù)據(jù)集上都優(yōu)于其他對(duì)比模型。

1 相關(guān)工作

1.1 基于地理信息的POI推薦

基于地理信息的POI推薦特別注重POI的位置特征，強(qiáng)調(diào)用戶在現(xiàn)實(shí)中對(duì)POI的簽到或訪問的交互行為。早期研究［1，2］僅根據(jù)用戶之間的地理關(guān)系計(jì)算用戶或項(xiàng)目之間的相似關(guān)系實(shí)現(xiàn)協(xié)同過濾推薦。有些學(xué)者［14，15］利用用戶簽到POI之間的規(guī)律性特點(diǎn)進(jìn)行推薦，但這些方法僅考慮地理位置的距離影響，不適用于復(fù)雜推薦場景。隨著深度學(xué)習(xí)的發(fā)展，一些研究工作利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的感知和表達(dá)能力進(jìn)行推薦。例如，PACE［15］將半監(jiān)督學(xué)習(xí)建模的地理信息與協(xié)同過濾方法獲得的用戶偏好信息有效結(jié)合來進(jìn)行推薦。DeepMove［9］從用戶簽到POI地理位置軌跡信息預(yù)測用戶移動(dòng)的下一個(gè)位置。ST-RNN［16］利用不同時(shí)間轉(zhuǎn)移矩陣結(jié)合不同距離轉(zhuǎn)移矩陣對(duì)時(shí)間和地理信息建模用戶時(shí)間和地理的訪問偏好。RIRL［17］考慮了用戶移動(dòng)過程中產(chǎn)生的新舊時(shí)間和地理特征，通過門控機(jī)制的長短期記憶網(wǎng)絡(luò)（long short-term memory，LSTM）預(yù)測用戶下一個(gè)移動(dòng)位置。此外有一些研究［18～20］是將地理信息與用戶間的社會(huì)關(guān)系相結(jié)合來實(shí)現(xiàn)推薦。

1.2 融合序列信息的POI推薦

序列信息反映了用戶的即時(shí)偏好，體現(xiàn)了用戶訪問POI的興趣演變。因此，很多研究融合序列信息進(jìn)行推薦。早期，Rendle等人［5］提出矩陣分解和馬爾可夫鏈相結(jié)合的個(gè)性化馬爾可夫鏈模型，該模型只考慮了用戶間歇性訪問的變化。隨著深度學(xué)習(xí)的興起，出現(xiàn)基于神經(jīng)網(wǎng)絡(luò)的模型。例如HST-LSTM［21］提出層次化LSTM，將時(shí)間序列信息與地理信息融合到LSTM中進(jìn)行推薦。STGN［22］通過時(shí)間門和距離門的方式對(duì)地理信息與序列信息的長短期偏好進(jìn)行建模，考慮了最近一次訪問的序列和地理信息對(duì)接下來訪問POI的影響。TM［23］利用時(shí)間序列信息的兩種狀態(tài)模式構(gòu)建神經(jīng)網(wǎng)絡(luò)進(jìn)一步聯(lián)合學(xué)習(xí)時(shí)間模式建模用戶的動(dòng)態(tài)偏好。STAN［24］使用了雙層注意體系結(jié)構(gòu)，通過對(duì)時(shí)間和地理序列信息建模注意模塊模擬了用戶不相鄰的簽到。近年來，CFPRec［25］將用戶行為序列訪問偏好劃分為過去、現(xiàn)在和未來三個(gè)階段，分別通過轉(zhuǎn)換層、LSTM層和注意力層聚合進(jìn)行建模。DisenPOI［26］進(jìn)一步提出通過對(duì)比學(xué)習(xí)來解開地理和順序影響，但它忽略了用戶行為中的時(shí)空偏好。相比之下，本文模型結(jié)合了用戶訪問地理和順序的共同影響，納入用戶連續(xù)訪問順序信息的空間偏好，充分挖掘特征，從而提升了推薦性能。

2 問題定義與分析

2.1 問題定義

本文研究的POI推薦是根據(jù)用戶歷史簽到記錄中的地理信息和順序信息進(jìn)行基于位置的點(diǎn)擊率（click-through-rate，CTR）預(yù)測。

定義1 POI。POI是空間上具有地理位置屬性的站點(diǎn)（如餐館），用標(biāo)識(shí)符v表示。其地理坐標(biāo)為（lonv，latv）元組，其中l(wèi)onv表示POI位置經(jīng)度，latv表示緯度。

定義2 簽到序列。用戶集合U={u1，u2，u3，…，u|U|}，POI集合表示為V={v1，v2，v3，…，v|V|}。對(duì)于每個(gè)用戶u∈U，POI的簽到序列表示為S（u）={（vu1，tu1），（vu2，tu2），…，（vun-1，tun-1）}，其中（vui，tui）表示用戶u在時(shí)間ti訪問了POI vi，簽到序列根據(jù)用戶先后訪問POI的時(shí)間進(jìn)行排序。

定義3 CTR預(yù)測。基于位置的CTR預(yù)測任務(wù)是根據(jù)已知的歷史簽到序列S={S（u）|u∈U}去學(xué)習(xí)一個(gè)POI推薦模型，當(dāng)給定用戶u和目標(biāo)POI vt的情況下，利用模型去預(yù)測用戶u接下來訪問POI vt的概率。

2.2 問題分析

用戶在地圖上的簽到記錄為復(fù)雜的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，為了獲取POI之間的地理結(jié)構(gòu)關(guān)系，用圖結(jié)構(gòu)方式模擬POI的地理位置形成地理圖。由于GNN在捕獲圖拓?fù)浣Y(jié)構(gòu)關(guān)系方面取得了顯著的成功，所以在地理圖上用GCN挖掘POI間的地理拓?fù)浣Y(jié)構(gòu)關(guān)系特征。此外用戶接下來訪問的POI依賴于歷史順序行為特征，進(jìn)一步發(fā)現(xiàn)用戶的下一次簽到受連續(xù)訪問的時(shí)間和空間間隔影響，因此POI以序列圖的方式模擬用戶連續(xù)訪問，同時(shí)嵌入時(shí)空信息增強(qiáng)用戶順序行為的影響。用戶的訪問序列包含了興趣的轉(zhuǎn)變，隱含了對(duì)下一個(gè)POI的訪問傾向，而GCN是用于序列不變的，所以采用能夠充分利用會(huì)話圖中順序信息的圖傳播方法（GGNN）。由于兩特征共同影響用戶的訪問偏好，引入共同性學(xué)習(xí)框架結(jié)合兩特征影響。

3 模型構(gòu)建

模型整體框架如圖1所示。首先，利用用戶的歷史簽到記錄分別構(gòu)建序列圖和地理圖，在序列圖中納入時(shí)空偏好信息增強(qiáng)用戶的順序行為特征。其次，在構(gòu)建的地理圖上用GCN傳播模塊獲取地理拓?fù)浣Y(jié)構(gòu)關(guān)系特征的信息表示，在構(gòu)建的序列圖上采用GGNN傳播模塊獲取順序特征信息表示，分別通過兩個(gè)多頭注意力機(jī)制進(jìn)一步提取用戶的訪問偏好。之后，引入一個(gè)共同性學(xué)習(xí)框架，將含有用戶訪問偏好的兩個(gè)序列信息結(jié)合起來，兩個(gè)模塊相互提供監(jiān)督信號(hào)進(jìn)行優(yōu)化。最后，通過MLP層融合信息，生成目標(biāo)POI的點(diǎn)擊率預(yù)測。

3.1 地理圖構(gòu)建

為了挖掘復(fù)雜拓?fù)渚W(wǎng)絡(luò)結(jié)構(gòu)的地理關(guān)系，將POI的位置信息構(gòu)建成地理圖，表示為Gg={V，Eg，Ag}。V為頂點(diǎn)集合，表示訪問過POI的位置。Eg為邊集，當(dāng)POI vi，vj在給定的距離閾值d之內(nèi)，則有（vi，vj）∈Eg。Ag為邊的權(quán)重，即Ag（i，j），表示POI之間的地理距離。地理圖Gg刻畫了用戶偏好的先驗(yàn)知識(shí)，因此用戶通常在訪問下一個(gè)POI時(shí)選擇物理距離較近的一個(gè)。

3.2 地理圖上的信息聚合

為了捕獲地理拓?fù)浣Y(jié)構(gòu)上的高階關(guān)系，利用圖卷積神經(jīng)網(wǎng)GCN獲取圖上傳播的信息［27］。對(duì)于給定的地理圖Gg，其中一對(duì)相鄰的POI vi，vj在第n層的信息可以表示為

4 實(shí)驗(yàn)

4.1 數(shù)據(jù)集

在五個(gè)POI推薦數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，這五個(gè)數(shù)據(jù)集來自用戶在Foursquare［29，30］上的簽到歷史。數(shù)據(jù)集包含了來自東京（TKY）、紐約（NYC）、卡爾加里（CAL）、菲尼克斯（PHO）和新加坡（SIN）五個(gè)城市的簽到記錄。數(shù)據(jù)集的統(tǒng)計(jì)信息如表1所示。

4.2 對(duì)比模型

為了驗(yàn)證模型的有效性，用以下幾種對(duì)比模型，即基于序列的模型、基于圖的模型、基于地理位置的模型。

DIN［31］：一種經(jīng)典的基于序列的CTR預(yù)測模型，它使用目標(biāo)注意力來嵌入用戶的上下文。

DIEN［32］：DIN的一個(gè)變體，它利用GRU來捕獲用戶興趣的演變。

SR-GNN［13］：一種基于圖的模型，將用戶的交互歷史建模為會(huì)話圖。

NGCF［11］：一種基于圖的模型，將GNN應(yīng)用在用戶-項(xiàng)目交互圖上。

LightGCN［12］：NGCF的變體，最先進(jìn)的基于圖的推薦方法之一。

GeoIE［33］：一種最先進(jìn)的基于位置的推薦方法，考慮了地理位置信息和距離的影響。

LSTPM［34］：一種基于LSTM的模型，提出了地理信息增強(qiáng)的LSTM來捕獲地理信息影響。

GSTN［35］：一種優(yōu)化POI間位置相似性的圖推薦模型。

MTNet［36］：一種基于時(shí)間移動(dòng)樹的個(gè)性化偏好學(xué)習(xí)任務(wù)框架。

DisenPOI［26］：一種解糾纏圖推薦模型，利用自監(jiān)督學(xué)習(xí)方式捕獲用戶訪問偏好。

4.3 參數(shù)設(shè)定和評(píng)價(jià)指標(biāo)

對(duì)于每個(gè)數(shù)據(jù)集，按時(shí)間順序?qū)γ總€(gè)用戶的簽到記錄進(jìn)行排序。每個(gè)用戶最后訪問的POI被保留作為評(píng)估集，而序列中剩余的POI用作訓(xùn)練集。評(píng)估集隨機(jī)分成大小相等的測試集和驗(yàn)證集。對(duì)于本文模型嵌入維數(shù)固定為128，構(gòu)建地理關(guān)系POI圖的距離閾值d設(shè)置為1 km，用ADAM優(yōu)化器進(jìn)行優(yōu)化，學(xué)習(xí)率設(shè)為0.001，GCN層數(shù)設(shè)為2，TKY、NYC、CAL、PHO、SIN五個(gè)數(shù)據(jù)集上共同性學(xué)習(xí)權(quán)重β分別設(shè)置為0.1、1、0.1、0.1、1。前述參數(shù)的選擇均是根據(jù)驗(yàn)證集上的實(shí)驗(yàn)結(jié)果決定，并通過測試集評(píng)估。本文采用AUC和Logoss作為評(píng)估指標(biāo)，這是CTR預(yù)測中的常見做法［31，32］。

4.4 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)結(jié)果如表2所示，可以發(fā)現(xiàn)：

a）與其他方法相比，利用地理信息輔助推薦的模型（GeoIE、LSTPM、DisenPOI和STESGGR）具有明顯的優(yōu)勢。這是合理的結(jié)果，因?yàn)樵诨谖恢玫耐扑]任務(wù)中，用戶的簽到歷史與POI的地理位置之間具有高度的相關(guān)性。

b）基于圖神經(jīng)網(wǎng)絡(luò)的模型（SR-GNN、NGCF、LightGCN、DisenPOI和STESGGR）與基于序列的模型（DIN和DIEN）相比都有改進(jìn)，說明圖神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的捕獲不同POI節(jié)點(diǎn)間高階連通性的能力。因此基于圖神經(jīng)網(wǎng)絡(luò)的模型在聚合豐富的相鄰節(jié)點(diǎn)信息方面發(fā)揮了很好的作用。

c）總體而言，STESGGR模型在五個(gè)數(shù)據(jù)集上的表現(xiàn)都明顯優(yōu)于其他對(duì)比模型。在TKY、NYC、CAL、PHO和SIN測試集上，AUC分別提高了2.2%、2.7%、2.2%、2.3%和1.2%，Logloss分別提高了12.4%、5.4%、4.3%、5.2%和3.2%，證明了模型在POI推薦方面的有效性。

4.5 數(shù)據(jù)稀疏下的推薦

為了探究融合訪問背后的時(shí)空序列順序特征和地理特征是否有助于緩解數(shù)據(jù)稀疏問題。將訓(xùn)練集平均劃分成五份，每次取一到五個(gè)部分，分別對(duì)應(yīng)20%、40%、60%、80%以及完整的訓(xùn)練集，實(shí)驗(yàn)結(jié)果如圖2所示。可以發(fā)現(xiàn)：

a）數(shù)據(jù)稀疏性問題使所有方法的性能都下降，但STESGGR模型在不同稀疏度上都優(yōu)于其他方法，這表明了優(yōu)化框架的健壯性。所以，通過時(shí)空序列信息增強(qiáng)兩模塊之間的信息交流和優(yōu)化框架整合兩模塊的內(nèi)部信息，可以很好地緩解數(shù)據(jù)稀疏性。

b）通常利用地理信息的模型（GeoIE、LSTPM、DisenPOI和STESGGR）在稀疏度較高的數(shù)據(jù)集上表現(xiàn)得更好?？赡苁且?yàn)樵谟脩襞cPOI交互信息部分缺失的情況下，該模型仍能充分利用所有POI的地理位置信息進(jìn)行推薦。這表明，在面對(duì)數(shù)據(jù)稀疏帶來的挑戰(zhàn)時(shí)，地理位置信息影響發(fā)揮著重要作用。

4.6 消融實(shí)驗(yàn)

為了探究模型中各個(gè)模塊發(fā)揮的作用，在TKY和NYC數(shù)據(jù)集上對(duì)不同的組成部分進(jìn)行消融實(shí)驗(yàn)。模型變體如下：

a）STESGGR-GEO：移除了地理圖模塊。

b）STESGGR-ST：移除了時(shí)空信息增強(qiáng)模塊。

c）STESGGR-STamp;SEQ：移除了時(shí)空信息增強(qiáng)的序列圖模塊。

d）STESGGR-Euclid Math OneLApcom：移除了優(yōu)化框架模塊。

實(shí)驗(yàn)結(jié)果如圖3和4所示。從結(jié)果可以發(fā)現(xiàn)，STESGGR模型性能是最佳的，證明了模型構(gòu)建的合理性。當(dāng)移除了地理圖和序列圖模塊后，模型在AUC和Logloss上都有所下降，表明了用戶行為背后的順序特征和地理特征可以有效地進(jìn)行推薦，是POI推薦的關(guān)鍵因素。當(dāng)移除了時(shí)空信息增強(qiáng)模塊，模型性能下降，這表明在用戶的順序特征中納入時(shí)空偏好能更充分地挖掘順序特征，同時(shí)表明順序特征也是影響推薦的關(guān)鍵因素。當(dāng)移除了優(yōu)化框架，模型性能下降，表明優(yōu)化框架對(duì)兩模塊的特征信息可以相互學(xué)習(xí)，使信息分布更加擬合，提高推薦質(zhì)量。

4.7 超參數(shù)分析

4.7.1 共同性學(xué)習(xí)權(quán)重β影響

為了探究參數(shù)β對(duì)實(shí)驗(yàn)結(jié)果影響，在TKY和NYC數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，將β大小設(shè)置為{0，0.001，0.01，0.1，1，2，4}，實(shí)驗(yàn)結(jié)果如圖5和6所示。可以發(fā)現(xiàn)，在TKY數(shù)據(jù)集上，隨著β增加，模型性能逐漸提升。當(dāng)?shù)揭欢ㄖ岛螅处?0.1時(shí)，模型性能開始下降。這是因?yàn)檩^大的β值使得兩模塊的信息過度擬合了，導(dǎo)致推薦性能下降。因此，在TKY數(shù)據(jù)集上，β的值設(shè)置為0.1。類似地，在NYC數(shù)據(jù)集上β設(shè)置為1。

4.7.2 距離閾值d影響

為了探究構(gòu)建地理圖時(shí)給定距離閾值d對(duì)實(shí)驗(yàn)結(jié)果影響，在TKY和NYC數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，將d大小設(shè)置為{0.2，0.4，0.6，0.8，1.0，1.2，1.4}，實(shí)驗(yàn)結(jié)果如圖7和8所示?？梢钥吹剑赥KY和NYC數(shù)據(jù)集上，隨著d的增加，模型性能逐漸提升。當(dāng)?shù)竭_(dá)d=1.0時(shí)，模型性能開始下降。因此在TKY和NYC數(shù)據(jù)集上，距離閾值d的大小設(shè)置為1。

4.8 樣例分析

為了探究模型有效性，在圖9中通過評(píng)估集中的目標(biāo)POI與DisenPOI和STESGGR所做的預(yù)測進(jìn)行對(duì)比說明。本文對(duì)NYC數(shù)據(jù)集進(jìn)行樣例研究，直觀地說明兩個(gè)模型之間的差異。隨機(jī)選擇一個(gè)用戶可視化在紐約城市地圖上的訪問軌跡，以及預(yù)測前30個(gè)推薦的POI。圖9中用戶訪問的POI用綠色的圓圈標(biāo)記，DisenPOI和STESGGR推薦的POI分別用藍(lán)色和紅色圓圈標(biāo)記（見電子版）?？梢杂^察到，STESGGR推薦的POI比DisenPOI推薦的POI更接近所選用戶的訪問軌跡，這表明時(shí)空信息增強(qiáng)的順序行為以及結(jié)合地理關(guān)系特征推薦的POI更加傾向于分散在用戶訪問過的POI周圍，證明了STESGGR的有效性。

5 結(jié)束語

本文提出了基于序列圖時(shí)空增強(qiáng)與地理關(guān)系的興趣點(diǎn)推薦模型。它用兩種圖的方式挖掘了時(shí)空順序特征和地理特征對(duì)用戶訪問的影響，構(gòu)建了時(shí)空信息增強(qiáng)的序列圖和地理圖。為了更有效地獲取兩圖拓?fù)浣Y(jié)構(gòu)上的信息，分別用圖神經(jīng)網(wǎng)絡(luò)和注意力機(jī)制在時(shí)空序列圖和地理圖上進(jìn)行信息聚合。同時(shí)為了增強(qiáng)推薦效果，引入共同性學(xué)習(xí)優(yōu)化框架，它聯(lián)合了兩個(gè)圖模塊中，信息進(jìn)行增強(qiáng)和優(yōu)化。在五個(gè)真實(shí)數(shù)據(jù)集上的結(jié)果表明，STESGGR模型優(yōu)于其他基線模型，同時(shí)可以有效緩解數(shù)據(jù)稀疏性。在未來的研究工作中，將繼續(xù)探究用戶行為序列中固定環(huán)形結(jié)構(gòu)軌跡對(duì)訪問偏好的影響，并考慮使用取樣的策略探究其結(jié)構(gòu)，同時(shí)利用對(duì)比學(xué)習(xí)獲取地理信息與順序信息的一致性，提升推薦效果。

參考文獻(xiàn)：

［1］Zheng V W，Cao Bin，Zheng Yu，et al.Collaborative filtering meets mobile recommendation［C］//Proc of the 24th AAAI Conference on Artificial Intelligence.New York：ACM Press，2010：236-241.

［2］Zheng Yu，Zhang Lizhu，Ma Zhengxin，et al.Recommending friends and locations based on individual location history［J］.ACM Trans on the Web，2011，5（1）：5.

［3］Lian Defu，Zhao Cong，Xie Xing，et al.GeoMF：joint geographical modeling and matrix factorization for point-of-interest recommendation［C］//Proc of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.New York：ACM Press，2014：831-840.

［4］Yao Zijun，F(xiàn)u Yanjie，Liu Bin，et al.POI recommendation：a temporal matching between POI popularity and user regularity［C］//Proc of the 16th IEEE International Conference on Data Mining.Piscataway，NJ：IEEE Press，2016：549-558.

［5］Rendle S，F(xiàn)reudenthaler C，Schmidt-Thieme L，et al.Factorizing personalized Markov chains for next-basket recommendation［C］//Proc of the 19th International Conference on World Wide Web.New York：ACM Press，2010：811-820.

［6］Cheng C，Yang H，Lyu M R，et al.Where you like to go next：successive point-of-interest recommendation［C］//Proc of the 23rd International Joint Conference on Artificial Intelligence.2013：2605-2611.

［7］李征，黃雪原，袁科.基于位置社交網(wǎng)絡(luò)的興趣點(diǎn)推薦研究［J］.計(jì)算機(jī)應(yīng)用研究，2022，39（11）：3211-3219.（Li Zheng，Huang Xueyuan，Yuan Ke.Survey of research on point-of-interest recommendation methods based on location-based social networks［J］.Application Research of Computers，2022，39（11）：3211-3219.）

［8］Li Ranzhen，Shen Yanyan，Zhu Yanmin.Next point-of-interest recommendation with temporal and multi-level context attention［C］//Proc of IEEE International Conference on Data Mining.Piscataway，NJ：IEEE Press，2018：1110-1115.

［9］Feng Jie，Li Yong，Zhang Chao，et al.DeepMove：predicting human mobility with attentional recurrent networks［C］//Proc of World Wide Web Conference on World Wide Web.New York：ACM Press，2018：1459-1468.

［10］Manotumruksa J，MacDonald C，Ounis I，et al.A contextual attention recurrent architecture for context-aware venue recommendation［C］//Proc of the 41st International ACM SIGIR Conference on Research amp; Development in Information Retrieval.New York：ACM Press，2018：555-564.

［11］Wang Xiang，He Xiangnan，Wang Meng，et al.Neural graph collaborative filtering［C］//Proc of the 42nd International ACM SIGIR Confe-rence on Research and Development in Information Retrieval.New York：ACM Press，2019：165-174.

［12］He Xiangnan，Deng Kuan，Wang Xiang，et al.LightGCN：simplifying and powering graph convolution network for recommendation［C］//Proc of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval.New York：ACM Press，2020：639-648.

［13］Wu Shu，Tang Yuyuan，Zhu Yanqiao，et al.Session-based recommendation with graph neural networks［C］//Proc of AAAI Conference on Artificial Intelligence.Palo Alto，CA：AAAI Press，2019：346-353.

［14］Cheng Chen，Yang Haiqin，King I，et al.Fused matrix factorization with geographical and social influence in location-based social networks［C］//Proc of the 26th AAAI Conference on Artificial Intelligence.New York：ACM Press，2012：17-23.

［15］Yang C，Bai Lanxiao，Zhang Chao，et al.Bridging collaborative filtering and semi-supervised learning［C］//Proc of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.New York：ACM Press，2017：1245-1254.

［16］Liu Qiang，Wu Shu，Wang Liang，et al.Predicting the next location：a recurrent model with spatial and temporal contexts［C］//Proc of AAAI Conference on Artificial Intelligence.Palo Alto，CA：AAAI Press，2016.

［17］Wang Dongjie，Wang Pengyang，Liu Kunpeng，et al.Reinforced imitative graph representation learning for mobile user profiling：an adversarial training perspective［C］//Proc of AAAI Conference on Artificial Intelligence.Palo Alto，CA：AAAI Press，2021：4410-4417.

［18］Gao Huiji，Tang Jiliang，Hu Xia，et al.Content-aware point of interest recommendation on location-based social networks［C］//Proc of the 29th AAAI Conference on Artificial Intelligence.New York：ACM Press，2015：1721-1727.

［19］Gao Huiji，Tang Jiliang，Liu Huan.gSCorr：modeling geo-social correlations for new check-ins on location-based social networks［C］//Proc of the 21st ACM International Conference on Information and Know-ledge Management.New York：ACM Press，2012：1582-1586.

［20］Li Huayu，Ge Yong，Hong Richang，et al.Point-of-interest recommendations：learning potential check-ins from friends［C］//Proc of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.New York：ACM Press，2016：975-984.

［21］Kong Dejiang，Wu Fei.HST-LSTM：a hierarchical spatial-temporal long-short term memory network for location prediction［C］//Proc of the 27th International Joint Conference on Artificial Intelligence.2018：2341-2347.

［22］Zhao Pengpeng，Luo Anjing，Liu Yanchi，et al.Where to go next：a spatio-temporal gated network for next POI recommendation［J］.IEEE Trans on Knowledge and Data Engineering，2022，34（5）：2512-2524.

［23］Ye Wenwen，Wang Shuaiqiang，Chen Xu，et al.Time matters：sequential recommendation with complex temporal information［C］//Proc of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval.New York：ACM Press，2020：1459-1468.

［24］Luo Yingtao，Liu Qiang，Liu Zhaocheng，et al.STAN：spatio-temporal attention network for next location recommendation［C］//Proc of Web Conference.New York：ACM Press，2021：2177-2185.

［25］Zhang Lu，Sun Zhu，Wu Ziqing，et al.Next point-of-interest recommendation with inferring multi-step future preferences［C］//Proc of the 31st International Joint Conference on Artificial Intelligence.2022：3751-3757.

［26］Qin Yifang，Wang Yifan，Sun Fang，et al.DisenPOI：disentangling sequential and geographical influence for point-of-interest recommendation［C］//Proc of the 16th ACM International Conference on Web Search and Data Mining.New York：ACM Press，2023：508-516.

［27］Kipf T N，Welling M.Semi-supervised classification with graph convolutional networks［EB/OL］.（2016-09-09）.https：//arxiv.org/abs/1609.02907.

［28］Li Yujia，Tarlow D，Brockschmidt M，et al.Gated graph sequence neural networks［EB/OL］.（2015-11-15）［2024-10-07］.https：//doi.org/10.48550/arXiv.1511.05493.

［29］Yang Dingqi，Zhang Daqing，Zheng V W，et al.Modeling user activity preference by leveraging user spatial temporal characteristics in LBSNs［J］.IEEE Trans on Systems，Man，and Cybernetics：Systems，2015，45（1）：129-142.

［30］Sun Zhu，Lei Yu，Zhang Lu，et al.A multi-channel next POI recommendation framework with multi-granularity check-in signals［J］.ACM Trans on Information Systems，2023，42（1）：15.

［31］Zhou Guorui，Zhu Xiaoqiang，Song Chenru，et al.Deep interest network for click-through rate prediction［C］//Proc of the 24th ACM SIGKDD International Conference on Knowledge Discovery amp; Data Mining.New York：ACM Press，2018：1059-1068.

［32］Zhou Guorui，Mou Na，F(xiàn)an Ying，et al.Deep interest evolution network for click-through rate prediction［C］//Proc of AAAI Conference on Artificial Intelligence.Palo Alto，CA：AAAI Press，2019：5941-5948.

［33］Wang Hao，Shen Huawei，Ouyang Wentao，et al.Exploiting POI-specific geographical influence for point-of-interest recommendation［C］//Proc of the 27th International Joint Conference on Artificial Intelligence.New York：ACM Press，2018：3877-3883.

［34］Sun Ke，Qian Tieyun，Chen Tong，et al.Where to go next：modeling long- and short-term user preferences for point-of-interest recommendation［J］.Proceedings of the AAAI Conference on Artificial Intelligence，2020，34（1）：214-221.

［35］Wang Zhaobo，Zhu Yanmin，Zhang Qiaomei，et al.Graph-enhanced spatial-temporal network for next POI recommendation［J］.ACM Trans on Knowledge Discovery from Data，2022，16（6）：104.

［36］Huang Tianhao，Pan Xuan，Cai Xiangrui，et al.Learning time slot pre-ferences via mobility tree for next POI recommendation［C］//Proc of AAAI Conference on Artificial Intelligence.Palo Alto，CA：AAAI Press，2024：8535-8543.