基于簡(jiǎn)化GCN與注意力機(jī)制的移動(dòng)用戶興趣點(diǎn)推薦模型

摘要：原始圖卷積神經(jīng)網(wǎng)絡(luò)（GCN） 的層次結(jié)構(gòu)較為復(fù)雜，其規(guī)則固定的鄰域聚合難以動(dòng)態(tài)調(diào)整鄰居節(jié)點(diǎn)權(quán)重，導(dǎo)致相關(guān)已有模型在數(shù)據(jù)間高階關(guān)聯(lián)捕獲與長(zhǎng)尾興趣點(diǎn)推薦上的表現(xiàn)不佳。為此，本文提出了一種結(jié)合簡(jiǎn)化GCN與注意力機(jī)制的POI推薦模型（SAGCF） 。首先對(duì)傳統(tǒng)GCN進(jìn)行架構(gòu)剪枝，去除冗余的激活函數(shù)和特征變換操作，使其專(zhuān)注于表示POI的高階連通性。其次，引入注意力機(jī)制自適應(yīng)調(diào)整鄰居節(jié)點(diǎn)權(quán)重，以克服靜態(tài)權(quán)重分配的局限性。實(shí)驗(yàn)結(jié)果表明，SAGCF模型在Foursquare和Yelp兩個(gè)數(shù)據(jù)集上均優(yōu)于同類(lèi)方法，召回率平均提升5.90%，NDCG平均提升15.98%。

關(guān)鍵詞：POI推薦；圖卷積神經(jīng)網(wǎng)絡(luò)；注意力機(jī)制；神經(jīng)協(xié)同過(guò)濾

中圖分類(lèi)號(hào)：TP183" " " 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2025）19-0026-07

開(kāi)放科學(xué)（資源服務(wù)） 標(biāo)識(shí)碼（OSID）

0 引言

隨著互聯(lián)網(wǎng)的發(fā)展和移動(dòng)設(shè)備的普及，移動(dòng)互聯(lián)網(wǎng)與空間信息技術(shù)深度融合，基于位置的社交網(wǎng)絡(luò)（Location-Based Social Network， LBSN） 成為人們?nèi)粘Ｉ钪兄匾囊徊糠諿1]。然而，在享受移動(dòng)設(shè)備和LBSN便捷服務(wù)的同時(shí)，用戶也面臨信息過(guò)載與選擇困難等挑戰(zhàn)[2]。興趣點(diǎn)推薦（POI Recommendation） 系統(tǒng)因此誕生，并逐漸成為各大互聯(lián)網(wǎng)平臺(tái)的重要組成部分。為提高POI推薦效果，近年來(lái)大量研究致力于挖掘用戶與POI之間的潛在交互關(guān)系?？紤]到移動(dòng)社交網(wǎng)絡(luò)的特征可以自然地表示為圖結(jié)構(gòu)，一些研究將圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Network， GNN） 引入到POI推薦任務(wù)中，期望通過(guò)圖學(xué)習(xí)方法更有效地捕捉用戶和POI之間的潛在關(guān)聯(lián)。

這類(lèi)基于圖學(xué)習(xí)的推薦系統(tǒng)主要分為兩類(lèi)[3]：一是利用用戶與POI的交互數(shù)據(jù)（如簽到記錄） 構(gòu)造圖結(jié)構(gòu)，挖掘高階的用戶興趣偏好；二是結(jié)合用戶的社交屬性、地理信息以及時(shí)間上下文等額外數(shù)據(jù)改善推薦效果。許多研究取得了重要進(jìn)展。Chang等[4]提出了一個(gè)基于GNN的POI推薦模型（GPR） ，通過(guò)訓(xùn)練用戶與POI的傳入和傳出影響的地理潛在表示，估計(jì)用戶的個(gè)性化偏好。Zhong等[5]根據(jù)POI之間的地理距離構(gòu)造了一個(gè)空間圖，并利用圖卷積網(wǎng)絡(luò)（Graph Convolutional Network， GCN） 表示POI之間的高階連通性，從而緩解了數(shù)據(jù)稀疏性帶來(lái)的挑戰(zhàn)。

盡管多種圖神經(jīng)網(wǎng)絡(luò)的引入為POI推薦領(lǐng)域提供了新的研究思路，但現(xiàn)有研究多注重使用不同的額外信息對(duì)GCN進(jìn)行輔助增強(qiáng)，反而忽視了對(duì)GCN本身結(jié)構(gòu)對(duì)POI推薦結(jié)果影響的研究。傳統(tǒng)GCN中的某些復(fù)雜操作對(duì)于POI推薦任務(wù)而言并非必要，同時(shí)GCN自身在處理不同鄰居節(jié)點(diǎn)重要性權(quán)重時(shí)仍存在一定的局限性。為進(jìn)一步提升推薦系統(tǒng)性能，本文簡(jiǎn)化了GCN網(wǎng)絡(luò)，使其專(zhuān)注于高效表示用戶與POI的高階聯(lián)系。同時(shí)，用注意力機(jī)制替代原始GCN固定的鄰域聚合規(guī)則，最終提出了一種結(jié)合輕量化GCN與注意力機(jī)制的POI推薦模型（SAGCF） 。

1 相關(guān)理論

1.1 圖卷積神經(jīng)網(wǎng)絡(luò)

圖結(jié)構(gòu)數(shù)據(jù)主要由節(jié)點(diǎn)和邊組成，其中節(jié)點(diǎn)表示對(duì)象，邊表示對(duì)象間的關(guān)系。節(jié)點(diǎn)鄰域聚合是通過(guò)整合目標(biāo)節(jié)點(diǎn)及其關(guān)聯(lián)鄰居的數(shù)據(jù)信息（如統(tǒng)計(jì)值、特征向量） ，實(shí)現(xiàn)對(duì)目標(biāo)潛在信息的挖掘。

近年來(lái)，基于深度學(xué)習(xí)的推薦系統(tǒng)研究受到了廣泛關(guān)注，其中圖卷積神經(jīng)網(wǎng)絡(luò)（Graph Convolutional Network， GCN） 已成為重要的研究方向之一。GCN由Thomas Kipf于2016年在論文 Graph Convolutional Networks 中首次提出[6]，是一種專(zhuān)門(mén)用于處理圖結(jié)構(gòu)數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)。它在節(jié)點(diǎn)特征表示上應(yīng)用卷積操作，可以有效捕獲節(jié)點(diǎn)之間的關(guān)系和結(jié)構(gòu)信息，并通過(guò)聚合節(jié)點(diǎn)鄰居的信息來(lái)更新節(jié)點(diǎn)的特征表示。GCN為多層結(jié)構(gòu)，每一層都對(duì)節(jié)點(diǎn)表示進(jìn)行更新，將鄰居節(jié)點(diǎn)的信息聚合到當(dāng)前節(jié)點(diǎn)。GCN的層間特征更新公式如公式（1） （2） 所示。

[ [H（0）=X] （1） [H（k+1）=σ（D-12AD-12H（k）W（k））] （2） ]

式中：X表示圖的節(jié)點(diǎn)特征矩陣，每個(gè)節(jié)點(diǎn)都有一個(gè)特征向量，特征矩陣收集了所有節(jié)點(diǎn)的特征；H（k）是更新到第k層的節(jié)點(diǎn)特征矩陣，H（0）為第0層，即輸入層；[A]是加上自環(huán)的鄰接矩陣，即特征矩陣X的鄰接矩陣A加一個(gè)單位矩陣；[D]是[A]的度矩陣；W（k）表示第k層的權(quán)重矩陣；[σ]代表激活函數(shù)，在每一層之后應(yīng)用非線性激活函數(shù)。

GCN在節(jié)點(diǎn)分類(lèi)、鏈接預(yù)測(cè)、圖分類(lèi)、推薦系統(tǒng)等多種場(chǎng)景中均表現(xiàn)出良好的特征提取能力。

1.2 注意力機(jī)制

注意力機(jī)制是一種在深度學(xué)習(xí)中廣泛應(yīng)用的技術(shù)，其模擬了人類(lèi)在處理信息時(shí)的關(guān)注和集中注意力的過(guò)程，旨在從眾多信息中選擇出對(duì)當(dāng)前任務(wù)目標(biāo)更關(guān)鍵的信息[7]。Mnih等[8]首次提出了注意力機(jī)制的概念，通過(guò)計(jì)算輸入數(shù)據(jù)的權(quán)重，突出某些關(guān)鍵信息的影響。其核心數(shù)學(xué)表達(dá)如公式（3） 所示：

[ [AttentionQ，K，V=softmaxQKTdV] （3） ]

式中：Q、K、V分別為查詢向量、鍵向量和值向量。在本研究中，Q、K、V可由用戶與POI的特征表示經(jīng)過(guò)線性變換得到；d為縮放因子，通常取為鍵向量K的長(zhǎng)度，用于平衡點(diǎn)積操作的數(shù)值穩(wěn)定性；T表示矩陣轉(zhuǎn)置；softmax函數(shù)對(duì)相關(guān)性權(quán)重進(jìn)行歸一化，得到注意力權(quán)重矩陣。

注意力機(jī)制在推薦領(lǐng)域中普遍用于改進(jìn)推薦算法的效果和個(gè)性化能力。

1.3 神經(jīng)協(xié)同過(guò)濾

與傳統(tǒng)協(xié)同過(guò)濾模型不同，神經(jīng)協(xié)同過(guò)濾是一種基于神經(jīng)網(wǎng)絡(luò)的方法，其以神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)替代內(nèi)積，可以從數(shù)據(jù)中學(xué)習(xí)任意交互函數(shù)，突破內(nèi)積帶來(lái)的限制。它通過(guò)學(xué)習(xí)用戶和項(xiàng)目之間的隱式反饋數(shù)據(jù)，建立一個(gè)通用框架以模擬用戶和項(xiàng)目之間的交互關(guān)系，如圖1所示。該框架包括輸入層、嵌入層、神經(jīng)協(xié)同過(guò)濾層和預(yù)測(cè)層，每一層的輸出都作為下一層的輸入。使用高維稀疏向量表示用戶和項(xiàng)目的輸入，經(jīng)嵌入層映射為低維稠密向量，然后將這些向量拼接送入神經(jīng)協(xié)同過(guò)濾層進(jìn)行非線性計(jì)算，最后通過(guò)預(yù)測(cè)層訓(xùn)練模型并得到預(yù)測(cè)結(jié)果。通過(guò)對(duì)神經(jīng)協(xié)同過(guò)濾層進(jìn)行定制，能夠?qū)W習(xí)到用戶和項(xiàng)目之間特定的交互關(guān)系。

神經(jīng)協(xié)同過(guò)濾框架的預(yù)測(cè)模型如公式（4） 所示：

[ [yui=f（PTvuU，QTviI|P，Q，θf(wàn)）] （4） ]

式中：P為用戶的潛在特征矩陣；Q為項(xiàng)目的潛在特征矩陣；[vu]，[vi]分別為用戶和項(xiàng)目的獨(dú)熱編碼向量；f為多層神經(jīng)網(wǎng)絡(luò)函數(shù)，通過(guò)多層非線性變換逐步提取用戶和物品之間的特征交互；[θf(wàn)]為函數(shù)f的模型參數(shù)。

本文的用戶與POI交互數(shù)據(jù)可輕松轉(zhuǎn)化為用戶-POI的二部圖數(shù)據(jù)結(jié)構(gòu)，適合使用GCN進(jìn)行協(xié)同過(guò)濾。

2 SAGCF推薦模型

推薦系統(tǒng)的核心任務(wù)是基于用戶-物品的交互數(shù)據(jù)，學(xué)習(xí)節(jié)點(diǎn)（用戶和物品） 的嵌入表示，從而預(yù)測(cè)用戶的潛在興趣。因此，本文提出了基于GCN與Attention機(jī)制的推薦模型（SAGCF） 。針對(duì)傳統(tǒng)GCN設(shè)計(jì)中對(duì)協(xié)同過(guò)濾任務(wù)性能貢獻(xiàn)較小的特征變換和非線性激活部分，本文進(jìn)行了簡(jiǎn)化，去除這些部分以構(gòu)建輕量化的GCN網(wǎng)絡(luò)，專(zhuān)注于表示POI（Point of Interest） 之間的高階連通性[9]，并對(duì)數(shù)據(jù)集進(jìn)行特征提取，從而捕捉數(shù)據(jù)中的潛在特征。

另一方面，傳統(tǒng)GCN在應(yīng)用于POI推薦領(lǐng)域時(shí)，節(jié)點(diǎn)特征的聚合方式基于鄰接矩陣的歸一化操作，即每個(gè)節(jié)點(diǎn)通過(guò)對(duì)鄰居節(jié)點(diǎn)的特征加權(quán)求和后進(jìn)行更新。這種固定規(guī)則的更新方式無(wú)法動(dòng)態(tài)調(diào)整不同鄰居節(jié)點(diǎn)的重要性，難以為不同鄰居賦予差異化的權(quán)重，使得模型的表達(dá)能力受限。本文在SAGCF模型中引入了注意力機(jī)制，通過(guò)學(xué)習(xí)自適應(yīng)的注意力系數(shù)，動(dòng)態(tài)調(diào)整用戶與POI之間的關(guān)聯(lián)權(quán)重。該機(jī)制不僅增強(qiáng)了模型對(duì)用戶與POI關(guān)系的刻畫(huà)能力，還能夠更好地捕捉用戶對(duì)不同POI的個(gè)性化偏好，以提升推薦效果。

SAGCF模型總體結(jié)構(gòu)如圖2所示。

2.1 問(wèn)題定義

POI推薦是通過(guò)對(duì)用戶與POI間的歷史交互記錄進(jìn)行分析以獲取用戶偏好，從而為目標(biāo)用戶推薦可能感興趣的新地點(diǎn)。對(duì)于移動(dòng)用戶，其特征天然適合用圖結(jié)構(gòu)表示，本文將POI與用戶間的交互行為構(gòu)成交互二部圖的形式。在二部圖中，一部分為用戶節(jié)點(diǎn)，另一部分為POI節(jié)點(diǎn)，邊表示用戶與POI的交互記錄。設(shè)User集合為U={ u1， u2，...， un }，POI集合為P={p1， p2，...， pm}。記錄User和POI交互的數(shù)據(jù)集合為I={ （ ui， pj） }，i∈[1， n]，j∈[1， m]。具體結(jié)構(gòu)如圖3所示。

成功將數(shù)據(jù)構(gòu)建為二部圖形式后，即可獲取該圖結(jié)構(gòu)的鄰接矩陣R，作為模型的輸入。二元矩陣R用于描述用戶與POI之間的互動(dòng)關(guān)系，這種顯性關(guān)聯(lián)數(shù)據(jù)具有直接可追蹤性。具體而言，當(dāng)用戶ui在地點(diǎn)pj有訪問(wèn)記錄時(shí)，矩陣元素r{i，j}賦值為1，反之則為0。興趣點(diǎn)推薦的核心目標(biāo)，就是利用現(xiàn)有交互矩陣R進(jìn)行建模分析，預(yù)測(cè)用戶對(duì)未訪問(wèn)地點(diǎn)的潛在偏好。當(dāng)特定用戶ui尚未訪問(wèn)某些候選POI集合時(shí)，可通過(guò)算法計(jì)算對(duì)這些候選地點(diǎn)的預(yù)測(cè)評(píng)分（如公式5所示） ，最終根據(jù)計(jì)算得到的預(yù)測(cè)結(jié)果進(jìn)行降序排序，生成最終推薦結(jié)果Lu={p1，p2，…，pK}（如公式6所示） 。

[ [Ri，j=SAGCFui，pj] （5） [Lu={P|sorted by Ri，j， K}] （6） ]

式中：[Ri，j]表示更新后用戶ui對(duì)POI的預(yù)測(cè)評(píng)分，SAGCF為本文提出的POI推薦算法模型，K指代推薦結(jié)果列表中的POI個(gè)數(shù)，Lu表示為用戶u最終生成的個(gè)性化推薦列表。

2.2 注意力系數(shù)求解模塊

傳統(tǒng)圖卷積網(wǎng)絡(luò)（GCN） 采用固定規(guī)則進(jìn)行鄰域聚合（如拉普拉斯歸一化） ，無(wú)法區(qū)分不同POI對(duì)用戶偏好的差異化影響，導(dǎo)致對(duì)長(zhǎng)尾興趣點(diǎn)的推薦效果欠佳。為解決這一問(wèn)題，本文在模型中引入注意力機(jī)制，通過(guò)自適應(yīng)地為不同節(jié)點(diǎn)間的關(guān)系分配權(quán)重，從而更好地強(qiáng)化用戶差異化興趣的學(xué)習(xí)。

如圖3所示，原始交互數(shù)據(jù)轉(zhuǎn)化為圖結(jié)構(gòu)并得到二元矩陣R后，下一步即為節(jié)點(diǎn)間注意力系數(shù)的計(jì)算。具體而言，從單個(gè)圖注意力層（Graph Attention Layer， GAL） 出發(fā)，設(shè)輸入為一組節(jié)點(diǎn)特征矩陣[h=h1，h2，...，hn，hi∈RF]，其中[hi]表示第i個(gè)節(jié)點(diǎn)的特征向量，n為節(jié)點(diǎn)總數(shù)，F(xiàn)為每個(gè)節(jié)點(diǎn)特征的維度。

首先，對(duì)原始節(jié)點(diǎn)特征[hi]進(jìn)行線性投影以增強(qiáng)特征表達(dá)能力，隨后利用投影后的節(jié)點(diǎn)特征計(jì)算未歸一化的節(jié)點(diǎn)間注意力得分。具體過(guò)程如公式（7） 所示：

[βij=aWhi，Whj] （7）

式中：[hi]和[hj]分別表示節(jié)點(diǎn)i與節(jié)點(diǎn)j的特征向量，W表示對(duì)節(jié)點(diǎn)特征的線性投影操作，a函數(shù)用于將拼接后的高維特征映射到實(shí)數(shù)上，從而得到未歸一化注意力系數(shù)[βij]。

為避免高度數(shù)節(jié)點(diǎn)權(quán)重被嚴(yán)重稀釋而導(dǎo)致結(jié)果偏差，需要對(duì)注意力系數(shù)進(jìn)行歸一化處理，以合理壓縮高度數(shù)節(jié)點(diǎn)的權(quán)重，使模型專(zhuān)注于節(jié)點(diǎn)間的相對(duì)重要性。如公式（8） 所示，最終得到注意力系數(shù)矩陣[αij]。

[ [αij=Softmax（βij）] （8） ]

生成的注意力系數(shù)矩陣[αij]將用于2.3節(jié)的鄰域聚合與特征更新，最終服務(wù)于2.4節(jié)的推薦列表生成。

2.3 特征更新與聚合模塊

2.3.1 特征更新

在獲取到節(jié)點(diǎn)間的注意力系數(shù)矩陣后，模型進(jìn)入特征更新階段。在POI推薦場(chǎng)景下，傳統(tǒng)GCN中復(fù)雜的非線性激活和特征變換操作顯著增加了模型參數(shù)量，但對(duì)其捕獲用戶-POI高階關(guān)聯(lián)能力的提升有限。因此，對(duì)原有GCN進(jìn)行了基于任務(wù)驅(qū)動(dòng)的圖卷積架構(gòu)剪枝操作，移除特征更新過(guò)程中的非線性激活與特征變換部分，僅保留鄰域傳播核心功能的輕量架構(gòu)，在降低復(fù)雜度的同時(shí)增強(qiáng)對(duì)稀疏簽到數(shù)據(jù)的適應(yīng)性。

同時(shí)，如2.2節(jié)所述，為增強(qiáng)模型在區(qū)分不同POI對(duì)用戶偏好的差異化影響方面的能力，突破傳統(tǒng)鄰域聚合中固定權(quán)重分配的局限性，對(duì)于特征更新公式，使用注意力系數(shù)矩陣替換原本GCN中基于固定規(guī)則（如拉普拉斯矩陣僅依賴節(jié)點(diǎn)度數(shù)進(jìn)行靜態(tài)歸一化） 的鄰域聚合操作，如公式（9） 所示，對(duì)節(jié)點(diǎn)特征進(jìn)行更新。

[ [H（k+1）=αijH（k）] （9） ]

式中：H（k）為更新到第k層的節(jié)點(diǎn)特征矩陣，H（k+1）表示第k+1層的節(jié)點(diǎn)特征矩陣，[αij]為上一步求得的節(jié)點(diǎn)間注意力系數(shù)矩陣。

2.3.2 特征聚合

在經(jīng)過(guò)多層的特征更新，獲得多個(gè)更新后的特征矩陣后，為了充分融合不同階次的圖結(jié)構(gòu)信息，本模型需對(duì)多層更新后的節(jié)點(diǎn)特征進(jìn)行聚合操作，將聚合結(jié)果作為最終特征表達(dá)。傳統(tǒng)圖卷積網(wǎng)絡(luò)（GCN） 通常通過(guò)顯式添加自連接（Self-Loop） 來(lái)保留節(jié)點(diǎn)自身特征，但這種設(shè)計(jì)隨著網(wǎng)絡(luò)層數(shù)的增加，節(jié)點(diǎn)特征容易因重復(fù)疊加而產(chǎn)生過(guò)平滑現(xiàn)象。本文采用層組合操作，代替現(xiàn)有圖卷積操作中對(duì)目標(biāo)節(jié)點(diǎn)本身的整合操作，即不專(zhuān)門(mén)處理自連接，通過(guò)層組合捕捉與自連接相同的效果。

在模型中，用戶初始輸入第0層的用戶特征與POI特征，然后通過(guò)公式（10） 進(jìn)行特征更新，獲得更高層的特征。層組合操作是在完成K層特征更新后，進(jìn)一步將每一層更新后獲得的特征組合起來(lái)，從而形成用戶與POI特征的最終表示。通過(guò)層組合，模型能夠在保留多階關(guān)系信息的同時(shí)，緩解過(guò)平滑問(wèn)題。具體操作如公式（10） 所示：

[ [Hfinal=k=0KakH（k）] （10） ]

式中：H（k）表示第k層經(jīng)過(guò)特征更新后的節(jié)點(diǎn)特征矩陣，ak是第k層嵌入的權(quán)重，取a=1/（k+1）。[Hfinal]為最終特征表示。

2.4 候選POI排序與推薦生成

推薦列表生成如圖4所示，在得到用戶特征矩陣eu與POI特征矩陣ep后，將兩個(gè)矩陣相乘，得到用戶-POI交互偏好分?jǐn)?shù)矩陣。然后根據(jù)偏好分?jǐn)?shù)對(duì)POI進(jìn)行排序，取前K個(gè)POI，得出最終的POI推薦列表Top-K。如公式（11） （12） 所示，其核心在于通過(guò)用戶特征與 POI 特征矩陣的內(nèi)積，計(jì)算每個(gè)用戶對(duì)每個(gè)POI的偏好分?jǐn)?shù)，從而量化用戶對(duì)POI的興趣強(qiáng)度。在得到偏好得分矩陣后，對(duì)每個(gè)用戶的得分結(jié)果按降序排序，并提取分?jǐn)?shù)最高的K個(gè)POI，作為最終的推薦結(jié)果。最終輸出的推薦列表形式為L(zhǎng)u={p1，p2，…，pK}，分?jǐn)?shù)最高的p1表示用戶最感興趣的POI，依次類(lèi)推。

[[Ru，p=euTep] （11） [Lu=P|sorted byRu，p，K] （12） ]

式中：[Ru，p]表示用戶u對(duì)興趣點(diǎn)p的推薦排名分?jǐn)?shù)；[eu]、[eu]分別表示用戶與POI的特征矩陣；T表示矩陣轉(zhuǎn)置操作。K指代推薦結(jié)果列表中的POI個(gè)數(shù)，Lu表示最終生成的個(gè)性化推薦列表。

2.5 損失函數(shù)

本實(shí)驗(yàn)采用貝葉斯個(gè)性化排名（Bayesian Personalized Ranking，BPR） 損失函數(shù)，即一種用于向用戶推薦個(gè)性化偏好的損失函數(shù)，由 Steffen Rendle 等人[10]為解決對(duì)隱式反饋數(shù)據(jù)進(jìn)行推薦的問(wèn)題而最先提出。相比于評(píng)分、評(píng)論等明確表達(dá)用戶喜好的顯性交互記錄，停留時(shí)間、簽到次數(shù)等隱式反饋數(shù)據(jù)也可以間接反映用戶興趣。

BPR的核心理念為：對(duì)于給定用戶以及兩個(gè)物品，模型需確保用戶偏好物品排在不偏好物品之前。這與本實(shí)驗(yàn)最終給出前K個(gè)POI推薦排序列表的結(jié)果相一致。BPR損失函數(shù)不直接預(yù)測(cè)用戶對(duì)POI的偏好數(shù)值，而是基于用戶的歷史交互數(shù)據(jù)，將正負(fù)樣本間的分?jǐn)?shù)差距最大化，這與本文引入注意力機(jī)制的目標(biāo)一致。注意力系數(shù)的學(xué)習(xí)直接影響用戶-POI評(píng)分的計(jì)算結(jié)果，因此BPR損失能夠間接優(yōu)化注意力機(jī)制的學(xué)習(xí)效果。BPR損失的數(shù)學(xué)表達(dá)式如式（13） 所示：

[ [LBPR=-（u，i，j）∈Dlnσ（yu，i-yu，j）+λΘ2] （13） ]

式中：Θ = {E（0）}，即第0層的特征嵌入；λ用于控制L2正則化的強(qiáng)度；[σ]為sigmoid函數(shù)。

3 實(shí)驗(yàn)設(shè)計(jì)與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)集

本實(shí)驗(yàn)選用的研究數(shù)據(jù)集為公開(kāi)數(shù)據(jù)集 FourSquare 和 Yelp。FourSquare[11]是一個(gè)全球范圍的基于位置的社交網(wǎng)絡(luò)服務(wù)平臺(tái)，用戶可以通過(guò)簽到記錄自己的地理位置信息。Yelp 是一家知名的本地商戶信息與評(píng)價(jià)平臺(tái)，用戶可以對(duì)商戶進(jìn)行評(píng)論、評(píng)分，并分享相關(guān)照片。其數(shù)據(jù)包含商戶屬性、用戶評(píng)論、評(píng)分等多維度信息。

如表 1 所示，F(xiàn)oursquare數(shù)據(jù)集的簽到頻次較高，商戶偏休閑場(chǎng)景；Yelp簽到頻次較低，商戶范圍較廣，以消費(fèi)點(diǎn)評(píng)為主。本文對(duì)兩個(gè)公開(kāi)數(shù)據(jù)集進(jìn)行去重、缺失補(bǔ)充，然后去除簽到次數(shù)小于10次的POI，最后將ID字段進(jìn)行順序化映射處理，以保證后續(xù)實(shí)驗(yàn)的可靠性。

3.2 評(píng)價(jià)指標(biāo)

為驗(yàn)證實(shí)驗(yàn)結(jié)果的有效性，本文構(gòu)建了包含召回率（Recall） 、精準(zhǔn)率（Precision） 、F1 值和歸一化折損累計(jì)增益（NDCG） 的多維度評(píng)估體系。精準(zhǔn)率量化推薦結(jié)果中正確項(xiàng)目的占比，體現(xiàn)內(nèi)容篩選的準(zhǔn)確程度；召回率反映了算法對(duì)用戶潛在興趣的覆蓋廣度以及表征信息捕捉的全面性，二者形成查準(zhǔn)與查全的互補(bǔ)關(guān)系。F1 值是 Precision 和 Recall 的調(diào)和平均。相關(guān)計(jì)算公式如 （14） （15） （16） 所示：

[ [Recall=u∈U|L（u）∩T（u）|T（u）] （14） [Precision=u∈UL（u）∩T（u）L（u）] （15） [F1=Precision×Recall×2Precision+Reacll] （16） ]

式中：U表示數(shù)據(jù)集中的用戶集合；L（u）表示系統(tǒng)生成的推薦列表中的興趣點(diǎn)集合；T（u）表示用戶的實(shí)際興趣點(diǎn)集合。

NDCG則通過(guò)位置加權(quán)策略評(píng)估排序質(zhì)量，重點(diǎn)考察高價(jià)值內(nèi)容在推薦列表中的優(yōu)先呈現(xiàn)程度。計(jì)算過(guò)程公式如公式（17） 所示：

[ [DCGk=i=1k2reli-1log2（i+1）] [IDCGk=i=1k1log2（i+1）] （17） [NDCGK=DCGKIDCGK] ]

式中：[reli]指用戶對(duì)第i個(gè)被推薦POI的傾向性，用戶選擇了該P(yáng)OI時(shí)，reli值為1，反之為0；[DCGK]反映了模型預(yù)測(cè)排序結(jié)果的得分，其值越接近理想完美狀態(tài)下的排序結(jié)果分?jǐn)?shù)（[IDCGk]） ，推薦結(jié)果列表的效果越好。

四個(gè)指標(biāo)分別從結(jié)果精確性（Precision） 、興趣覆蓋度（Recall） 、決策均衡性（F1） 及序列優(yōu)化度（NDCG） 四個(gè)互補(bǔ)維度完成系統(tǒng)性評(píng)測(cè)。

3.3 實(shí)驗(yàn)設(shè)置與對(duì)比模型選取

本實(shí)驗(yàn)采用POI推薦相關(guān)論文中常用的數(shù)據(jù)劃分策略，針對(duì)每個(gè)用戶的簽到記錄，以隨機(jī)抽樣方式保留 70% 的歷史行為數(shù)據(jù)作為模型訓(xùn)練集，30% 的數(shù)據(jù)作為測(cè)試集，以構(gòu)建訓(xùn)練集與測(cè)試集完全分離的驗(yàn)證環(huán)境。使用Adam作為優(yōu)化器進(jìn)行參數(shù)更新，Dropout設(shè)為0.02，應(yīng)用于特征更新層。

為評(píng)估本文的SAGCF模型，實(shí)驗(yàn)選取以下模型作為對(duì)比：

GNN-POI[12]：基于GNN的POI推薦框架，綜合社交關(guān)系和訪問(wèn)記錄學(xué)習(xí)用戶偏好表示，利用Bi-LSTM模型建模用戶的簽到序列行為，結(jié)合地理和時(shí)間特性。

NGCF[13]：基于圖神經(jīng)網(wǎng)絡(luò)的協(xié)同過(guò)濾模型，通過(guò)圖結(jié)構(gòu)數(shù)據(jù)建模用戶和物品之間的交互關(guān)系，引入非線性激活函數(shù)和嵌入特征的逐層聚合，能夠有效學(xué)習(xí)用戶和物品的潛在表示。

FG-CF[14]：一種融合社交信息的圖協(xié)同過(guò)濾模型，創(chuàng)新性地設(shè)計(jì)了一種消息聚合機(jī)制，結(jié)合節(jié)點(diǎn)自身、鄰居和社交三種嵌入，捕捉用戶與 POI 的上下文信息。

Distance2Pre：一種基于距離度量的推薦算法，構(gòu)建用戶-物品交互矩陣，并通過(guò)距離度量方法計(jì)算用戶與物品之間的相似性，進(jìn)而預(yù)測(cè)用戶偏好[15]。

GRMF：一種基于圖正則化的矩陣分解算法。通過(guò)引入圖正則化項(xiàng)，捕捉用戶和物品之間的潛在關(guān)系[16]。

3.4 實(shí)驗(yàn)結(jié)果與分析

在實(shí)驗(yàn)的特征更新與聚合階段，Layer值的選擇直接影響模型的特征表達(dá)能力。隨著模型Layer的增加，盡管能夠提取更高階的特征交互，但可能導(dǎo)致訓(xùn)練數(shù)據(jù)過(guò)度擬合及反向傳播過(guò)程中梯度衰減，因此需要通過(guò)實(shí)驗(yàn)進(jìn)行合理選擇。本實(shí)驗(yàn)基于Foursquare與Yelp兩個(gè)數(shù)據(jù)集測(cè)試了不同層數(shù)卷積對(duì)Recall和NDCG 兩個(gè)重要指標(biāo)的影響，實(shí)驗(yàn)結(jié)果如圖5所示。

從圖5中可以看出，無(wú)論是Foursquare數(shù)據(jù)集還是Yelp數(shù)據(jù)集，Recall和NDCG 隨著卷積Layer值的增加，其變化趨勢(shì)具有一致性：在Layer由1增加到2時(shí)，Recall和NDCG的值總體上均呈遞增趨勢(shì)，而當(dāng)Layer超過(guò)4層后，指標(biāo)值明顯開(kāi)始下降。因此，本實(shí)驗(yàn)將模型的Layer值設(shè)定為 4。

最終，在Foursquare和Yelp數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)后，將結(jié)果與本文選取的五個(gè)基線模型進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果如圖 6、圖 7 所示。

通過(guò)圖6和圖7可以看出，SAGCF模型在兩個(gè)數(shù)據(jù)集上的各項(xiàng)指標(biāo)表現(xiàn)均為最優(yōu)。將模型GNN-POI與NGCF進(jìn)行對(duì)比，可以發(fā)現(xiàn)，由于GCN在原始GNN的基礎(chǔ)上加入了目標(biāo)節(jié)點(diǎn)自身的特征信息，因此在POI推薦任務(wù)中，GCN相較于GNN能夠更準(zhǔn)確地表達(dá)鄰居節(jié)點(diǎn)的特征信息。進(jìn)一步對(duì)比SAGCF與其余三個(gè)模型，SAGCF在兩個(gè)數(shù)據(jù)集上召回率平均提升5.90%，NDCG平均提升15.98%，說(shuō)明去除傳統(tǒng)GCN中對(duì)協(xié)同過(guò)濾性能影響較小的特征變換和非線性激活部分，并引入注意力系數(shù)取代原有的特征更新過(guò)濾器，可以顯著提升推薦效果。這表明SAGCF模型在特征處理和交互建模方面更具優(yōu)勢(shì)。

4 總結(jié)與展望

本文提出了一種基于簡(jiǎn)化GCN與注意力機(jī)制的移動(dòng)用戶興趣點(diǎn)推薦模型（SAGCF） 。首先，針對(duì)傳統(tǒng)GCN在協(xié)同過(guò)濾任務(wù)中對(duì)性能貢獻(xiàn)較小的特征變換和非線性激活部分，進(jìn)行任務(wù)驅(qū)動(dòng)的架構(gòu)剪枝，以更高效地表示POI之間的高階連通性。然后，對(duì)于傳統(tǒng)GCN無(wú)法動(dòng)態(tài)調(diào)整鄰居節(jié)點(diǎn)權(quán)重的問(wèn)題，使用注意力機(jī)制代替原有的規(guī)則固定的鄰域聚合操作，自適應(yīng)地學(xué)習(xí)用戶與POI之間的關(guān)聯(lián)權(quán)重，增強(qiáng)模型對(duì)用戶偏好的刻畫(huà)能力。實(shí)驗(yàn)表明，SAGCF模型能夠在一定程度上有效緩解用戶簽到數(shù)據(jù)稀疏性問(wèn)題，實(shí)現(xiàn)了更優(yōu)秀的推薦性能，為POI推薦任務(wù)提供了新的解決方案。

模型SAGCF對(duì)POI推薦中的場(chǎng)景信息考慮不足，未來(lái)研究可從多維度進(jìn)行進(jìn)一步探討。首先，可以融合時(shí)空軌跡、社交關(guān)系及POI多模態(tài)信息，構(gòu)建全域用戶興趣表征；或集成知識(shí)圖譜與因果推理來(lái)增強(qiáng)模型可解釋性，生成可信的推薦依據(jù)；還可以探索跨場(chǎng)景遷移學(xué)習(xí)策略，以及進(jìn)行城市級(jí)大規(guī)模POI數(shù)據(jù)場(chǎng)景下的推薦技術(shù)研究，與實(shí)際的工業(yè)應(yīng)用落地相結(jié)合。這些方向的深入研究有望推動(dòng)POI推薦系統(tǒng)在精度、健壯性及實(shí)用性上的進(jìn)步。

參考文獻(xiàn)：

[1] BARAL R，ZHU X L，IYENGAR S S，et al.ReEL：review aware explanation of location recommendation[C]//Proceedings of the 26th Conference on User Modeling，Adaptation and Personalization.Singapore Singapore.ACM，2018：23-32.

[2] LOGESH R，SUBRAMANIYASWAMY V，VIJAYAKUMAR V，et al.Efficient user profiling based intelligent travel recommender system for individual and group of users[J].Mobile Networks and Applications，2019，24（3）：1018-1033.

[3] 程忠，鐘濤，張帥.基于圖學(xué)習(xí)的推薦系統(tǒng)研究綜述[J].計(jì)算機(jī)科學(xué)，2022，49（9）： 1-13.

[4] CHANG B R，JANG G，KIM S，et al.Learning graph-based geographical latent representation for point-of-interest recommendation[C]//Proceedings of the 29th ACM International Conference on Information amp; Knowledge Management.Virtual Event Ireland.ACM，2020：135-144.

[5] ZHONG T，ZHANG S M，ZHOU F，et al.Hybrid graph convolutional networks with multi-head attention for location recommendation[J].World Wide Web，2020，23（6）：3125-3151.

[6] KIPF T N，WELLING M.Semi-supervised classification with graph convolutional networks[EB/OL].2016：1609.02907. https：//arxiv.org/abs/1609.02907v4.

[7] CHEN J Y，ZHANG H W，HE X N，et al.Attentive collaborative filtering：multimedia recommendation with item- and component-level attention[C]//Proceedings of the 40th International ACM SIGIR Conference on Research and Development in Information Retrieval.Shinjuku Tokyo Japan.ACM，2017：335-344.

[8] MNIH V， HEESS N， GRAVES A， et al. Recurrent models of visual attention[J]. Advances in Neural Information Processing Systems， 2014（27）： 2204-2212.

[9] HE X N，DENG K，WANG X，et al.LightGCN：simplifying and powering graph convolution network for recommendation[C]//Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval.Virtual Event China.ACM，2020：639-648.

[10] RENDLE S，F(xiàn)REUDENTHALER C，GANTNER Z，et al.BPR：Bayesian personalized ranking from implicit feedback[EB/OL].2012：1205.2618. https：//arxiv.org/abs/1205.2618v1.

[11] YANG D Q，QU B Q，YANG J，et al.Revisiting user mobility and social relationships in LBSNs：a hypergraph embedding approach[C]//The World Wide Web Conference.San Francisco CA USA.ACM，2019：2147-2157.

[12] ZHANG J Y，LIU X，ZHOU X F，et al.Leveraging graph neural networks for point-of-interest recommendations[J].Neurocomputing，2021，462：1-13.

[13] WANG X，HE X N，WANG M，et al.Neural graph collaborative filtering[C]//Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval.Paris France.ACM，2019：165-174.

[14] CAI Z，YUAN G，QIAO S J，et al.FG-CF：Friends-aware graph collaborative filtering for POI recommendation[J].Neurocomputing，2022，488：107-119.

[15] CUI Q，TANG Y Y，WU S，et al.Distance2Pre：personalized spatial preference for next point-of-interest prediction[M]//Advances in Knowledge Discovery and Data Mining.Cham：Springer International Publishing，2019：289-301.

[16] CUI Z，GAO Y L，LIU J X，et al.L2，1-GRMF：an improved graph regularized matrix factorization method to predict drug-target interactions[J].BMC Bioinformatics，2019，20（8）：287.

【通聯(lián)編輯：唐一東】