位置社交网络中融合时空背景的兴趣点推荐研究

作     者：兰鹏翔 

作者单位：重庆理工大学 

学位级别：硕士

导师姓名：张宜浩

授予年度：2023年

学科分类：08[工学] 081203[工学-计算机应用技术] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：推荐系统 兴趣点 位置社交网络 时空信息 长短期行为依赖 

摘      要：下一个兴趣点(POI)推荐对于提升用户生活的丰富性,帮助服务提供商获得更多的经济收益是不可或缺的。下一个兴趣点推荐使用用户在基于位置社交网络上的签到信息以进行推荐。现有的基于深度学习的方法在通过捕获用户的行为依赖来提升推荐模型的性能方面是显而易见的。然而,现有的基于循环神经网络(RNNs)变体的方法缺乏与其上下文的充分交互,同时将POI序列当成一个笔直的串行管道;另一方面,大多数基于注意力的方法关注用户签到序列中的全局的POIs,即使某些注意力的权重很小;针对位置社交网络中POI推荐场景所存在的问题,本文提出了更高效高性能的推荐算法以提升用户体验,本文的研究内容总结如下:(1)针对现有的基于RNNs的方法缺乏与其上下文的充分交互,同时忽略了不同重视的非连续POI对于理解用户行为的重要性。本文提出了一种基于形变LSTM和注意力网络的时空模型(STMLA)。STMLA模型构建并行结构,通过形变LSTM和多头注意力网络处理用户的签到序列,在选择性考虑不同重要程度的非连续因素的同时,可以实现更好的上下文交互。STMLA算法明确地结合时间和空间信息来捕捉用户的长期和短期行为依赖,并结合空间信息构建了地点跳跃算法。(2)针对大多数基于注意力的方法都关注全局POIs序列,即使大多数被赋予的权重很小以及用户签到序列存在用户访问的非主观因素。本文提出了一种基于位置扩展算法和门控深度网络(即ST-PEGD)的新型时空模型,用于下一个POI推荐。具体来说,通过结合时空因素,本文设计了一个门控深度网络生成辅助二进制门来捕获用户的长期行为依赖。此外,在捕获用户的短期行为依赖时,本文使用位置扩展算法使RNNs在进行POI序列跳跃选择时的上下文交互更加充分。(3)针对目标用户的兴趣点序列被输入笔直的串行管道,没有充分考虑目标用户签到轨迹之间相似性的问题,本文在ST-PEGD的基础上进行了改进,提出了ST-PEGDS模型。具体来说,通过多头自注意力机制增强模型选择用户签到序列中有用信息的能力,让二进制门的生成更加准确;通过设计非局部网络计算用户签到轨迹序列之间的相似性,以更好的发挥时间信息对捕捉用户长短期行为依赖的作用。通过在几个真实世界数据集上的大量实验,证明了本文提出的模型在下一个POI推荐任务中具有很好的性能表现。