Improving Rating and Relevance with Point-of-Interest Recommender System
Ryerson University(瑞尔森大学)
兴趣点推荐在基于位置的社交网络中是必不可少的。它使用户和位置更容易共享信息。最近,研究人员倾向于推荐POI,将它们视为需要大量表示查询项相关性的训练数据的大规模检索系统。然而,在检索系统中收集用户反馈是一项昂贵的任务。现有的POI推荐系统仅基于用户和项目(位置)交互进行推荐。然而,有许多反馈来源需要考虑。例如,当用户访问POI时,POI是关于什么的等等。在开发POI推荐器时,集成所有这些不同类型的反馈是必不可少的。在本文中,我们提出使用用户和项目信息和辅助信息,以改善检索系统中的推荐模型。我们开发了一个深层的神经网络架构,在协作和内容信息的存在下对查询项相关性进行建模。我们还提高了质量的学习表示的查询和项目,包括上下文信息的用户反馈数据。将这些学习到的表示应用于大规模数据集导致了显着的改进。
2022-02-17 cs.IR cs.LG
Relation Embedding for Personalised POI Recommendation
RMIT University(皇家墨尔本理工大学);Data61/CSIRO(澳大利亚联邦科学与工业研究组织 Data61);Australian National University(澳大利亚国立大学)
兴趣点(POI)推荐是帮助人们发现感兴趣的场所或服务的最重要的基于位置的服务之一。然而,极端的用户兴趣点矩阵稀疏性和不断变化的时空上下文对兴趣点系统提出了挑战,这影响了兴趣点推荐的质量。为此,我们提出了一个基于推理的关系嵌入POI推荐。该方法利用知识图谱嵌入技术,在低维关系空间中有效地编码时间和地理信息以及语义内容。为了进一步缓解用户兴趣点矩阵稀疏性的问题,在用户兴趣点图上构建组合矩阵分解框架,以通过利用边信息来增强动态个人兴趣的推断。两个真实世界的数据集上的实验证明了我们提出的模型的有效性。
2020-02-19 cs.DB cs.IR cs.LG
Detecting Fake Points of Interest from Location Data
Ryerson University(瑞尔森大学)
全球定位系统移动设备的普及和基于位置的服务的广泛使用导致产生了大量的地理标记数据。最近,数据分析现在可以访问更多的来源,包括评论,新闻和图像,这也引发了对兴趣点(POI)数据源可靠性的质疑。虽然以前的研究试图通过各种安全机制来检测虚假POI数据,但目前的工作试图以更简单的方式捕获虚假POI数据。建议的工作集中在监督学习方法和他们的能力,发现隐藏的模式,基于位置的数据。地面真实标签是通过真实世界的数据获得的,而假数据是使用API生成的,因此我们得到了一个在位置数据上同时具有真实和假标签的数据集。目标是使用多层感知器(MLP)方法预测POI的真实性。在所提出的工作中,基于数据分类技术的MLP被用来准确地分类位置数据。将所提出的方法与传统的分类和鲁棒的最近的深度神经方法进行了比较。实验结果表明,该方法优于基准方法。
2021-11-11 cs.AI cs.LG
Identifying Points of Interest and Similar Individuals from Raw GPS Data
INESC TEC;University of Porto(波尔图大学)
智能手机和便携式设备已经变得无处不在,成为每个人生活的一部分。由于其便携性,这些设备非常适合记录个人的痕迹和生活日志,以低成本产生大量数据。这些数据正在成为一个新的来源,在人类流动模式的研究,提高了研究项目和技术的数量,旨在分析和检索有用的信息it.The本文的目的是探索GPS原始数据从不同的个人在一个社区和应用数据采掘算法,以确定有意义的地方在一个区域,并描述用户的配置文件及其相似性。我们评估所提出的方法与现实世界的数据集。实验结果表明,该方法在兴趣点识别和用户相似度分析方面取得了较好的效果,可作为城市规划和社交网络的补充。
2019-04-19 cs.LG stat.ML
Mining Points of Interest via Address Embeddings: An Unsupervised Approach
Bundl Technologies (Swiggy);University of Maryland(马里兰大学)
数字地图通常在全球范围内用于探索用户感兴趣的地方,通常称为兴趣点(POI)。在在线食品配送平台中,PoIs可以代表客户可以从医院、住宅区、办公区、教育机构和旅馆订购的任何主要私人化合物。在这项工作中,我们提出了一个端到端的无监督的系统设计,从地址位置和地址文本获得多边形表示的POI(POI多边形)。我们使用本地名称预处理地址文本,并使用基于深度学习的架构(即RoBERTa)为地址文本生成嵌入,该架构在我们的内部地址数据集上进行了训练。通过联合聚类匿名客户电话GPS位置(在地址载入期间获得)和地址文本的嵌入来识别POI候选。使用新颖的后处理步骤从这些POI候选者获得POI多边形的最终列表。该算法识别的PoI比使用在我们内部数据集上运行的Mummidi-Krumm基线算法获得的PoI多74.8%。所提出的算法实现了98%的中位数区域精度,中位数区域召回率为8%,中位数F分数为0.15。为了提高算法多边形的召回率,我们使用OpenStreetMap(OSM)数据库中的建筑足迹多边形对其进行后处理。后处理算法涉及使用相交多边形和来自OSM数据库的封闭私人道路来重塑算法多边形,并考虑与OSM数据库上的公共道路的交叉。我们实现了70%的中位数面积召回率,69%的中位数面积精度,和这些后处理的多边形的中位数F分数为0.69。
2021-09-09 cs.IR cs.LG
SANST: A Self-Attentive Network for Next Point-of-Interest Recommendation
The University of Melbourne(墨尔本大学)
下一个兴趣点(POI)推荐旨在提供关于在给定用户的POI访问历史的情况下接下来访问哪个POI的建议。这个问题在旅游业中有着广泛的应用,并且随着更多的POI签到数据变得可用,它正在获得越来越多的兴趣。该问题通常被建模为顺序推荐问题,以利用用户签入的顺序模式,例如,人们倾向于在参观纽约市的大都会艺术博物馆之后去中央公园。最近,自我关注网络已被证明在一般顺序推荐问题中既有效又高效,例如,来推荐产品、视频游戏或电影。然而,直接采用自我关注网络用于下一POI推荐可能产生次优推荐。这是因为普通的自我关注网络不考虑用户签到的空间和时间模式,这是下一个POI推荐中的两个关键特征。为了解决这个问题,在本文中,我们提出了一个名为SANST的模型,将时空模式的用户签入自我关注的网络。为了结合空间模式,我们将POI的相对位置编码到它们的嵌入中,然后将嵌入送入自我关注网络。为了将时间模式,我们离散化的时间POI检查和模型之间的时间关系POI检查在一个关系感知的自我注意力模块。我们用三个真实世界的数据集来评估我们的SANST模型的性能。结果表明,SANST模型的性能始终优于现有模型,在nDCG@10时的优势达到13.65%。
2020-01-22 cs.IR cs.LG stat.ML
Learning Dynamic Graphs from All Contextual Information for Accurate Point-of-Interest Visit Forecasting
University of Southern California(南加州大学);University of Minnesota(明尼苏达大学)
针对POI到访预测中动态多上下文相关性利用不足的问题,提出BysGNN时序图神经网络,融合上下文、时间与空间信息学习动态图表示,并在真实数据集上显著优于现有模型。
2023-09-29 cs.LG cs.SI
Exploring Student Check-In Behavior for Improved Point-of-Interest Prediction
Purdue University(普渡大学)
随着基于位置的社交网络(LBSN)上大量用户访问历史的可用性,兴趣点(POI)预测问题得到了广泛的研究。然而,大部分研究都是基于从Foursquare或Yelp等社交应用程序收集的自愿签到数据集进行的。虽然这些数据包含关于娱乐活动的丰富信息(例如,餐馆、夜生活和娱乐),但有关人们生活中更重要方面的信息却很少。这不仅限制了我们对用户日常生活的了解,更重要的是,根据基于娱乐的数据特征开发的建模假设可能不适合更丰富的签到数据。在这项工作中,我们提出了一个分析的教育“签到”数据,使用在普渡大学收集的WiFi访问日志。我们提出了一种异构的基于图的方法来编码用户,POI和活动之间的相关性,然后共同学习嵌入的顶点。我们评估我们的方法相比,以前的国家的最先进的POI预测方法,并表明,由以前的方法所做的假设显着降低我们的数据与密集(r)活动信号的性能。我们还展示了我们学习的嵌入如何用于识别相似的学生(例如,朋友的建议)。
2018-09-25 cs.LG stat.ML
Revisiting Mobility Modeling with Graph: A Graph Transformer Model for Next Point-of-Interest Recommendation
The University of Tokyo(东京大学);Toyota Motor Corporation(丰田汽车公司)
针对下一个兴趣点推荐中时空信息难有效整合、时空数据长尾分布的问题,提出结合时空图编码器、图Transformer移动编码器与Tail Loss的MobGT模型,性能较现有最优模型平均提升24%。
2023-10-02 cs.LG
Refine-POI: Reinforcement Fine-Tuned Large Language Models for Next Point-of-Interest Recommendation
Refine-POI通过拓扑感知ID生成和强化微调,解决LLMs在POI推荐中的语义连续性和top-k推荐问题,提升推荐准确性和可解释性。
2026-08-28 cs.AI cs.IR cs.LG
A Joint Two-Phase Time-Sensitive Regularized Collaborative Ranking Model for Point of Interest Recommendation
Università della Svizzera italiana(提契诺大学);Maastricht University(马斯特里赫特大学)
基于位置的社交网络(LBSN)的流行导致了大量的用户签到数据。在LBS网络中,兴趣点推荐是满足用户需求的关键。虽然最近的工作已经探索了采用协作排名(CR)的建议的想法,很少有人尝试将时间信息的POI推荐使用CR。在这篇文章中,我们提出了一个两阶段的CR算法,结合了地理影响的POI和正则化的基础上的方差的POI流行度和用户的活动随着时间的推移。时间敏感的正则化器惩罚过去对时间更敏感的用户和POI,帮助模型在从用户-POI交互中学习的同时考虑他们的长期行为模式。此外,在第一阶段,它试图排名访问过的POI高于未访问的,并在同一时间,应用地理的影响。在第二阶段,我们的算法尝试将用户最喜欢的POI在推荐列表中排名更高。这两个阶段都采用了协作学习策略,使模型能够从两个不同的角度捕捉复杂的潜在关联。在真实数据集上的实验表明,我们提出的时间敏感的协同排名模型击败了最先进的POI推荐方法。
2019-09-16 cs.CY cs.IR cs.LG
PlaceRep: Geospatial Place Representation Learning from Large-Scale Point-of-Interest Data
Emory University(埃默里大学)
提出PlaceRep方法,通过聚类空间和语义相关的兴趣点构建场所级表示,无需预训练即可高效生成多尺度城市区域嵌入,在人口密度估计和房价预测任务中优于现有方法并实现百倍加速。
2026-06-12 cs.AI cs.LG
Topic-Enhanced Memory Networks for Personalised Point-of-Interest Recommendation
University of Cambridge(剑桥大学);Tencent Inc.(腾讯公司)
兴趣点推荐系统通过向用户推荐未知兴趣点而在人们的生活中发挥着重要作用,引起了学术界和工业界的广泛关注。尽管他们的价值,但是,他们仍然遭受的挑战,捕捉复杂的用户偏好和细粒度的用户-兴趣点关系的时空敏感的兴趣点推荐。现有的推荐算法,包括浅层和深层的方法,通常嵌入到一个单一的潜在向量的访问记录的用户的偏好模型:这具有有限的能力表示和解释。在本文中,我们提出了一种新的主题增强的记忆网络(TEMN),一个深度的架构集成的主题模型和记忆网络的优势,利用全球结构的潜在模式和本地邻域为基础的功能,在一个非线性的方式。我们进一步纳入了地理模块,利用用户特定的空间偏好和POI特定的空间影响,以提高建议。所提出的统一混合模型可广泛应用于各种兴趣点推荐场景。在真实世界的微信数据集上进行的大量实验证明了其有效性(上下文感知推荐和顺序推荐的改进率分别为3.25%和29.95%)。此外,定性分析的关注权重和主题建模提供了洞察模型的推荐过程和结果。
2019-05-19 cs.IR cs.LG stat.ML
POIFormer: A Transformer-Based Framework for Accurate and Scalable Point-of-Interest Attribution
University of Southern California(美国南加州大学)
针对GPS误差和城市POI高密度导致归因困难的问题,提出基于Transformer的POIFormer框架,联合建模时空、上下文与行为特征,在真实数据集上显著提升了归因准确率。
2025-07-12 cs.AI cs.LG
Joint Geographical and Temporal Modeling based on Matrix Factorization for Point-of-Interest Recommendation
Università della Svizzera Italiana(意大利瑞士大学);Leiden University(莱顿大学)
随着基于位置的社交网络的普及,兴趣点推荐已成为一项重要任务,它学习用户的偏好和移动模式来推荐兴趣点。以往的研究表明,将上下文信息,如地理和时间的影响,是必要的,以改善POI推荐解决数据稀疏问题。然而,现有的方法模型的地理影响的基础上的物理距离POI和用户,而忽略了这种地理影响的时间特性。在本文中,我们进行了一项研究的用户移动模式,我们发现,用户的签到发生在几个中心,这取决于他们当前的时间状态。接下来,我们提出了一个时空活动中心算法来更准确地建模用户的行为。最后,我们证明了我们提出的上下文模型的有效性,将其纳入两个不同的设置下的矩阵分解模型:i)静态和ii)时间。为了证明我们所提出的方法的有效性,我们将其称为STACP,我们对从Gowalla和Foursquare LBSN获得的两个着名的真实世界数据集进行了实验。实验结果表明,STACP模型实现了统计上显着的性能改善,相比国家的最先进的技术。此外,我们证明了捕捉地理和时间信息建模用户的活动中心和建模的重要性,他们联合的有效性。
2020-01-24 cs.IR cs.LG
RELINE: Point-of-Interest Recommendations using Multiple Network Embeddings
Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学);Open University of Cyprus(塞浦路斯开放大学)
用户参与基于位置的社交网络(LBSNs)的快速增长导致了数据在全球范围内的快速增长。访问和检索接近用户偏好的相关信息的需求是一个开放的问题,不断提出新的挑战,推荐系统。现有的兴趣点推荐模型由于兴趣点的稀疏性和冷启动问题而不能很好地进行兴趣点推荐。为了克服这些问题,在文献中提出了许多模型,但它们中的大多数都忽略了重要的因素,如:地理邻近性,社会影响,或时间和偏好动态,这解决了他们的准确性,同时个性化他们的建议。在这项工作中,我们调查这些问题,并提出了一个统一的模型,共同学习用户和POI动态。我们的建议被称为RELINE(多网络嵌入建议)。更具体地说,RELINE通过将八个关系图嵌入到一个共享潜在空间中来捕获:i)社会的,ii)地理的,iii)时间的影响,以及iv)用户的偏好动态。我们已经评估了我们的方法对国家的最先进的方法与三个大型的真实世界的数据集的准确性。此外,我们已经检查了我们的方法对冷启动问题的有效性。性能评估的结果表明,显着的性能改善相比,现有的国家的最先进的方法。
2019-02-02 cs.IR cs.LG
A Jointly Learned Context-Aware Place of Interest Embedding for Trip Recommendations
The University of Melbourne(墨尔本大学)
旅行推荐是一种重要的基于位置的服务,它可以帮助用户从旅行计划中节省时间和精力。它的目的是为用户推荐一系列感兴趣的地方(POI),以最大限度地提高用户的满意度。当将POI添加到推荐行程时,理解推荐的上下文是至关重要的,包括POI流行度、在行程中共同出现的其他POI以及用户的偏好。这些背景因素在现有的研究中是单独学习的,而在现实中,它们共同影响用户对要访问的POI的选择。在这项研究中,我们提出了一个POI嵌入模型,共同学习这些上下文因素的影响。我们将学习的POI嵌入称为上下文感知的POI嵌入。为了展示这种嵌入的有效性,我们应用它来生成给定用户和时间预算的旅行建议。我们提出了两个行程推荐算法的基础上,我们的上下文感知POI嵌入。第一种算法通过将出行推荐问题转化为整数线性规划问题求解,从而得到精确的最优出行。为了提高计算效率,第二种算法基于自适应大邻域搜索来寻找最优行程。我们在真实数据集上进行了大量的实验。结果表明,我们提出的算法始终优于国家的最先进的算法在旅行推荐质量,与F1分数的优势高达43%。
2018-08-24 cs.IR cs.LG stat.ML
Privacy Preserving Point-of-interest Recommendation Using Decentralized Matrix Factorization
AI Department, Ant Financial Services Group(蚂蚁金融服务集团人工智能部门)
兴趣点(POI)推荐最近由于基于位置的网络的日益普及而引起了很多关注,例如,Foursquare和Yelp在现有的POI推荐方法中,基于矩阵分解(MF)的技术已被证明是有效的。然而,现有的MF方法存在两个主要问题:(1)由于集中式模型训练机制而导致的昂贵的计算和存储:集中式学习器必须维护整个用户-项目评分矩阵,以及潜在的巨大的低秩矩阵。(2)隐私问题:用户的偏好存在通过集中式学习器泄露给恶意攻击者的风险。为了解决这些问题,我们提出了一个分散的MF(DMF)框架的兴趣点推荐。具体地说,我们提出了一种基于随机游走的分散训练技术来训练每个用户端的MF模型,而不是维护所有的低秩矩阵和敏感的评级数据用于训练,例如,手机和Pad。通过这样做,每个用户的评级仍然保持在自己的手上,而且,分散学习可以被视为具有多个学习者(用户)的分布式学习,从而简化了计算和存储问题。在两个真实数据集上的实验结果表明,与经典和最新的潜在因子模型相比,DMF在推荐精度和召回率方面都有显著的提高.
2020-03-12 cs.AI cs.LG stat.ML
A Survey on Point-of-Interest Recommendation: Models, Architectures, and Security
University of Hong Kong(香港大学);University of California, Los Angeles(加利福尼亚大学洛杉矶分校);University of Queensland(昆士兰大学)
本文系统综述了兴趣点推荐系统在模型、架构与安全三方面的最新进展,梳理了从传统模型到大型语言模型、从集中式到联邦学习架构的演进,并探讨了安全漏洞与隐私保护方法,为未来研究提供方向。
2025-03-10 cs.AI cs.CE cs.IR
OIPR: Evaluation for Time-series Anomaly Detection Inspired by Operator Interest
State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications(网络与交换技术国家重点实验室,北京邮电大学)
OIPR提出了一种基于操作者兴趣的时间序列异常检测评估方法,通过区域指标平衡点和事件视角,提升复杂场景下的检测性能。
2025-12-09 cs.LG
Personalized Recommendation of PoIs to People with Autism
University of Torino(都灵大学)
向自闭症谱系障碍(ASD)患者推荐兴趣点的建议挑战了推荐系统的研究,因为这些用户对地方的感知受到特殊感官厌恶的影响,这种厌恶会通过引起压力和焦虑来挖掘他们的体验。因此,管理个人偏好不足以为这些人提供合适的建议。为了解决这个问题,我们提出了一个Top-N推荐模型,结合用户的特质厌恶与她/他的喜好在一个个性化的方式,建议最兼容和最喜欢的兴趣点,她/他。我们有兴趣找到一个用户特定的兼容性和兴趣的平衡内的推荐模型,集成异构的评估标准,适当地考虑到这些方面。我们在ASD和“神经典型”人群中测试了我们的模型。评价结果表明,在这两组,我们的模型优于推荐系统的准确性和排名能力的项目兼容性的基础上,用户的喜好,或通过一个统一的评价模型集成这两个方面。
2020-04-27 cs.IR cs.LG
Explaining the (Not So) Obvious: Simple and Fast Explanation of STAN, a Next Point of Interest Recommendation System
LTCI, Télécom Paris(法国电信学院 LTCI);Institut Polytechnique de Paris(巴黎综合理工学院)
针对下一个兴趣点推荐系统STAN,提出结合其协同过滤与序列预测特性的简单快速可解释方案,可通过用户相似性、关键时间步解释结果并辅助调试输出。
2024-10-04 cs.AI cs.IR cs.LG
Large Language Models for Next Point-of-Interest Recommendation
University of New South Wales(新南威尔士大学);University of Amsterdam(阿姆斯特丹大学)
本文提出利用预训练大语言模型处理原始异构LBSN数据的下一POI推荐框架,通过保留上下文信息和引入常识知识,在三个真实数据集上超越现有最优模型,并有效缓解冷启动与短轨迹问题。
2024-08-01 cs.AI cs.IR cs.LG
Smartphone App Usage Prediction Using Points of Interest
Tsinghua University(清华大学);Stanford University(斯坦福大学);University of Melbourne(墨尔本大学)
本文首次在城市规模上分析智能手机应用使用,提出基于兴趣点(POI)和迁移学习的方法预测热门应用及整体使用分布,命中率83.0%,优于现有方法25.7%。
2017-11-26 cs.CY cs.LG
Where have you been? A Study of Privacy Risk for Point-of-Interest Recommendation
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Rutgers University(罗格斯大学);Florida State University(佛罗里达州立大学);Meta
本文针对兴趣点推荐模型设计了一套包含数据提取和成员推断攻击的隐私攻击套件,通过真实数据集实验揭示了当前模型的隐私泄露风险,并评估了防御措施。
2024-07-05 cs.CR cs.LG
Crowd-Sourced Geographies of Income: Using Google Maps Points of Interest as High-Frequency Proxies for Sub-Municipal Income Estimation in Sao Paulo, Brazil
Bowdoin College(鲍登学院);Pontifical Catholic University of Campinas(坎皮纳斯天主教大学);Pontifical Catholic University of Minas Gerais(米纳斯吉拉斯天主教大学);School of Economics and Business, Pontifical Catholic University of Campinas(坎皮纳斯天主教大学经济与商学院)
该研究以巴西圣保罗为对象,利用谷歌地图兴趣点(POIs),通过PCA、NMF及梯度提升回归等方法,构建了低成本的亚市政级收入估算模型,其保留数据R²达0.65,可补充传统收入统计。
2026-08-11 cs.CY cs.LG stat.AP
Deep neural network surrogates for non-smooth quantities of interest in shape uncertainty quantification
Radboud University(拉德堡德大学)
我们考虑的解决方案的几何不确定性,在障碍物中的不确定性是由一个高维参数$\boldsymbol{y}\in[-1,1]^d$,$d\in\mathbb{N}$接口问题的点评估。我们特别关注椭圆界面问题和亥姆霍兹传输问题。在物理域中的解决方案的点值一般依赖于非光滑的高维参数,提出了一个挑战,当一个有兴趣建立代理。实际上,高阶方法显示出较差的收敛速度,而能够跟踪不连续性的方法通常遭受所谓的维数灾难。出于这个原因,在这项工作中,我们建议使用深度神经网络构建点评估的代理。我们提供了一个理论上的理由,为什么我们期望神经网络提供良好的代理。此外,我们提出了广泛的数值实验显示其良好的性能在实践中。我们特别注意到,神经网络不受维数灾难的影响,我们研究了误差对点评估的数量(即参数空间中的不连续性数量)以及几个建模参数的依赖性,例如两种材料之间的对比度,以及亥姆霍兹传输问题的波数。
2021-01-18 cs.LG cs.NA math.NA
DELTAS: Depth Estimation by Learning Triangulation And densification of Sparse points
Magic Leap Inc.(Magic Leap公司);InsideIQ Inc.(InsideIQ公司)
多视图立体视觉(MVS)是介于主动深度感知的准确性和单目深度估计的实用性之间的黄金平均值。采用3D卷积神经网络(CNN)的基于成本体积的方法已经显著提高了MVS系统的准确性。然而,这种准确性带来了高计算成本,这阻碍了实际采用。与成本体积方法不同,我们提出了一种有效的深度估计方法,首先(a)检测和评估兴趣点的描述符,然后(b)学习匹配和三角测量一小部分兴趣点,最后(c)使用CNN加密这个稀疏的3D点集。端到端网络在深度学习框架内有效地执行所有三个步骤,并使用中间2D图像和3D几何监督以及深度监督进行训练。至关重要的是,我们的第一步使用兴趣点检测和描述符学习来补充姿势估计。我们展示了国家的最先进的深度估计的结果与较低的计算不同的场景长度。此外,我们的方法可以推广到较新的环境,并且我们的网络输出的描述符与强基线相比毫不逊色。代码可在https://github.com/magicleap/DELTAS上获得
2020-08-25 cs.CV cs.LG eess.IV