Macross: Urban Dynamics Modeling based on Metapath Guided Cross-Modal Embedding
随着城市化进程的不断加快,城市动力学建模变得越来越具有挑战性,同时也是社会经济发展的必要条件。它具有挑战性,因为人类活动和建筑无处不在,城市景观和生活内容随时随地都在变化。这是至关重要的,因为只有最新的城市动态才能使管理者优化他们的城市规划策略,并帮助个人以更有效的方式组织他们的日常生活。以前的地理主题模型为基础的方法试图解决这个问题,但遭受高计算成本和内存消耗,限制其可扩展性的城市级应用。此外,强的先验假设使这些模型无法捕捉某些模式的性质。为了弥合这一差距,我们提出了Macross,一种元路径引导的嵌入方法,用于联合建模位置,时间和文本信息。给定一个带有地理标签的社交媒体帖子数据集,我们提取和聚合位置和时间,并使用聚合的空间和时间构建一个异构信息网络。基于Metapath2vec的方法用于构造时间、位置和频繁词的向量表示,使得共现节点对在潜在空间中更接近。矢量表示将用于推断用户查询的相关时间、位置或关键字。在巨大的数据集上进行的实验表明,与最先进的模型相比,我们的模型可以生成相当的查询结果,如果不是更好的质量,并且在活动恢复和分类方面优于一些尖端模型。
2019-11-28 cs.IR
Personalised Travel Recommendation based on Location Co-occurrence
本研究提出基于用户远程区域访问历史的个性化旅行推荐新任务,通过位置访问共现空间的高斯密度估计构建相似度模型,经多尺度评估验证其优于流行度排名,严格排序方法可带来更具惊喜感的推荐。
2011-06-26 cs.IR
SPAR: Enhancing Industrial-Scale Generative POI Recommendation via Real-World Spatial Perception
AMAP, Alibaba Group(高德,阿里巴巴集团);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
SPAR框架通过三个协同阶段将真实城市空间知识注入生成式POI推荐,解决现有方法与用户实际位置脱节的问题,经多数据集实验验证有效。
2026-09-18 cs.IR
LGLMF: Local Geographical based Logistic Matrix Factorization Model for POI Recommendation
随着基于位置的社交网络的快速发展,个性化兴趣点推荐已成为帮助用户探索周围环境的关键任务。由于登记数据的稀缺性,地理信息的可用性提供了一个机会,以提高POI推荐的准确性。此外,矩阵分解方法提供了有效的模型,可用于POI推荐。然而,有两个主要的挑战,应该解决,以提高性能的POI推荐方法。首先,利用地理信息来捕获用户的个人地理简档和位置的地理流行度。第二,将地理模型融入矩阵分解方法。针对这些问题,本文提出了一种基于局部地理模型的兴趣点推荐方法,该方法综合考虑了用户和位置的观点。为此,提出了一个有效的地理模型,考虑用户的主要活动区域和该区域内的每个位置的相关性。然后,将提出的局部地理模型融合到Logistic矩阵分解中,以提高POI推荐的准确性。在两个著名的数据集上的实验结果表明,该方法优于其他国家的最先进的POI推荐方法。
2019-09-14 cs.IR
Interest Networks (iNETs) for Cities: Cross-Platform Insights and Urban Behavior Explanations
本文通过兴趣网络(iNETs)比较 Google Places 和 Foursquare 在不同空间粒度下的用户兴趣分布,发现兴趣主要由地理邻近性和场所相似性驱动,并据此提出可解释的多层次城市推荐系统及 h3-cities 工具。
2025-07-07 cs.IR cs.SI
Category-Aware Location Embedding for Point-of-Interest Recommendation
University of Zanjan(赞詹大学);Università della Svizzera italiana (USI)(瑞士意大利语大学);Leiden University(莱顿大学)
本文提出一种结合序列和类别信息的新型神经模型,用于提升兴趣点推荐效果。通过用户签到序列和类别信息生成嵌入,实验表明方法优于现有推荐方法。
2019-07-31 cs.IR
Timestamps as Prompts for Geography-Aware Location Recommendation
本文提出TPG框架,通过时间提示显式建模时间信息并利用移位窗口机制解决地理编码硬边界问题,显著提升了位置与间隔预测性能。
2023-04-09 cs.IR
Leveraging Multi-aspect Time-related Influence in Location Recommendation
兴趣点推荐的目的是挖掘用户的访问历史,并找到他/她可能喜欢的地方。虽然位置推荐方法已经得到了广泛的研究和改进,但利用包括时间方面在内的各种影响因素仍然存在挑战。受时间包括许多颗粒槽(例如分钟、小时、天、周等)的事实的启发,在本文中,我们定义了一个新的问题来执行推荐,通过利用所有不同的时间因素。特别是,我们认为,大多数现有的方法只专注于有限数量的时间相关的功能和忽视其他人。此外,在推荐中考虑特定粒度(例如,一天中的时间)并不总是适用于每个用户或每个数据集。为了解决这些问题,我们提出了一个概率生成模型,命名为多方面时间相关影响(MATI),以促进POI推荐。我们还开发了一种新的优化算法的基础上期望最大化(EM)。我们的MATI模型首先检测一个用户的时间多变量方向使用她的签到日志在基于位置的社交网络(LBSNs)。然后,它使用用户和建议的位置之间的时间相关性进行推荐。我们的方法是适应各种类型的推荐系统,可以有效地工作在多个时间尺度。在两个大规模LBSN数据集上的实验结果验证了该方法的有效性。
2017-01-03 cs.CY cs.IR
Point of Interest Recommendation Methods in Location Based Social Networks: Traveling to a new geographical region
基于位置的社交网络中的推荐系统主要利用社交和地理影响来进行个性化兴趣点(POI)推荐。基于匹配的访问历史从社交网络朋友或类似用户获得社交影响力,而地理影响力从用户在不同POI处签到时留下的地理足迹获得。然而,当用户移动到他们具有很少或没有活动历史的新区域时,这种方法可能会不足。我们提出了一个位置感知的POI推荐系统,主要基于用户的喜好模型,用户评论和类别的POI。在Yelp数据集上对算法进行了测试,实验结果表明,该算法具有较好的准确性。
2020-01-25 cs.IR cs.SI
Modelling User Preferences using Word Embeddings for Context-Aware Venue Recommendation
场馆推荐旨在通过基于位置的社交网络(LBSNs)(如Foursquare)提供的数据,为用户提供个性化的参观场馆建议。该任务的一个特定挑战是上下文感知场所推荐(CAVR),其另外考虑用户的周围上下文(例如,用户的位置和一天中的时间),以便提供更相关的场所建议。为了解决CAVR的挑战,我们描述了两种方法,利用词嵌入技术来推断矢量空间表示的场地,用户的现有偏好,和用户的上下文偏好。我们对TREC 2015上下文建议跟踪的测试收集的评估表明,我们可以显着提高最先进的场馆推荐方法的有效性,以及产生至少与顶级TREC 2015系统一样有效的上下文感知推荐。
2016-06-24 cs.IR
Spatially-Enhanced Retrieval-Augmented Generation for Walkability and Urban Discovery
IIT-CNR(意大利国家研究委员会信息技术与机器人研究所);ISTI-CNR(意大利国家研究委员会计算机科学研究所)
WalkRAG通过空间增强的检索增强生成框架,结合信息检索与空间推理,为用户提供步行性城市探索的推荐服务。
2025-12-04 cs.IR
A Systematic Analysis on the Impact of Contextual Information on Point-of-Interest Recommendation
University College London(伦敦大学学院);University of Amsterdam(阿姆斯特丹大学);Leiden University(莱顿大学);Università della Svizzera italiana (USI)(瑞士意大利语大学)
随着基于位置的社交网络(LBSNs)的普及,设计精确的兴趣点推荐模型受到了越来越多的关注。POI推荐通常通过将上下文信息并入先前设计的推荐算法来执行。在POI推荐中已经考虑的一些主要上下文信息是位置属性(即,位置、类别和登记时间的精确坐标),用户属性(即,评论、评论、提示和对位置的签到)以及其他信息,诸如POI与用户的主要活动位置的距离以及用户之间的社交联系。这些因素的正确选择可以显著影响POI推荐的性能。然而,以前的研究没有考虑这些不同因素的组合的影响。本文提出了不同的上下文模型,并分析了在兴趣点推荐中不同上下文信息的融合。本文的主要贡献是:(i)提供上下文感知位置推荐的广泛调查(ii)量化和分析不同上下文信息(例如,社会的,时间的,空间的,和分类的)在POI推荐可用的基线和两个新的线性和非线性模型,可以将所有主要的上下文信息到一个单一的推荐模型,以及(iii)评估所考虑的模型使用两个众所周知的现实世界的数据集。我们的研究结果表明,虽然建模地理和时间的影响可以提高推荐质量,融合所有其他上下文信息到一个推荐模型并不总是最好的策略。
2022-01-20 cs.AI cs.IR
STAN: Spatio-Temporal Attention Network for Next Location Recommendation
University of Washington(华盛顿大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学);Renmin University of China(中国人民大学)
下一个位置推荐是各种基于位置的应用程序的核心。现有的模型试图通过层次网格化来解决空间稀疏性问题,通过显式时间间隔来描述时间关系,但仍有一些关键问题没有得到解决。非相邻位置和非连续访问为理解用户的行为提供了重要的相关性,但很少被考虑。为了从用户轨迹中聚合所有相关访问,并从加权表示中召回最合理的候选者,在这里,我们提出了一个时空注意力网络(STAN)的位置推荐。STAN明确地利用了所有签到的相对时空信息,沿着轨迹具有自我注意层。这种改进允许非相邻位置之间的点对点交互和具有显式时空效果的非连续签入。STAN采用双层注意结构,首先在用户轨迹内聚合时空相关性,然后考虑个性化项目频率(PIF)召回目标。通过可视化,我们表明STAN符合上述直觉。实验结果明确表明,我们的模型比现有的最先进的方法高出9- 17%。
2021-02-08 cs.AI cs.IR
AirTOWN: A Privacy-Preserving Mobile App for Real-time Pollution-Aware POI Suggestion
AirTOWN是一款保护隐私的移动应用,结合实时AQI数据与用户偏好,利用协同过滤和联邦学习,提供动态适应城市空气质量的健康导向POI推荐。
2025-01-23 cs.IR
Doing More with Less: Overcoming Data Scarcity for POI Recommendation via Cross-Region Transfer
Indian Institute of Technology Delhi(德里印度理工学院)
不同地区社交应用程序使用的差异性导致所收集的签到数据的数量和质量存在高度偏差,这反过来又对有效的位置推荐系统构成了挑战。在本文中,我们提出了Axolotl(自动交叉位置网络迁移学习),一种新的方法,旨在转移在数据丰富的区域学习的位置偏好模型,以显着提高数据稀缺区域的推荐质量。蝾螈主要部署两个渠道进行信息传输,(1)使用位置推荐和社交预测学习的基于元学习的过程,以及(2)具有相似偏好的用户和位置之间的轻量级无监督基于集群的传输。这两者协同工作,以提高数据稀缺地区的推荐准确性,而无需任何重叠用户的先决条件,并且只需最少的微调。我们建立蝾螈顶部的一个双图形注意力神经网络模型用于捕捉用户和位置条件的影响,在用户移动图为每个地区。我们在美国各地的12个用户移动数据集上进行了广泛的实验,日本和德国,使用3个作为来源地区,其中9个(有很多稀疏记录的流动性数据)作为目标地区。根据经验,我们表明,在所有指标上,美西螈的推荐性能比现有的最先进的方法高出18%。
2022-01-16 cs.IR cs.LG
Urban Fire Station Location Planning using Predicted Demand and Service Quality Index
University of Minnesota, Twin Cities(明尼苏达大学双城分校);City of Victoria Fire Department(维多利亚市消防局)
在这篇文章中,我们提出了一个系统的方法,消防站的位置规划。我们开发了基于随机森林和极端梯度提升的机器学习模型,用于需求预测,并利用这些模型进一步定义了一个衡量城市消防服务质量的通用指标。我们的模型是建立在从多个不同来源收集的空间数据。适当的设施规划的效力取决于选择的候选人,消防站可以与现有的站,如果有的话。此外,需要注意从这些候选人到需求地点的旅行时间,以保持消防安全标准。在这里,我们提出了一个基于旅行时间的聚类技术,以确定合适的候选人。最后,我们开发了一个优化问题,以选择最佳位置安装新的消防站。我们的优化问题是建立在最大覆盖问题,整数规划的基础上。我们进一步开发了一个两阶段的随机优化模型来描述我们的决策结果的信心。我们提出了一个详细的实验研究,我们提出的方法与城市的维多利亚消防局,MN,美国合作。我们的需求预测模型达到了80%的真阳性率和约20%的假阳性率。我们帮助维多利亚消防局选择一个新的消防站使用我们的方法的位置。我们提出了详细的结果,改善统计数据,通过定位一个新的设施,我们的方法,在维多利亚市。
2022-02-20 cs.IR cs.LG math.OC
Successive Point-of-Interest Recommendation with Local Differential Privacy
兴趣点(POI)推荐系统在基于位置的服务中扮演着重要的角色,因为它可以帮助人们探索新的位置并促进广告商在适当的位置投放广告。现有的POI推荐系统需要用户的原始签到历史,这可能会导致位置隐私侵犯。虽然已经有几个基于矩阵分解(MF)的隐私保护推荐系统,他们只能专注于用户的兴趣点关系,而不考虑人类的运动在签入历史。为了解决这个问题,我们设计了一个连续的POI推荐框架与本地差分隐私,命名为SPIREL。SPIREL使用两种类型的信息作为因子分解的输入:两个POI之间的转换模式和POI的访问计数。我们提出了一种新的目标函数,用于同时学习用户POI和POI-POI关系。我们进一步整合本地差分隐私机制,在我们提出的框架,以防止潜在的位置隐私漏洞。在4个公开数据集上的实验表明,SPIREL在实现更强隐私保护的同时,获得了更好的兴趣点推荐质量.
2021-05-10 cs.CR cs.CY cs.IR
HySAGE: A Hybrid Static and Adaptive Graph Embedding Network for Context-Drifting Recommendations
最近边缘设备和人工智能物联网(AIoT)的流行推动了新一波的上下文推荐,例如基于位置的兴趣点(POI)推荐和计算资源感知的移动应用推荐。在许多这样的推荐场景中,上下文随着时间的推移而漂移。例如,在移动游戏推荐中,移动设备的位置、电池和存储水平等上下文特征经常随着时间而漂移。然而,大多数现有的基于图的协同过滤方法是在静态特征的假设下设计的。因此,它们将需要频繁的再训练和/或产生大小迅速增长的图形模型,从而阻碍它们对上下文漂移推荐的适用性。在这项工作中,我们提出了一个专门定制的混合静态和自适应图嵌入(HySAGE)网络的上下文漂移的建议。我们的核心思想是理清相对静态的用户-项目交互和快速漂移的上下文特征。具体来说,我们提出的HySAGE网络从用户-项目交互中学习相对静态的图形嵌入,并从漂移的上下文特征中学习自适应嵌入。这些嵌入被合并到兴趣网络中,以在某些特定的上下文中生成用户兴趣。我们采用交互式注意模块来学习静态图嵌入、自适应上下文嵌入和用户兴趣之间的交互,从而帮助实现更好的最终表示。在真实数据集上的大量实验表明,HySAGE显著提高了现有推荐算法的性能。
2022-08-20 cs.IR
BERT4Loc: BERT for Location -- POI Recommender System
本文提出BERT4Loc推荐系统,利用BERT结合位置信息与用户偏好提供个性化POI推荐,在两个基准数据集上优于现有序列模型。
2023-05-16 cs.AI cs.IR
PERS: A Personalized and Explainable POI Recommender System
基于位置的社交网络(LBSN)(例如,Facebook)有很多因素(例如,评级,签到时间等)。这对兴趣点(POI)建议起着至关重要的作用。与评级不同,评论可以帮助用户详细阐述他们的意见,并根据相关的感兴趣因素(方面)分享消费体验的程度。虽然一些现有的推荐系统已经使用了用户评论,但大多数都不太透明和不可解释。这些原因引起了人们对可解释性和可解释性推荐的极大关注。据我们所知,这是第一篇利用用户评论来整合不同方面的情感和意见的个性化和可解释的POI推荐的论文。在本文中,我们提出了一个模型称为PERS(个性化可解释POI推荐系统),模型的评论方面类别的相关性,通过利用深度神经网络,制定了用户方面类别二分关系作为一个二分图,和模型的可解释的推荐使用二分核心和排名为基础的方法。本文的主要贡献是:(i)基于用户通过评论发布的方面对用户和位置进行建模,(ii)利用深度神经网络对评论-方面类别相关性进行建模,(iii)提供多个上下文(例如,分类、空间等)在兴趣点推荐模型中,(iv)将用户对方面类别的偏好表示为二分关系,将其表示为位置-方面类别二分图,并使用基于二分核心和基于排名的方法,利用有序稠密子图提取的概念对可解释推荐进行建模,(v)使用三个真实世界数据集对生成的推荐进行评估。
2017-12-20 cs.IR
GEVR: An Event Venue Recommendation System for Groups of Mobile Users
在本文中,我们提出了GEVR,第一组活动场所推荐系统,通过个人的位置跟踪和上下文信息的移动性纳入一个“基于社会”的群体决策模型,为移动用户群体提供场地建议。我们的研究利用了一个真实世界的数据集,该数据集是使用OutWithWeiz移动应用程序收集的,用于群体活动规划,其中包含625个用户和500多个群体活动。我们首先开发了一种新型的“基于社交”的群体位置预测模型,该模型自适应地将不同的群体决策策略应用于具有不同社交关系强度的群体,以汇总每个群体成员的位置偏好,来预测群体将在哪里见面。评估结果表明,我们的预测模型不仅优于常用的和国家的最先进的群体决策策略,预测群体的最终会议地点集群的准确率超过80%,而且还提供了有前途的质量在冷启动场景。然后,我们将我们的预测模型与Foursquare场地推荐API相结合,为移动用户群体构建活动场地推荐框架。评估结果表明,GEVR优于比较模型的显着保证金。
2019-03-25 cs.HC cs.IR cs.SI
Empowering Next POI Recommendation with Multi-Relational Modeling
University of Virginia(弗吉尼亚大学)
随着移动设备和Web应用的广泛采用,基于位置的社交网络(LBSN)提供大规模的个人级别的位置相关活动和体验。下一个兴趣点推荐是LBSNs中最重要的任务之一,旨在通过用户的历史活动发现用户的偏好,为用户提供下一个合适位置的个性化推荐。值得注意的是,LBSN提供了对关于用户和POI的丰富的异构关系信息(包括用户-用户社交关系,诸如家庭或同事;以及用户-POI访问关系)的无与伦比的访问。这种关系信息具有促进下一POI推荐的巨大潜力。然而,大多数现有的方法要么只关注用户兴趣点访问,或处理不同的关系基于过于简化的假设,而忽略了关系的异质性。为了填补这些关键的空白,我们提出了一种新的框架,MEMO,它有效地利用了异构关系与多网络表示学习模块,并明确地将跨时间的用户POI相互影响与耦合的递归神经网络。在真实世界的LBSN数据上进行的大量实验验证了我们的框架优于最先进的下一代POI推荐方法。
2022-04-24 cs.AI cs.IR cs.LG
Weather- and Location-Aware Agentic Dining Recommendation: Leveraging LLM World Knowledge for Region-Sensitive Contextual Reasoning
该研究提出感知天气与位置的智能体餐饮推荐系统,利用LLM的世界知识生成区域敏感的适配天气的餐饮推荐,为智能体推荐提供了可扩展的架构模式。
2026-08-11 cs.AI cs.HC cs.IR
User Preferential Tour Recommendation Based on POI-Embedding Methods
Singapore University of Technology and Design(新加坡科技设计大学)
旅游行程规划和推荐对于陌生国家的游客来说是一项具有挑战性的任务。许多旅游规划者只考虑广泛的POI类别,并且不与用户的偏好和其他位置约束很好地一致。我们提出了一种算法,推荐个性化的旅游使用POI嵌入方法,它提供了一个更好的表示POI类型。我们的推荐算法将生成一个序列的POI,优化时间和位置的限制,以及用户的喜好,根据过去的轨迹,从类似的游客。我们的旅游推荐算法被建模为自然语言处理中的词嵌入模型,再加上一个迭代算法,用于生成行程,满足时间限制。使用Flickr数据集的4个城市,初步的实验结果表明,我们的算法是能够推荐一个相关的和准确的行程,根据召回率,精度和F1分数的措施。
2021-03-03 cs.AI cs.IR
Location Matters: Leveraging Multi-Resolution Geo-Embeddings for Housing Search
QuintoAndar
针对住房平台推荐中的数据稀疏与空间差异问题,提出融合多层H3网格的双塔地理感知嵌入框架,实验验证其嵌入质量更优,推荐效果较基线和单分辨率版本显著提升。
2025-09-01 cs.IR cs.LG
Exploration Space Theory: Formal Foundations for Prerequisite-Aware Location-Based Recommendation
LIRIS, Université Claude Bernard Lyon 1, CNRS(LIRIS,Claude Bernard Lyon 1 大学,CNRS)
探索空间理论提出了一种基于格论的框架,用于解决基于位置的推荐中先决条件依赖关系的表示问题,并通过结构保证和动态规划方法实现推荐的结构性有效性。
2026-02-21 cs.AI cs.DS cs.IR
Integrating Topic Models and Latent Factors for Recommendation
目前,在各种网络应用中,存在着大量的在线项目,这使得建立有效的个性化推荐系统,以节省用户的信息搜索的努力成为一个重要的任务。协同过滤(CF)技术是目前应用最广泛、最成功的个性化推荐方法之一,它根据用户的历史选择以及其他用户的历史选择进行推荐。最流行的CF方法,如潜在因素模型(LFM),是通过理解用户意见的隐藏维度或因素来建模用户如何评估项目。如何对这些隐藏因素进行建模是提高推荐系统性能的关键。在这项工作中,我们考虑的旅游规划服务的酒店推荐问题,通过整合的位置信息和用户的推荐偏好。直觉是,用户偏好可以在不同的位置上动态地改变,因此将用户的历史决策视为静态的或普遍适用的在现实世界的应用中可能是不可行的。例如,用户在商务旅行时可能更喜欢具有标准配置的连锁品牌酒店,而在娱乐旅行时他们可能更喜欢独特的本地酒店。在本文中,我们的目标是提供旅行级个性化的用户推荐。
2021-12-28 cs.AI cs.IR
Origin-Aware Next Destination Recommendation with Personalized Preference Attention
GrabTaxi Holdings(GrabTaxi控股公司);School of Computing, National University of Singapore(新加坡国立大学计算学院);National University of Singapore(新加坡国立大学);Grab-NUS AI Lab(Grab-新加坡国立大学人工智能实验室)
下一个目的地推荐是出租车和乘车服务的运输领域中的重要任务,其中用户被推荐具有个性化目的地,给出他们当前的起源位置。然而,最近的推荐工作并不满足这种原产地意识属性,只考虑从历史目的地位置,没有原产地信息的学习。因此,所得到的方法不能基于用户的当前位置来学习和预测来源感知推荐,导致次优性能和较差的现实世界实用性。因此,在这项工作中,我们研究了原产地感知的下一个目的地推荐任务。我们提出了时空起点-目的地个性化偏好注意力(STOD-PPA)编码器-解码器模型,通过首先在局部和全局视图中使用空间和时间因素对起点和目的地序列进行编码,然后通过个性化偏好注意力对其进行解码,以预测下一个目的地,从而学习起点-起点(OO),目的地-目的地(DD)和起点-目的地(OD)关系。在七个真实用户轨迹出租车数据集上的实验结果表明,我们的模型显着优于基线和最先进的方法。
2021-01-11 cs.AI cs.IR cs.LG