Leveraging Geometric Insights in Hyperbolic Triplet Loss for Improved Recommendations
HSE University（俄罗斯莫斯科国立经济大学）
本文提出一种利用双曲几何洞察和三元组损失的双曲推荐模型，通过重新表述双曲距离提升表示学习能力，在优于现有模型的同时减少流行度偏差，实现更个性化推荐。
2025-08-16 cs.IR cs.LG
DisenPOI: Disentangling Sequential and Geographical Influence for Point-of-Interest Recommendation
Peking University（北京大学）；Meituan（美团）
针对POI推荐中序列与地理影响纠缠导致性能与可解释性下降的问题，提出解耦双图框架DisenPOI，利用对比学习提取解耦表示并通过自监督实现解耦，在三个数据集上验证了优越性。
2023-09-14 cs.AI 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
A Geometric Approach to Personalized Recommendation with Set-Theoretic Constraints Using Box Embeddings
Manning College of Information \& Computer Sciences, UMass Amherst
提出用 Box Embeddings 以几何集合方式建模用户与属性，支持否定、交集等复杂约束，并在推荐查询上较向量神经方法最高提升30%。
2025-02-15 cs.AI cs.IR cs.LG
An Adaptive Framework of Geographical Group-Specific Network on O2O Recommendation
DAMO Academy, Alibaba Group（阿里巴巴达摩院）；Alibaba Group（阿里巴巴集团）；Institute of Microelectronics, Chinese Academy of Sciences（中国科学院微电子研究所）
针对O2O推荐中统一模型难以捕捉地理差异的问题，提出GeoGrouse自适应分组框架，同时学习共性与分组特定知识，经离线与在线实验验证，取得显著商业提升。
2023-12-28 cs.IR cs.LG
A Survey on Deep Learning Based Point-Of-Interest (POI) Recommendations
Bangladesh University of Engineering and Technology (BUET)（孟加拉国工程技术大学（BUET））
基于位置的社交网络（LBSN）使用户能够通过分享他们的签到、意见、照片和评论来与朋友和熟人进行社交。LBSN产生的大量数据开辟了一条新的研究途径，催生了一个新的推荐系统子领域，称为兴趣点（POI）推荐。POI推荐技术本质上利用用户的历史签到和其他多模态信息（诸如POI属性和友谊网络）来推荐适合于用户的下一组POI。大量早期的工作都集中在传统的机器学习技术上，使用数据集中手工制作的特征。随着最近深度学习研究的激增，我们已经目睹了利用不同的深度学习范例的各种各样的POI推荐工作。这些技术在问题表述、提出的技术、使用的数据集和特征等方面存在很大差异。据我们所知，这项工作是对所有主要的基于深度学习的POI推荐工作的第一次全面调查。我们的工作分类和批判性地分析了最近的POI推荐工作的基础上不同的深度学习范式和其他相关功能。这篇评论可以被认为是POI推荐领域的研究人员或从业人员的食谱。
2020-11-20 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
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
Birds of a Feather Cluster Nearby: a Proximity-Aware Geo-Codebook for Local Service Recommendation
Beijing University of Posts and Telecommunications（北京邮电大学）；Meituan（美团）；Beijing Institute of Technology（北京理工大学）
本文提出Pro-GEO，一种基于接近性的地理代码本，通过建立地理质心局部坐标系和地理旋转位置编码机制，实现语义与空间信号的联合建模，提升本地服务推荐性能。
2026-04-25 cs.IR
SafeGEO: Understanding Generative Engine Optimization Risks in Recommendation Agents
Department of Computer Science, University of Toronto（多伦多大学计算机科学系）；Department of Mechanical & Industrial Engineering, University of Toronto（多伦多大学机械与工业工程系）；Faculty of Information, University of Toronto（多伦多大学信息学院）；University of California, San Diego（圣地亚哥大学）；ZBot Technology（ZBot技术）；Coolwei AI Lab（Coolwei人工智能实验室）
研究GEO攻击如何使推荐代理推广有缺陷产品，提出SafeGEO评估套件，发现攻击使缺陷产品入选率提升83.2%，简单防御可降低39.2%但无法完全消除风险。
2026-09-09 cs.AI cs.IR
Joint Triplet Loss Learning for Next New POI Recommendation
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）
用户兴趣点矩阵的稀疏性是下一个兴趣点推荐的一个公认问题，这阻碍了用户偏好的有效学习。针对更细粒度的扩展问题，我们提出了一个联合三重丢失学习（JTLL）模块的下一个新的（$N^2$）POI推荐任务，这是更具挑战性的。JTLL模块首先从用户的历史兴趣点访问序列中计算额外的训练样本，然后根据兴趣点和用户嵌入之间的关系，设计了一个三元组损失函数来减小和增大兴趣点和用户嵌入之间的距离。接下来，JTLL模块与最近的方法联合训练，以额外学习推荐任务的未访问关系。在两个已知的真实世界LBSN数据集上进行的实验表明，我们的联合训练模块能够提高最近现有作品的性能。
2022-09-25 cs.AI cs.IR cs.LG
GTR-Mamba: Geometry-to-Tangent Routing Mamba for Hyperbolic POI Recommendation
College of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院）；College of Information Engineering, Zhejiang University of Technology（浙江工业大学信息工程学院）；Shanghai Ballsnow Intelligent Technology Co., Ltd（上海 Ballsnow 智能科技有限公司）；Hunan University（湖南大学）
GTR-Mamba通过几何到切线路由机制，提升超几何兴趣点推荐的效率和准确性。
2026-01-23 cs.AI cs.IR
Geography-Aware Large Language Models for Next POI Recommendation
Sun Yat-sen University（中山大学）；The Pennsylvania State University（宾夕法尼亚州立大学）
针对大语言模型应用于下一个POI推荐时存在的空间上下文建模难、POI关系捕捉不足的问题，提出融合地理坐标注入模块与POI对齐模块的GA-LLM框架，在三个真实数据集上取得最优性能。
2025-05-18 cs.AI cs.IR
The Unfairness of Active Users and Popularity Bias in Point-of-Interest Recommendation
University College London（伦敦大学学院）；Polytechnic University of Bari（巴里理工大学）；University of Guilan（吉兰大学）；University of Southern California（南加州大学）
兴趣点（POI）推荐系统为用户提供个性化推荐，帮助企业吸引潜在客户。尽管它们取得了成功，但最近的研究表明，高度数据驱动的建议可能会受到数据偏见的影响，导致对不同利益相关者（主要是消费者（用户）和提供者（物品））的不公平结果。现有的推荐系统中与公平性相关的研究大多将用户公平性和项目公平性问题分开处理，而忽略了推荐系统是在双边市场中工作的。本文研究了（i）活跃用户的不公平性，（ii）热门项目的不公平性，（iii）推荐的准确性（个性化）之间的相互作用，作为我们的研究三角形的三个角度。我们将用户分为弱势和弱势级别，以根据他们的活动水平来衡量用户公平性。对于项目公平性，我们将项目分为短头、中尾和长尾组，并研究这些项目组在用户的top-k推荐列表中的曝光度。对通常用于POI推荐的八种不同推荐模型（例如，在两个公开可用的POI推荐数据集Gowalla和Yelp上的上下文（CF）表明，大多数表现良好的模型严重遭受流行偏见的不公平性（提供商不公平性）。此外，我们的研究表明，大多数推荐模型不能同时满足消费者和生产者的公平性，这表明这些变量之间的权衡可能是由于数据中的自然偏差。我们选择POI建议作为我们的测试场景;然而，这些见解应该可以在其他领域进行简单的扩展。
2022-04-08 cs.AI cs.IR
Spacetime-GR: A Spacetime-Aware Generative Model for Large Scale Online POI Recommendation
AMAP, Alibaba Group（阿里集团AMAP）
本文提出首个时空感知生成模型Spacetime-GR，通过地理分层POI索引、时空编码模块、多模态嵌入及训练后适配策略，实现大规模在线POI推荐并在准确性与排序质量上超越现有方法。
2025-08-22 cs.AI cs.IR
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
Kernel-based Substructure Exploration for Next POI Recommendation
Peking University（北京大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；University of Central Florida（中佛罗里达大学）
兴趣点（POI）推荐得益于支持GPS的设备和基于位置的社交网络（LBSNs）的激增，在推荐系统中起着越来越重要的作用。它旨在为用户提供方便，根据以前的访问和当前状态发现他们感兴趣的地方。大多数现有的方法通常只是利用递归神经网络（RNN）来探索推荐的顺序影响。尽管这些方法是有效的，但它们不仅忽略了POI之间的拓扑地理影响，而且无法建模高阶序列子结构。为了解决上述问题，我们提出了一个基于核的图神经网络（KBGNN）的下一个兴趣点推荐，它结合了地理和顺序的影响，在一个合作的方式。KBGNN由地理模块和顺序模块组成。一方面，我们建立一个地理图，并利用一个消息传递神经网络来捕捉拓扑地理影响。另一方面，我们探索高阶顺序子结构的用户感知的顺序图使用图形内核神经网络捕捉用户的喜好。最后，一个一致性学习框架，共同将地理和顺序信息提取两个单独的图。通过这种方式，两个模块有效地交换知识，相互促进。在两个真实世界的LBSN数据集上进行的大量实验表明，我们所提出的方法优于现有技术。我们的代码可在https://github.com/Fang6ang/KBGNN上获得。
2022-10-08 cs.AI cs.IR cs.LG
A Survey of Point-of-interest Recommendation in Location-based Social Networks
随着基于位置的社交网络（LBSNs）的流行，出现了向用户推荐新的访问地点的兴趣点（POI）推荐。由于兴趣点推荐在LBSNs中的重要性，它引起了学术界和工业界的广泛兴趣。在本文中，我们提供了一个系统的审查这一领域，总结个人的努力和探索他们之间的关系的贡献。讨论了兴趣点推荐与传统推荐问题相比所具有的新特性和面临的新挑战，电影推荐。然后从兴趣点推荐的影响因素、兴趣点推荐的方法和兴趣点推荐的不同任务三个方面进行了综述。具体来说，我们提出了三个分类分类POI推荐系统。首先，我们根据签到特征的影响因素对系统进行分类，包括地理信息、社会关系、时间影响和内容指示。其次，我们将系统按方法分类，包括融合方法和联合方法建模的系统。第三，根据推荐任务是否偏向于最近签到的细微差别，将系统分为一般兴趣点推荐和连续兴趣点推荐。对于每一个类别，我们总结了贡献和系统功能，并突出了代表性的工作。此外，我们讨论了可用的数据集和流行的指标。最后，我们指出了该领域未来可能的发展方向，并总结了本次调查。
2016-07-03 cs.IR
Learning Time Slot Preferences via Mobility Tree for Next POI Recommendation
Nankai University（南开大学）
本文提出移动树数据结构及MTNet多任务框架，通过多粒度时间段节点学习用户偏好，在三个真实数据集上超越十种现有模型，有效提升下一个POI推荐性能。
2024-03-17 cs.AI cs.IR cs.LG
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
MRP-LLM: Multitask Reflective Large Language Models for Privacy-Preserving Next POI Recommendation
Nanyang Technological University（南洋理工大学）；Singapore University of Technology and Design（新加坡科技设计大学）；Zhejiang University（浙江大学）；Chengdu University of Information Technology（成都信息工程大学）
针对现有LLM下一个POI推荐方法存在的偏好提取差、协同信号不足及缺隐私保护的问题，提出MRP-LLM模型，通过多任务反思偏好提取、邻居偏好检索、多任务推荐及隐私传输模块，在三个真实数据集上实现了更准确且带隐私保护的下一个POI推荐。
2024-12-03 cs.AI cs.IR
Where to Move Next: Zero-shot Generalization of LLMs for Next POI Recommendation
Centre for Frontier AI Research（前沿人工智能研究中心）；Institute of High Performance Computing（高性能计算研究所）；A*STAR（新加坡科技研究局）；Nanyang Technological University（南洋理工大学）；Hong Kong Polytechnic University（香港理工大学）
本研究针对LLM在下一个POI推荐中的零样本泛化能力，设计了新颖的提示策略，将推荐任务表述为排序问题，考虑用户地理偏好、空间距离和顺序转移，并在真实数据集上验证了LLM的零样本推荐能力及其对地理上下文理解的局限性。
2024-04-22 cs.AI cs.IR
TransTARec: Time-Adaptive Translating Embedding Model for Next POI Recommendation
School of Electronic Information；Electrical Engineering Shanghai JiaoTong University Shanghai, China
针对下一POI推荐中翻译嵌入方法忽视时间因素的问题，提出TransTARec，在统一组件内融合时间影响、序列动态与用户偏好，并在真实数据集上验证其优越性。
2024-04-10 cs.AI cs.IR
RALLM-POI: Retrieval-Augmented LLM for Zero-shot Next POI Recommendation with Geographical Reranking
Singapore University of Technology and Design（新加坡科技设计大学）
RALLM-POI通过历史轨迹检索、地理距离重排序和智能体式LLM自校正，在零样本条件下提升下一兴趣点推荐准确性，并在三个Foursquare数据集上优于传统和LLM基线。
2025-09-21 cs.AI 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
Geo-SAGE: A Geographical Sparse Additive Generative Model for Spatial Item Recommendation
随着基于位置的社交网络（LBSNs）的快速发展，空间项目推荐已成为帮助人们发现有吸引力和有趣的场所和活动的重要手段，特别是当用户外出旅游时。然而，与传统的推荐系统相比，这种推荐是非常具有挑战性的。一个用户只能访问有限数量的空间项，导致一个非常稀疏的用户-项矩阵。用户访问的大多数项目位于离他/她居住的地方很短的距离内，这使得当用户旅行到很远的地方时很难推荐项目。此外，不同地理区域的用户兴趣和行为模式可能会有很大差异。鉴于此，我们提出了地理SAGE，一个地理稀疏的空间项目推荐的可加性生成模型。Geo-SAGE通过利用空间项目的共现模式和空间项目的内容，同时考虑用户的个人兴趣和目标区域人群的偏好。为了进一步缓解数据稀疏性问题，Geo-SAGE利用地理相关性，通过一个精心设计的空间索引结构（称为空间金字塔）来平滑人群的偏好。我们进行了广泛的实验，以评估我们的Geo-SAGE模型在两个真正的大规模数据集上的性能。实验结果清楚地表明，我们的Geo-SAGE模型优于国家的最先进的两个任务的外地和家乡的建议。
2015-03-12 cs.DB cs.IR cs.SI
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
Point of Interest Recommendation: Pitfalls and Viable Solutions
King’s College London（伦敦国王学院）；Free University of Bozen-Bolzano（博兹纳-博尔扎诺自由大学）
本文批判性评估兴趣点推荐研究现状，指出数据集、算法和评估方法三方面的关键缺陷，并提出包含多利益相关者设计、上下文感知等方向的研究议程。
2025-07-18 cs.AI cs.IR
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
Decentralized Collaborative Learning Framework for Next POI Recommendation
The University of Queensland（昆士兰大学）；Griffith University（格里菲斯大学）
下一个兴趣点（POI）推荐由于其在帮助人们决定下一个兴趣点访问方面的有效性而成为基于位置的社交网络（LBSNs）中不可或缺的功能。然而，准确的推荐需要大量的历史签到数据，从而威胁到用户隐私，因为位置敏感数据需要由云服务器处理。尽管已经存在用于隐私保护POI推荐的几种设备上框架，但是当涉及到存储和计算时，它们仍然是资源密集型的，并且对用户-POI交互的高稀疏性显示出有限的鲁棒性。在此基础上，我们提出了一种新的分散式协同学习框架的POI推荐（DPOI），它允许用户训练他们的个性化模型本地在一个合作的方式。DSPs显著降低了本地模型对云的依赖，并可用于扩展任意的集中式推荐模型。为了抵消学习每个本地模型时设备上用户数据的稀疏性，我们设计了两个自监督信号来预训练服务器上的POI表示，其中POI具有地理和分类相关性。为了促进协作学习，我们创新性地提出将知识从地理或语义相似的用户到每个本地模型与细心的聚合和互信息最大化。协作学习过程利用设备之间的通信，同时仅需要来自中央服务器的较小参与来识别用户组，并且与诸如差分隐私的常见隐私保护机制兼容。我们用两个真实世界的数据集来评估DALBO，结果表明DALBO的性能优于最先进的设备上框架，并且与集中式框架相比，DALBO产生了具有竞争力的结果。
2022-08-01 cs.IR cs.LG
ManifoldMind: Dynamic Hyperbolic Reasoning for Trustworthy Recommendations
ManifoldMind 提出一种基于自适应曲率概率球体的双曲空间推荐系统，通过曲率感知语义核实现多跳探索推理，在四个基准上取得更优的 NDCG、校准性与多样性，并生成显式推理轨迹以提升推荐可信度。
2025-07-02 cs.AI cs.IR cs.LG
GETNext: Trajectory Flow Map Enhanced Transformer for Next POI Recommendation
The University of Auckland（奥克兰大学）
下一个POI建议旨在根据用户的当前状态和历史信息预测用户的近期未来移动，为用户和服务提供商提供巨大的价值。然而，这个问题显然是复杂的，因为需要综合考虑各种数据趋势。这包括空间位置，时间背景，用户的喜好，等等。大多数现有的研究认为，下一个POI推荐作为一个序列预测问题，而忽略了其他用户的合作信号。相反，我们提出了一个用户不可知的全局轨迹流图和一个新的图形增强的Transformer模型（GETNext），以更好地利用广泛的协作信号，更准确的下一个POI预测，并减轻冷启动问题的同时。GETNext将全局迁移模式、用户的一般偏好、时空上下文和时间感知的类别嵌入到一个Transformer模型中，以预测用户的未来移动。通过这种设计，我们的模型优于最先进的方法，具有很大的利润，也揭示了冷启动的挑战，在时空涉及的推荐问题。
2023-03-03 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
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
GeoGR: Enabling Spatio-Temporal Aware Industrial-scale Generative POI Recommendations
AMAP, Alibaba Group（高德地图，阿里巴巴集团）
GeoGR是一种面向空间时间感知的POI推荐生成框架，通过两阶段设计提升POI推荐的准确性和可扩展性。
2026-09-01 cs.IR
Understanding the Influence of Data Characteristics on the Performance of Point-of-Interest Recommendation Algorithms
本文通过扩展解释性框架并引入POI推荐相关新变量，系统量化了纽约市LBSN签到数据中密度、流行度偏差、签到分布及用户移动性等数据特征对推荐算法准确性、新颖性和曝光度的影响，为改进POI推荐提供了实用指导。
2025-01-06 cs.IR
NEXT: A Neural Network Framework for Next POI Recommendation
Wuhan University（武汉大学）；Nanyang Technological University（南洋理工大学）；State Key Lab of Mathematical Engineering and Advanced Computing（数学工程与先进计算国家重点实验室）
下一个兴趣点推荐的任务近年来得到了广泛的研究。然而，开发一个统一的推荐框架，将与POI和用户相关联的多个因素仍然具有挑战性，因为这些信息的异质性。此外，处理冷启动和赋予系统可解释性的有效机制也是困难的话题。受近年来神经网络在许多领域取得的成功的启发，本文提出了一个简单而有效的神经网络框架，用于下一个兴趣点推荐，命名为NEXT。NEXT是一个统一的框架，通过以统一的方式结合不同的因素来学习关于用户下一步行动的隐藏意图。具体来说，在NEXT中，我们结合了元数据信息和两种时间上下文（即，时间间隔和就诊时间）。为了利用顺序关系和地理影响，我们建议采用DeepWalk，一种网络表示学习技术，来编码这些知识。我们评估的有效性NEXT对国家的最先进的替代品和神经网络为基础的解决方案。在三个公开数据集上的实验结果表明，NEXT在实时下一个兴趣点推荐方面明显优于基线。进一步的实验证明了NEXT在处理冷启动方面的优越性。更重要的是，我们表明，NEXT提供了有意义的解释的尺寸在隐藏的意图空间。
2017-04-15 cs.AI cs.IR
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
GT-SEER: Geo-Temporal SEquential Embedding Rank for Point-of-interest Recommendation
兴趣点推荐是基于位置的社交网络中的一个重要应用，它从用户的签到序列中学习用户的偏好和移动模式来推荐兴趣点。然而，以前的POI推荐系统模型的基础上，张量分解或马尔可夫链模型，不能捕获序列中的上下文签到信息的签到序列。上下文检入信息意味着组成个人的日常检入序列的POI之间的互补功能。在本文中，我们利用嵌入学习技术来捕获上下文检入信息，并进一步提出了\textit{\textbf{SE}}顺序\textit{\textbf{E}}嵌入\textit{\textbf{R}}和（\textit{SEER}）模型POI推荐。具体地，\textit{SEER}模型在由POI嵌入学习方法建模的顺序约束下经由成对排序模型来学习用户偏好。此外，我们纳入了两个重要因素，即，时间影响和地理影响，引入\textit{SEER}模型来增强POI推荐系统。由于不同日期的时间序列的时间差异，我们提出了一个时间POI嵌入模型，并将时间POI表示到时间偏好排名模型，建立\textit{T}时间\textit{SEER}（\textit{T-SEER}）模型。此外，本文还将地理因素的影响引入到\textit{T-SEER}模型中，建立了\textit{\textbf{Geo-Temporal}} \textit{\textbf{SEER}}（\textit{GT-SEER}）模型。
2016-06-19 cs.IR cs.SI
Recommendation under Capacity Constraints
University of Minnesota（明尼苏达大学）；Netflix
在本文中，我们研究了常见的情况下，每个候选项目的推荐是由一个最大容量，即，兴趣点（POI）中的座位数或物品库存的大小。尽管在各种设置中的能力约束下推荐项目的任务的流行，据我们所知，没有一个已知的推荐方法被设计为尊重能力约束。为了缩小这一差距，我们扩展了三种最先进的潜在因素推荐方法：概率矩阵分解（PMF），地理矩阵分解（GeoMF），和baidu个性化排名（BPR），以优化推荐精度和预期项目使用率，尊重容量限制。我们介绍了有用的概念，用户倾向于听和项目容量。我们的实验结果在现实世界的数据集，无论是项目推荐和兴趣点推荐领域，突出了我们的方法的好处，在容量限制的建议设置。
2017-03-12 cs.IR cs.LG stat.ML
MAS4POI: a Multi-Agents Collaboration System for Next POI Recommendation
Beijing Normal University-Hong Kong Baptist University United International College（北京师范大学-香港浸会大学联合国际学院）；University of Warwick（华威大学）
本文提出 MAS4POI 系统，通过 DataAgent、Manager 等多智能体协作，利用 LLM 增强下一个 POI 推荐，并在真实数据集上验证了其提升推荐准确率的有效性。
2024-09-05 cs.AI cs.IR cs.SI
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
From Time and Place to Preference: LLM-Driven Geo-Temporal Context in Recommendations
针对现有推荐系统忽略现实地理时间上下文的问题，提出利用LLM生成地理时间嵌入的可扩展框架，设计轻量信息量测试验证其有效性，通过两种方式融入序列模型，凸显自适应混合策略的必要性并发布增强数据集。
2025-10-28 cs.IR
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
Diffusion-Based Cloud-Edge-Device Collaborative Learning for Next POI Recommendations
本文提出DCPR框架，利用扩散模型和云-边-端架构实现区域个性化POI推荐，减少设备计算负担，并在真实数据集上验证了其高准确性、高效性和对新用户区域的适应性。
2024-05-22 cs.IR
SBTRec- A Transformer Framework for Personalized Tour Recommendation Problem with Sentiment Analysis
Singapore University of Technology and Design（新加坡科技设计大学）
针对旅游行程规划在时间可行性与用户偏好上的不足，提出基于BERT与情感分析的SBTRec算法，通过分析用户签到、照片及评论推荐个性化POI序列，在8个城市数据集上F1达61.45%，显著超越基线。
2023-11-18 cs.AI 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
Improving Location Recommendation with Urban Knowledge Graph
位置推荐是指在基于位置的服务中向用户推荐位置。现有的数据驱动的位置推荐方法受到地理因素隐式建模的限制，这可能导致次优推荐结果。在这项工作中，我们通过引入知识驱动的解决方案来解决这个问题。具体而言，我们首先构建城市知识图谱（UrbanKG）的地理信息和功能信息的POI。另一方面，地理因素不仅影响着POI的特性，而且影响着用户与POI的交互。为了解决这个问题，我们提出了一种新的方法命名为UKGC。我们首先在两个子图上进行信息传播，以学习POI和用户的表示。然后，我们通过反事实学习融合两部分表征，以获得最终的预测。在两个真实世界数据集上的大量实验验证了我们的方法可以优于最先进的方法。
2021-11-01 cs.IR
Generative Next POI Recommendation with Semantic ID
针对现有生成式POI推荐使用随机ID缺乏语义的问题，提出GNPR-SID，通过语义ID构建和生成式推荐模块，利用残差量化变分自编码器及多样性损失，在三个基准数据集上最高提升16%的推荐准确性。
2025-06-18 cs.IR
Scalable Recommendation with Poisson Factorization
Princeton University（普林斯顿大学）；Microsoft Research（微软研究院）
我们开发了一个贝叶斯泊松矩阵分解模型，用于从稀疏的用户行为数据中形成推荐。这些数据是大的用户/项目矩阵，其中每个用户仅对项目的小子集提供反馈，或者显式地（例如，通过星级）或隐含地（例如，通过浏览或购买）。与传统的矩阵分解方法不同，泊松分解隐式地对每个用户对消费项目的有限注意力进行建模。此外，由于泊松似然的数学形式，该模型只需要显式地考虑矩阵中观察到的条目，从而实现可扩展的计算和良好的预测性能。我们开发了一个变分推理算法的近似后验推理，规模庞大的数据集。这是一种有效的算法，它迭代观察到的条目并调整用户/项目表示的近似后验。我们将我们的方法应用于大型真实世界的用户数据，其中包含用户对电影的评分，用户听歌和用户阅读科学论文。在所有这些设置中，贝叶斯泊松分解优于最先进的矩阵分解方法。
2014-05-20 cs.AI cs.IR cs.LG
Practical Data Poisoning Attack against Next-Item Recommendation
在线推荐系统利用各种信息源来向用户提供用户潜在感兴趣的项目。然而，由于在线平台的开放性，推荐系统容易受到数据投毒攻击。现有的攻击方法要么基于简单的启发式规则，要么针对特定的建议方法而设计。前者的性能往往不令人满意，而后者则需要对目标系统有很强的了解。在本文中，我们专注于一个一般的下一个项目的建议设置，并提出了一个实用的中毒攻击方法命名为LOKI黑盒推荐系统。该算法利用强化学习算法对攻击代理进行训练，生成用户行为样本，用于数据投毒。在现实推荐系统中，重新训练推荐模型的成本很高，用户与推荐系统之间的交互频率受到限制，鉴于这些现实限制，我们建议让代理与推荐模拟器而不是目标推荐系统交互，并利用生成的对抗样本的可移植性来毒害目标系统。我们还建议使用影响函数来有效地估计注入样本对推荐结果的影响，而无需在模拟器内重新训练模型。在两个数据集上对四种典型推荐模型进行了大量实验，实验结果表明，该方法比现有方法具有更好的攻击性能。
2020-04-07 cs.CR cs.IR
Diversified recommendations of cultural activities with personalized determinantal point processes
pass Culture Soda Team, Inria Saclay（pass文化Soda团队，Inria萨克利实验室）
本研究利用个性化行列式点过程（DPP）采样实现文化活动推荐多样化，通过相似性核分解加权用户偏好，结合离线与在线指标评估相关性与多样性的权衡，并开源完整代码。
2025-09-12 cs.AI cs.IR
CAPRI: Context-Aware Interpretable Point-of-Interest Recommendation Framework
本文提出CAPRI框架，融合GeoSoCa、LORE和USG等上下文感知模型，扩展多维度评估并开源，以提升POI推荐的可复现性。
2023-06-20 cs.IR
BTRec: BERT-Based Trajectory Recommendation for Personalized Tours
Singapore University of Technology and Design（新加坡科技设计大学）
本文提出BTREC算法，将用户人口统计信息与历史POI访问记录融入BERT模型，实现个性化兴趣点行程推荐，并在八个城市数据集上验证其优于其他序列预测算法。
2023-10-30 cs.IR cs.LG cs.SI
