Knowledge-Enhanced Top-K Recommendation in Poincaré Ball
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
个性化推荐系统越来越重要，因为越来越多的内容和服务变得可用，用户很难确定他们可能感兴趣的内容。由于能够提供丰富的信息，知识图谱（KG）被纳入，以提高推荐性能和可解释性。为了有效地利用知识图谱，我们提出了一个双曲空间的推荐模型，这有利于学习的知识图谱的层次结构。此外，双曲线注意力网络被用来确定某一项目的相邻实体的相对重要性。此外，我们提出了一个自适应和细粒度的正则化机制，自适应正则化项目及其相邻的表示。通过使用三个真实世界的数据集与最先进的方法进行比较，我们表明，该模型在Top-K推荐的NDCG@K方面比现有的最佳模型高出2-16%。
2021-01-29 cs.IR 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
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
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
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
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
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
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
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
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
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
POINTREC: A Test Collection for Narrative-driven Point of Interest Recommendation
本文提出了一个测试集的上下文兴趣点（POI）推荐在叙事驱动的场景。在那里，用户历史不可用，相反，用户请求用自然语言描述。我们收集的请求是从社交共享网站手动收集的，并使用各种类型的元数据进行注释，包括位置，类别，约束和示例POI。这些请求将从兴趣点数据集中得到解决，这些兴趣点数据集是从一个流行的在线目录中收集的，并进一步链接到一个地理知识库，并通过相关的网页片段加以丰富。通过汇集人工和自动建议，使用众包收集分级相关性评估，后者作为未来业绩比较的基线。该资源支持开发端到端POI推荐以及自然语言请求的特定语义注释任务的新方法。
2021-05-19 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
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
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
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
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
Physical Trajectory Inference Attack and Defense in Decentralized POI Recommendation
该研究针对去中心化POI推荐中协同学习框架的隐私漏洞，提出可窃取用户历史轨迹的PTIA攻击，验证传统LDP无法抵御，并设计基于对抗博弈的AGD防御机制，在极小影响推荐性能的前提下实现有效防御。
2024-01-26 cs.IR
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
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
Online POI Recommendation: Learning Dynamic Geo-Human Interactions in Streams
University of Central Florida（中佛罗里达大学）；Portland State University（波特兰州立大学）；Rutgers University（罗格斯大学）
在本文中，我们专注于问题的建模动态地理人类互动流在线POI建议。具体来说，我们制定了流中的地理人类交互建模问题到一个新的深度交互式强化学习框架，其中代理是一个推荐和行动是下一个POI访问。我们独特地将强化学习环境建模为用户和地理空间上下文（POI，POI类别，功能区）的联合和连接组成。用户访问流中的POI的事件更新用户和地理空间上下文的状态;代理感知更新的环境状态以进行在线推荐。具体来说，我们通过将所有用户、访问和地理空间上下文统一为动态知识图谱流来建模混合用户事件流，以建模人-人、地理-人、地理-地理交互。我们设计了一个退出机制来解决过期信息的挑战，设计了一个元路径方法来解决推荐候选生成的挑战，并开发了一个新的深度策略网络结构来解决不断变化的动作空间的挑战，最后，提出了一个有效的对抗训练方法进行优化。最后，我们提出了广泛的实验来证明我们的方法的增强性能。
2022-10-12 cs.AI cs.IR cs.LG
A Survey on Point-of-Interest Recommendations Leveraging Heterogeneous Data
本文综述 2021–2023 年 POI 推荐研究，分析所用信息类型、技术与评估方法，指出当前数据源偏窄，异构数据有助于提升个性化与情境感知推荐。
2024-12-05 cs.IR
Harnessing Large Language Models for Group POI Recommendations
针对群体POI推荐中偏好多样与数据稀疏的挑战，提出LLMGPR框架，利用大型语言模型、语义增强令牌、QLoRA序列适配器、聚合适配器及自监督学习，显著提升推荐准确性与鲁棒性。
2025-08-06 cs.IR
Discovering Collaborative Signals for Next POI Recommendation with Iterative Seq2Graph Augmentation
下一兴趣点推荐是基于位置的社交网络中不可或缺的组成部分，它根据用户最近的访问历史向用户推荐未探索的兴趣点。然而，现有的工作主要模型的检入数据作为孤立的POI序列，忽略了关键的合作信号，从交叉序列检入信息。此外，稀疏的POI-POI转换限制了模型学习有效的序列模式进行推荐的能力。在本文中，我们提出了序列到图（Seq 2Graph）增强每个POI序列，允许协作信号传播属于其他序列的相关POI。然后，我们设计了一种新的序列到图形POI推荐器（SGRec），它联合学习POI嵌入，并从图形增强的POI序列推断用户的时间偏好。为了克服POI级交互的稀疏性，我们进一步将类别感知注入SGRec，并使用多任务学习方案捕获更密集的类别转换。因此，SGRec充分利用协作信号来学习表达性POI表示，并全面揭示用于用户偏好建模的多层次序列模式。在两个真实数据集上的大量实验证明了SGRec在下一个POI推荐中相对于最先进方法的优越性。
2022-04-27 cs.IR
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
Where to Go Next: A Spatio-temporal LSTM model for Next POI Recommendation
下一个兴趣点（POI）推荐对于基于位置的服务提供商和用户都具有很大的价值。最近，递归神经网络（RNN）已被证明是有效的顺序推荐任务。然而，现有的RNN解决方案很少考虑邻居签到之间的时空间隔，这对于在下一个POI推荐中建模用户签到行为是必不可少的。在本文中，我们提出了一种新的LSTM变体，称为STLSTM，它在LSTM中实现了时间门和距离门，以捕获连续签入之间的时空关系。具体来说，一个时间门和一个距离门被设计用于控制短期兴趣更新，另一个时间门和距离门被设计用于控制长期兴趣更新。此外，为了减少参数的数量和提高效率，我们进一步将耦合输入和遗忘门与我们提出的模型相结合。最后，我们使用来自各种基于位置的社交网络的四个真实世界的数据集来评估所提出的模型。我们的实验结果表明，我们的模型显着优于国家的最先进的方法为下一个POI推荐。
2018-06-18 cs.IR
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
Utilizing Language Models for Tour Itinerary Recommendation
Singapore University of Technology and Design（新加坡科技设计大学）
本文探讨了如何利用Word2Vec、GloVe和BERT等语言模型技术解决旅游行程推荐任务，以实现个性化POI推荐并规划满足时间等约束条件的行程。
2023-11-21 cs.CL cs.IR cs.LG
FedPOIRec: Privacy Preserving Federated POI Recommendation with Social Influence
Institute for Language and Speech Processing, Athena Research Center（雅典娜研究中心语言与语音处理研究所）；Department of Electrical and Computer Engineering, Democritus University of Thrace（色雷斯德谟克利特大学电气与计算机工程系）
随着基于位置的社交网络数量的增长，隐私保护的位置预测已经成为帮助用户发现新的兴趣点（POI）的主要任务。传统的系统采用集中式方法，需要传输和收集用户的私人数据。在这项工作中，我们提出了FedPOIRec，一个隐私保护的联邦学习方法，增强了用户社交圈的功能，用于顶级$N$ POI推荐。首先，FedPOIRec框架是基于本地数据永远不会离开所有者设备的原则构建的，而本地更新是由参数服务器盲目聚合的。第二，通过允许用户交换他们学习到的参数，使知识在朋友之间传递，本地用户变得个性化。为此，我们提出了一个隐私保护协议，通过利用CKKS完全同态加密方案的属性，在联邦计算后集成用户的朋友的偏好。为了评估FedPOIRec，我们使用两个推荐模型将我们的方法应用于五个真实世界的数据集。大量的实验表明，FedPOIRec实现了类似的推荐质量集中的方法，而社会集成协议在用户端产生的计算和通信开销低。
2021-12-21 cs.CR cs.IR cs.LG
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
POI Recommendation with LLM-Augmented Multi-Graph Learning and Contrastive Alignment
Institute for Digital Transformation - University of Applied Sciences Ravensburg-Weingarten（拉芬斯堡-魏恩加腾应用科学大学数字转型研究所）
该研究针对POI推荐的物品冷启动问题，提出LLM-MGCL模型，结合语义、地理与交互多图及对比学习，在Yelp数据集上显著优于基线模型，缓解了冷启动问题。
2026-10-23 cs.IR cs.LG
Context-Aware Attention-Based Data Augmentation for POI Recommendation
随着基于位置的社交网络（LBSNs）的快速发展，兴趣点推荐（POI）在近十年得到了广泛的研究。最近，作为POI推荐的自然延伸，下一个POI推荐备受关注。它的目的是建议下一个兴趣点的空间和时间的背景下，这是一个实际的，但在各种应用中具有挑战性的任务给用户。现有的方法主要是对时空信息进行建模，并通过用户的轨迹记忆历史模式进行推荐。然而，它们遭受缺失和不规则检入数据的负面影响，这显著影响了模型性能。在本文中，我们提出了一种基于注意力的序列到序列生成模型，即POI增强Seq 2Seq（PA-Seq 2Seq），通过使签到记录均匀间隔来解决训练集的稀疏性。具体地，编码器总结每个签入序列，并且解码器基于编码信息预测可能的丢失签入。为了学习用户历史之间的时间感知相关性，我们采用本地注意力机制来帮助解码器在预测某个丢失的签入点时关注特定范围的上下文信息。已经进行了广泛的实验，在两个真实世界的检入数据集，Gowalla和Replikite，性能和有效性评估。
2021-06-30 cs.IR
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
Knowledge Graph Tokenization for Behavior-Aware Generative Next POI Recommendation
针对生成式下一个POI推荐中异构信息丢失和单一行为理解不足的问题，提出KGTB框架，利用知识图谱组织数据并开发基于KG的标记器生成结构ID，同时引入多行为学习任务微调LLM，显著提升了推荐性能。
2025-09-15 cs.IR
Spatial Object Recommendation with Hints: When Spatial Granularity Matters
RMIT University（皇家墨尔本理工大学）；Baidu Research（百度研究院）；University of Science and Technology of China（中国科学技术大学）；Zhejiang University（浙江大学）；Rutgers University（罗格斯大学）
现有的空间对象推荐算法在对对象进行排序时，通常将对象等同对待。然而，空间对象通常覆盖不同级别的空间粒度，因此是异构的。例如，一个用户可能更喜欢被推荐一个地区（比如曼哈顿），而另一个用户可能更喜欢一个地点（比如餐馆）。即使对于同一个用户，偏好也会在数据探索的不同阶段发生变化。在本文中，我们研究了如何在不同的空间粒度级别上支持top-k空间对象推荐，使空间对象在不同的粒度，如城市，郊区，或建筑物，作为一个兴趣点（POI）。为了解决这个问题，我们提出了使用一个POI树，它捕获POI之间的空间包含关系。我们设计了一种新的多任务学习模型MPR（Multi-level POI Recommendation），其中每个任务的目标是在一定的空间粒度级别返回前k个POI。每个任务由两个子任务组成：（i）基于属性的表示学习;（ii）基于交互的表示学习。第一个子任务学习用户和POI的特征表示，直接从他们的配置文件中捕获属性。第二子任务将用户-POI交互合并到模型中。此外，MPR可以基于三种类型的提示提供关于为什么向用户做出某些推荐的见解：用户方面、POI方面和交互方面。我们经验验证我们的方法使用两个现实生活中的数据集，并显示出有前途的性能改进，超过几个国家的最先进的方法。
2021-01-08 cs.DB cs.IR cs.LG
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
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
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
Personalized Context-Aware Point of Interest Recommendation
兴趣点的个性化推荐对于满足基于位置的社交网络（LBSNs）用户的需求具有重要作用。在本文中，我们提出了一个概率模型来找到用户注释的标签和位置的口味关键字之间的映射。此外，我们介绍了一个数据集的位置的上下文适当性，并证明其在预测位置的上下文相关性的有用性。我们研究了四种方法来使用我们提出的映射来解决数据稀疏性问题：一种模型来降低位置品味关键字的维度，三种模型来预测新位置的用户标签。此外，我们提出了不同的分数计算从多个LBSN，并显示我们如何将新的信息从映射到POI推荐方法。然后，使用学习排序技术来整合计算出的分数。在两个TREC数据集上的实验表明了该方法的有效性，击败了最先进的方法。
2018-06-14 cs.IR
Recommendation from Raw Data with Adaptive Compound Poisson Factorization
IRIT（图卢兹计算机科学研究所）；Université de Toulouse（图卢兹大学）；CNRS（法国国家科学研究中心）
计数数据经常用于推荐系统：它们分布广泛（歌曲播放计数，产品购买，网页点击），可以在没有用户任何明确评级的情况下揭示用户偏好。已知这些数据是稀疏的，过度分散的和突发的，这使得它们在推荐系统中的直接使用具有挑战性，通常会导致预处理步骤，如二值化。本文的目的是建立推荐系统，从这些原始数据，通过最近提出的复合泊松因子分解（cPF）。论文的贡献是三方面的：我们提出了一个统一的框架离散数据（dcPF），导致自适应和可扩展的算法，我们表明，我们的框架实现了泊松因子分解（PF）应用于原始数据和二进制数据之间的权衡，我们研究了四个具体的实例，是相关的建议，并表现出新的联系与组合。三个不同数据集的实验表明，dcPF能够有效地调整过度分散，从而在原始数据或二进制数据上获得比PF更好的推荐分数。
2019-07-09 cs.IR cs.LG stat.ML
Exploring the Impact of Temporal Bias in Point-of-Interest Recommendation
基于诸如他们的登记时间和位置的上下文信息向消费者推荐合适的旅行目的地是兴趣点（POI）推荐系统的主要目标。然而，背景偏见的问题（即，消费者在多大程度上喜欢一种情况而不是另一种情况）很少受到研究界的关注。本文考察了时间偏差的影响，时间偏差定义为用户入住时间、休闲与~工作时间，对消费者端公平性的上下文感知推荐算法。我们认为，消除这种时间（和地理）偏差可能有助于减少与交通有关的空气污染，并指出高峰时段的交通可能更加拥挤。为了表面有效的POI推荐，我们评估了最先进的上下文感知模型对两个POI数据集（即Gowalla和Yelp）上的用户签到活动中包含的时间偏差的敏感性。研究结果表明，检查上下文感知推荐模型更喜欢一组用户在另一个基于时间的检查，这种偏好持续存在，即使用户有相同数量的互动。
2022-07-23 cs.IR
Meta-learning enhanced next POI recommendation by leveraging check-ins from auxiliary cities
Macquarie University（麦考瑞大学）；Chengdu University of Information Technology（成都信息工程大学）；Centre for Frontier AI Research, A*STAR（新加坡科技研究局前沿人工智能研究中心）；Institute of High Performance Computing, A*STAR（新加坡科技研究局高性能计算研究所）；Nanyang Technological University（南洋理工大学）
针对城市级签到数据稀缺问题，提出MERec框架，通过城市级相关性注意力策略从辅助城市迁移共同行为模式，并以元学习提升目标城市的下一POI推荐效果。
2023-08-18 cs.IR cs.LG
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
Modeling the Dynamics of User Preferences for Sequence-Aware Recommendation Using Hidden Markov Models
DePaul University（德保罗大学）
在涉及与最终用户交互的各种在线设置中，系统适应用户偏好的变化至关重要。用户对项目的偏好往往会随着时间的推移而改变，这是由于各种因素，如上下文的变化、正在执行的任务或其他短期或长期的外部因素。推荐系统需要能够捕获用户偏好中的这些动态，以便保持对用户最新兴趣的调整。在这项工作中，我们提出了一个建议框架，考虑到用户偏好的动态。我们提出了一种基于隐马尔可夫模型（HMM）的方法来识别用户交互序列中的变点，根据数据中所有用户的顺序行为来反映偏好的显着变化。所提出的框架利用所确定的变化点，使用序列感知的非负矩阵分解模型生成建议。我们经验证明了基于HMM的变化检测方法的有效性相比，标准的基线方法。此外，我们评估了所提出的推荐方法的性能，并表明它相比有利的最先进的序列感知推荐模型。
2019-05-14 cs.IR cs.LG
Exploring the Effect of Context-Awareness and Popularity Calibration on Popularity Bias in POI Recommendations
本文评估上下文感知模型和校准流行度技术对POI推荐中流行度偏差的缓解效果，发现两者结合能在准确性与流行度校准间取得最佳平衡。
2025-07-13 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
Detecting Changes in User Preferences using Hidden Markov Models for Sequential Recommendation Tasks
推荐系统根据用户过去的偏好帮助用户找到感兴趣的相关项目。然而，在许多领域中，由于各种因素，用户的品味和偏好随着时间的推移而变化，推荐系统应该在用户偏好中捕获这些动态，以便保持对用户最当前兴趣的调谐。在这项工作中，我们提出了一个基于隐马尔可夫模型（HMM），考虑到用户偏好的动态推荐框架。我们提出了一种基于HMM的方法来检测用户交互序列中的变化点，该方法根据数据中所有用户的顺序行为来反映偏好的显着变化。拟议的框架利用已确定的变化点，以两种方式提出建议。在一种方法中，使用变化点来创建序列感知的非负矩阵分解模型，以生成与用户的当前品味一致的推荐。在第二种方法中，HMM直接用于生成考虑到所识别的变化点的建议。这些模型在变化点检测的准确性以及使用真实音乐流数据集的推荐的有效性方面进行了评估。
2018-09-29 cs.IR
STP-UDGAT: Spatial-Temporal-Preference User Dimensional Graph Attention Network for Next POI Recommendation
GrabTaxi Holdings（GrabTaxi控股公司）；Grab-NUS AI Lab（Grab-新加坡国立大学人工智能实验室）；National University of Singapore（新加坡国立大学）
下一个兴趣点（POI）推荐是基于位置的社交网络（LBSN）和交通领域的一个长期存在的问题。最近基于递归神经网络（RNN）的方法基于独立的用户访问序列在局部视图中学习P0 I-POI关系。这限制了模型在全局视图中跨用户直接连接和学习以推荐语义训练的POI的能力。在这项工作中，我们提出了一个时空偏好用户维度图注意力网络（STP-UDGAT），一种新的探索利用模型，同时利用个性化的用户偏好，并探索新的POI在全球时空偏好（STP）的邻居，同时允许用户有选择地从其他用户学习。此外，我们提出了随机游走作为一个掩蔽的自我注意力选项，以利用STP图的结构，并在探索过程中找到新的高阶POI邻居。在六个真实世界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。
2020-10-06 cs.IR cs.LG cs.SI
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
A Diffusion model for POI recommendation
本文提出Diff-POI模型，通过图编码与扩散采样策略建模用户空间偏好和序列信息，有效提升POI推荐性能并突破新区域推荐局限。
2023-10-28 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
