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
Why Users Go There: World Knowledge-Augmented Generative Next POI Recommendation
Amap, Alibaba Group(阿里巴巴集团阿地图);Xi’an Jiaotong University(西安交通大学)
本文提出AWARE模型,通过LLM代理生成时空感知的上下文叙述,结合用户行为增强世界知识,提升POI推荐效果,实验证明其优于基线模型。
2026-05-12 cs.AI
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
Exploring Backdoor Attack and Defense for LLM-empowered Recommendations
The Hong Kong Polytechnic University(香港理工大学)
针对基于LLM的推荐系统后门攻击安全性研究不足的问题,提出BadRec攻击框架可通过1%对抗样本投毒植入后门,还提出P-Scanner防御策略,在三个真实数据集验证了其检测投毒项目的有效性。
2025-04-15 cs.AI cs.CR
Position: Recommender Systems Should Move Beyond Platform-Centric Ranking toward Personal Agent-Mediated Recommendation
University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校);Tsinghua University(清华大学);Beijing University of Posts and Telecommunications(北京邮电大学);University of California San Diego(加州大学圣地亚哥分校);Beijing Normal-Hong Kong Baptist University(北京师范大学-香港浸会大学联合国际学院)
本文提出个人智能体中介推荐(PAMR)范式,主张将推荐控制权从平台端排序转向用户端证据中介,并通过概念验证实验证明源选择与受控披露能优化效用、可追溯性、曝光和成本。
2026-09-14 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
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
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
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
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
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
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
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
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
ADS-POI: Agentic Spatiotemporal State Decomposition for Next Point-of-Interest Recommendation
Fudan University(复旦大学);Southeast University(东南大学);University of Malaya(马来亚大学)
ADS-POI通过分解用户行为为多个时空感知状态,提升兴趣点推荐的准确性和鲁棒性,实验显示其优于现有最先进基线。
2026-02-10 cs.AI cs.IR
From Prompt to Purchase: How AI Brand Recommendations Move Consumers on the Open Web
Scrunch AI
通过面板数据结合点击流和AI对话,发现AI推荐品牌后,用户搜索、访问品牌网站和零售商页面显著增加,且效应在控制预趋势后依然显著。
2026-09-02 cs.CY 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
POIBERT: A Transformer-based Model for the Tour Recommendation Problem
Singapore University of Technology and Design(新加坡科技设计大学)
旅游线路规划与推荐是旅游者在陌生城市旅游时面临的一个难题。许多旅游推荐算法只考虑诸如兴趣点(POI)的位置和受欢迎程度之类的因素,但是它们的解决方案可能不与用户自己的偏好和其他位置约束很好地一致。另外,这些解决方案不考虑用户基于他们过去的POI选择的偏好。在本文中,我们提出POIBERT,推荐个性化的行程使用BERT语言模型的POI的算法。POIBERT建立在非常成功的BERT语言模型的基础上,将语言模型新颖地适应于我们的行程推荐任务,并采用迭代方法生成连续的POI。我们的推荐算法是能够产生一个序列的兴趣点,优化时间和用户的偏好,在兴趣点类别的基础上,从类似的游客过去的轨迹。我们的旅游推荐算法是通过适应行程推荐问题的自然语言处理(NLP)中的句子完成问题。我们还创新了一种迭代算法来生成满足时间约束的旅行行程,这是最有可能从过去的轨迹。使用Flickr数据集的七个城市,实验结果表明,我们的算法优于许多序列预测算法的基础上的措施,召回率,精度和F1分数。
2022-12-16 cs.AI cs.IR cs.LG
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
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
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
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
Leveraging Social Influence based on Users Activity Centers for Point-of-Interest Recommendation
University of Zanjan(赞詹大学);University College London(伦敦大学学院);University of Amsterdam(阿姆斯特丹大学)
推荐系统(RS)的目标是在与项目(如兴趣点(POI))交互时对用户偏好进行建模和预测。这些系统面临着一些挑战,例如数据稀疏性,限制了它们的有效性。在本文中,我们解决这个问题,将社会,地理和时间信息的矩阵分解(MF)技术。为此,我们基于两个因素对社交影响力进行建模:用户之间在常见签到方面的相似性以及他们之间的友谊。我们介绍了两个层次的友谊的基础上明确的友谊网络和高检入用户之间的重叠。我们的友谊算法基于用户的地理活动中心。结果表明,我们提出的模型优于国家的最先进的两个现实世界的数据集。更具体地说,我们的消融研究表明,社交模型在Gowalla和Yelp数据集上分别将我们提出的POI推荐系统的性能提高了31%和14%。
2022-01-10 cs.AI cs.IR
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
An Empirical Evaluation of Cross-City POI Recommendation on a Large-Scale Benchmark
University of New South Wales(新南威尔士大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));University of Amsterdam(阿姆斯特丹大学)
本文以大规模基准Trip World开展跨城市POI推荐实证评估,发现现有SOTA方法存在三个瓶颈,且适配的智能体方法效果不佳,凸显需设计任务特定的跨城市推荐方案。
2026-08-31 cs.AI cs.IR
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
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
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
Heterogeneous Graph Contrastive Learning for Recommendation
图神经网络(GNN)已经成为推荐系统中对图结构数据建模的强大工具。然而,现实生活中的推荐场景通常涉及异构关系(例如,社会感知的用户影响、知识感知的项目依赖性),其包含丰富的信息以增强用户偏好学习。在本文中,我们研究了异构图增强的关系学习推荐的问题。近年来,对比自监督学习在推荐中取得了成功。鉴于此,我们提出了一种异构图对比学习(HGCL),它能够将异构关系语义与对比学习-增强跨不同视图的知识转移的用户-项目交互建模。然而,异构边信息对交互的影响可能因用户和项目而异。为了推进这一想法,我们用Meta网络增强了异构图对比学习,以允许个性化知识Transformer具有自适应对比增强。在三个真实数据集上的实验结果证明了HGCL的优越性。通过消融研究,验证了HGCL方法中的关键组件,有利于提高推荐性能。模型实现的源代码可在链接https://github.com/HKUDS/HGCL上获得。
2023-03-02 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
How Does Empowering Users with Greater System Control Affect News Filter Bubbles?
LinkedIn Corporation(领英公司);Tulane University(杜兰大学);Illinois Institute of Technology(伊利诺伊理工学院)
研究探讨赋予用户更大系统控制权对新闻过滤气泡的影响,设计增强界面的政治新闻推荐系统,通过用户研究发现该系统虽提高了用户对过滤气泡的认知,但对新闻消费的影响因用户偏好呈现异质性。
2026-07-20 cs.AI 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
CoFiRec: Coarse-to-Fine Tokenization for Generative Recommendation
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Meta;University of California San Diego(加州大学圣地亚哥分校)
CoFiRec通过粗到细分词提升生成推荐效果,有效捕捉用户意图演变。
2026-09-01 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
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 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
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
Redefining POI Popularity: Integrating User Preferences and Recency for Enhanced Recommendations
针对现有兴趣点推荐中流行度建模忽视时间影响的问题,提出融合签到次数、用户数及时间效应的时效性流行度定义,并在真实数据上验证其有效性。
2025-01-21 cs.IR
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
CaST-POI: Candidate-Conditioned Spatiotemporal Modeling for Next POI Recommendation
Fudan University(复旦大学);Southeast University(东南大学);University of Malaya(马来亚大学)
本文提出CaST-POI模型,通过候选条件化序列阅读器动态关注用户历史,引入候选相对时间空间偏置,提升POI推荐性能。
2026-09-03 cs.AI cs.IR
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
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
Bayes-enhanced Multi-view Attention Networks for Robust POI Recommendation
Central South University(中南大学);The Hong Kong Polytechnic University(香港理工大学);The University of Queensland(昆士兰大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
本文针对签到数据不可靠问题提出贝叶斯增强多视图注意力网络BayMAN,通过构建三类POI图并结合贝叶斯图增强与多视图注意力学习用户偏好,在噪声和不完整签到条件下显著提升POI推荐鲁棒性。
2023-11-01 cs.AI cs.IR cs.SI
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
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
Overview of the TREC 2025 Product Search and Recommendation Track
Department of Computer Science, University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校计算机科学系);Coursera(可汗学院);Snowflake(雪佛龙);Coupang;Waseda University(早稻田大学);Department of Information Science, Drexel University(德雷塞尔大学信息科学系)
该文介绍TREC 2025产品搜索与推荐赛道,其含查询扩展与相关产品推荐任务,提供标注产品关系数据集,相关数据可支撑会话式产品发现等应用。
2026-08-19 cs.IR
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
School of Computer Science and Technology, Wuhan University of Science and Technology(武汉科技大学计算机科学与技术学院);School of Computer Science, Wuhan University(武汉大学计算机学院)
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
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
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