DisCo: Towards Harmonious Disentanglement and Collaboration between Tabular and Semantic Space for Recommendation
Shanghai Jiao Tong University(上海交通大学)
本文提出 DisCo 框架,通过双重侧注意力网络、充分性约束和解耦约束,实现表格与语义空间的解耦与协作,生成模式向量增强推荐主干网络,实验验证了其优越性与兼容性。
2024-06-04 cs.AI cs.IR
Socially-Aware Conference Participant Recommendation with Personality Traits
由于学术合作在智能会议中的重要性,各种研究人员已经利用推荐系统为参与者生成有效的推荐。最近的研究表明,用户的个性特征可以作为有效推荐的创新实体。然而,涉及智能会议参与者个性的主观看法非常罕见,也没有得到太多关注。受用户的个性和社会特征的启发,我们提出了一种算法,称为社会和个性感知的参与者推荐(SPARP)。我们的推荐方法混合了参与者之间相似的人际关系和个性特征的计算。SPARP对智能会议参与者的个性和社会特征进行建模。通过组合上述推荐实体,SPARP然后向彼此推荐参与者以进行有效协作。我们使用相关数据集评估SPARP。实验结果表明,SPARP是可靠的,优于其他国家的最先进的方法。
2020-08-09 cs.IR cs.SI
Evaluation and Explainability of Unsupervised Scholarly Collaboration Recommendations
Gianforte School of Computing Montana State University(蒙大拿州立大学吉安福特计算学院);Library Montana State University(蒙大拿州立大学图书馆)
研究无监督、基于内容的学术合作推荐,比较TF-IDF基线、主题模型和基于嵌入的检索等方法,引入受限设置评估模型,还从两视角考察可解释性,展现不同方法差异及权衡。
2026-08-04 cs.IR
From Transfer to Collaboration: A Federated Framework for Cross-Market Sequential Recommendation
Beijing Jiaotong University(北京交通大学);OPPO Research Institute(OPPO研究院);Peking University(北京大学);Nanyang Technological University(南洋理工大学)
本文提出FeCoSR框架,通过多对多协作模式和Semantics Soft Cross-Entropy解决跨市场推荐中的数据隔离和市场异质性问题,提升推荐性能。
2026-04-15 cs.IR
Seeing and Reflecting: Multimodal Memory-Enhanced Agent Collaboration for Recommendation
Tsinghua University(清华大学);University of Science and Technology of China(中国科学技术大学);Peking University(北京大学);The University of New South Wales(新南威尔士大学);Macquarie University(麦考瑞大学);CSIRO’s Data61(联邦科学与工业研究组织数据61)
针对基于LLM的推荐系统局限,提出MMEACR框架,采用双轨记忆架构,通过属性引导机制更新记忆,构建多模态嵌入记忆,经加权倒数排名融合两轨道,实验证明其在多领域表现出色,尤其视觉推荐场景有显著提升。
2026-07-09 cs.IR
Collaboration-Aware Graph Convolutional Network for Recommender Systems
Vanderbilt University(范德堡大学)
图神经网络(GNNs)凭借其隐式捕捉协作效果的消息传递功能,已被成功地应用于推荐系统中。然而,大多数现有的推荐消息传递机制都是直接从GNN继承而来的,而没有仔细检查捕获的协作效果是否有利于预测用户偏好。在本文中,我们首先分析了如何通过消息传递捕获的协作效果,并提出了一个面向简化的拓扑度量,共同互动比(CIR),它衡量一个节点的特定邻居与其他邻居之间的互动水平。在展示了利用来自具有较高CIR的邻居的协作的好处之后,我们提出了一个定制的GNN,协作感知图卷积网络(CAGCN),它在区分非二部子图同构图方面超越了1-Weisfeiler-Lehman(1-WL)测试。在六个基准数据集上的实验表明,最好的CAGCN变体在Recall@20中的性能比最具代表性的基于GNN的推荐模型LightGCN高出近10%,并且还实现了约80%的加速比。我们的代码可在https://github.com/YuWVandy/CAGCN上公开获取。
2023-02-20 cs.IR cs.LG
Collaboration of Large Language Models and Small Recommendation Models for Device-Cloud Recommendation
Zhejiang University(浙江大学);National University of Singapore(新加坡国立大学)
针对LLM4Rec无法捕捉实时偏好且部署成本高的问题,提出设备-云协作框架LSC4Rec,融合LLM与SRM优势,通过协作训练、推理和智能请求实现互补,实验验证各策略有效。
2025-02-25 cs.AI cs.CL cs.DC
Graph Neural Team Recommendation: An Integrated Approach
University of Windsor(温莎大学);University of Toronto(多伦多大学)
本文将团队推荐问题转化为专家协作图的端到端链接预测,利用多跳协作信息,在两个大规模数据集上取得最优性能,提出了一种集成的图神经网络团队推荐方法。
2026-09-03 cs.IR cs.SI
Personalized Behavior-Aware Transformer for Multi-Behavior Sequential Recommendation
Zhejiang University(浙江大学)
本文针对多行为序列推荐提出个性化行为感知Transformer框架PBAT,通过个性化行为模式生成器和行为感知协作提取器融合行为与时间影响,在三个基准数据集上验证了其有效性和可解释性。
2024-02-22 cs.AI cs.IR
CHORD: Customizing Hybrid-precision On-device Model for Sequential Recommendation with Device-cloud Collaboration
Zhejiang University(浙江大学);Shanghai Institute for Advanced Study of Zhejiang University(浙江大学上海高等研究院);Huawei Noah’s Ark Lab(华为诺亚实验室);Shanghai Jiao Tong University(上海交通大学)
针对端侧重排序模型压缩忽视个性化且微调成本高的问题,提出端云协同框架 CHORD,通过云端超网络生成用户特定的通道级 2 比特混合精度策略,在 SASRec 与 Caser 上验证了准确、高效与自适应能力。
2025-10-03 cs.AI cs.IR cs.LG
Enhancing Top-N Item Recommendations by Peer Collaboration
深度神经网络(DNN)在推荐系统(RS)领域取得了巨大的成功。然而,为了实现卓越的性能,基于DNN的推荐模型通常需要大量的参数,这不可避免地带来冗余的神经元和权重,这种现象被称为过度参数化。在本文中,我们计划利用这种冗余现象,以提高RS的性能。具体来说,我们提出了PCRec,一个前N项\underline{rec}推荐框架,它利用具有相同网络结构的两个基于DNN的推荐模型的协同训练,称为\underline{p} eer \underline{c} olecule。PCRec可以在训练过程中重新激活和加强不重要(冗余)的权重,从而实现更高的预测精度,但保持其原有的推理效率。为了实现这一点,我们首先介绍了两个标准来确定一个给定的推荐模型的权重的重要性。然后,我们通过移植外部信息(即,权重)从其对等网络。经过这样的操作和再训练,原推荐模型被赋予了更大的代表能力,拥有更多的功能模型参数。为了显示其通用性,我们实例化PCRec使用三个著名的推荐模型。我们在三个真实世界的数据集上进行了广泛的实验,并表明PCRec比具有相同模型(参数)大小的对应物产生更好的推荐。
2021-12-02 cs.IR
Neural Hybrid Recommender: Recommendation needs collaboration
Istanbul Technical University(伊斯坦布尔技术大学)
近年来,深度学习在计算机视觉、语音识别和自然语言处理方面取得了无可争议的成功。在这些具有挑战性的领域取得成功之后,它也被用于推荐系统,但主要是将内容特征纳入传统方法。在本文中,我们介绍了一个广义的神经网络为基础的推荐框架,很容易扩展额外的网络。这个名为NHR的框架,是神经混合推荐器的缩写,它允许我们从相同和不同的数据源中包含更详细的信息。我们已经研究了项目预测问题,但该框架也可以用于评级预测问题,只需对损失函数进行一次更改。为了评估这样一个框架的效果,我们已经测试了我们的方法在基准测试和尚未实验的数据集。在这些真实世界的数据集的结果表明,与最先进的方法相比,我们的方法的优越性能。
2019-09-29 cs.IR cs.LG
Multi-Agent Collaborative Filtering: Orchestrating Users and Items for Agentic Recommendations
University of California, San Diego(加州大学圣地亚哥分校);Adobe Research(Adobe研究)
本文提出多智能体协同过滤框架,通过动态协作机制提升智能推荐效果。
2026-01-26 cs.CL cs.IR
Decentralized Collaborative Learning with Adaptive Reference Data for On-Device POI Recommendation
针对端上POI推荐中本地数据稀缺、现有协同学习通用参考数据适配性差的问题,提出DARD框架,构建脱敏参考池并为用户自适应选参考集,结合邻居协同训练,提升了推荐性能。
2024-01-25 cs.IR
Collaboration and Transition: Distilling Item Transitions into Multi-Query Self-Attention for Sequential Recommendation
提出MQSA-TED方法,通过多查询自注意力捕捉协作信号,并利用转换感知嵌入蒸馏学习全局物品转换模式,在四个数据集上验证有效性。
2023-12-25 cs.IR
Transparent and Controllable Recommendation Filtering via Multimodal Multi-Agent Collaboration
Fudan University(复旦大学);Microsoft Research Asia(微软亚洲研究院)
本文提出一种结合端到云协作、多模态感知和多智能体编排的框架,有效减少推荐系统中的过度关联和误报,提升用户控制和透明度。
2026-04-19 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
Model-Agnostic Decentralized Collaborative Learning for On-Device POI Recommendation
针对设备端POI推荐中模型异构与数据稀疏问题,提出模型无关的协同学习框架MAC,通过基于物理距离和社交网络预选邻居、结合互信息最大化的知识蒸馏共享软决策,并设计采样策略与隐私保护参考数据集生成方法,实现了高效安全的个性化推荐。
2023-04-08 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
Agentic Feedback Loop Modeling Improves Recommendation and User Simulation
University of Science and Technology of China(中国科学技术大学);Meta AI;MoE Key Lab of BIPC, University of Science and Technology of China(中国科学技术大学信息与电子技术教育部重点实验室)
针对推荐智能体与用户智能体协作交互被忽视的问题,提出强调反馈循环过程的新框架,通过迭代分析双方反馈优化推荐与用户模拟,实验证明其显著提升性能且不加剧偏差。
2025-05-02 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
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
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
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
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
Learning Spatiotemporal-Aware Representation for POI Recommendation
基于位置的社交网络的广泛应用带来了海量的用户签到数据,为兴趣点的推荐提供了便利。分布式表示的最新进展为学习低维稠密向量以缓解数据稀疏性问题提供了启示。现有的表示学习算法将用户和兴趣点都嵌入到一个共同的潜在空间中,根据用户与兴趣点之间的距离/相似度来推断用户的偏好。这种方法不符合用户和POI的语义,因为它们是固有的不同对象。该文提出了一种新的时空感知(STA)表示方法,将时空信息建模为\emph{a relationship connecting users and POIs} .该模型概括了知识图谱嵌入的最新进展。基本思想是$<$时间、位置$>$对的嵌入对应于从用户的嵌入到POI的转换。由于POI嵌入应当接近于用户嵌入加上关系向量,因此可以通过选择与翻译的POI类似的顶部\emph{k} POI来执行推荐,这些POI都是相同类型的对象.例如,当一位用户在浏览运动品类下的商品时,其可能同时有购买足球和运动衫这两种商品的意图。实验结果表明,该模型具有较高的推荐准确率、对数据稀疏性的鲁棒性和对冷启动问题的有效处理能力。
2017-04-28 cs.IR cs.SI
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
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
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
DAN-SNR: A Deep Attentive Network for Social-Aware Next Point-of-Interest Recommendation
下一个(或连续的)兴趣点(POI)推荐近年来引起了越来越多的关注。以往的研究大多试图将时空信息和用户签到的序列模式结合到推荐模型中,以预测目标用户的下一步行动。然而,这些方法都没有利用每个用户的朋友的社会影响力。在这项研究中,我们讨论了一个新的话题下一个兴趣点推荐,并提出了一个深度关注网络的社会意识下一个兴趣点推荐称为DAN-SNR。特别地,DAN-SNR利用自我注意力机制而不是递归神经网络的架构,以统一的方式对顺序影响和社会影响进行建模。此外,我们设计并实现了两个并行的渠道,以捕捉短期用户偏好和长期用户偏好以及社会影响力,分别。通过利用多头自注意,DAN-SNR可以有效地建模任何两个历史签入之间的远程依赖关系,并自适应地权衡它们对下一个目的地的贡献。此外,我们使用从两个流行的基于位置的社交网络,即Gowalla和Rekite收集的大规模真实世界数据集进行了全面评估。实验结果表明,DAN-SNR优于7竞争基准方法的推荐性能,是高效率的六个神经网络和注意力为基础的方法。
2020-04-25 cs.IR cs.SI
HyperMAN: Hypergraph-enhanced Meta-learning Adaptive Network for Next POI Recommendation
针对下一个兴趣点推荐中的高阶关系建模和冷启动问题,提出超图增强元学习自适应网络,通过异构超边和多样性感知元学习提升推荐准确性。
2025-03-27 cs.IR cs.SI
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
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
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
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
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
EAGER: Two-Stream Generative Recommender with Behavior-Semantic Collaboration
针对生成式推荐中行为与语义信息割裂的问题,提出双流生成框架 EAGER,通过共享编码器、双解码器、全局对比任务和语义引导迁移任务实现两类信息的协同利用,在四个公开基准上取得优于现有方法的性能。
2024-07-03 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
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
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
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
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
ARAG: Agentic Retrieval Augmented Generation for Personalized Recommendation
Walmart Global Tech(沃尔玛全球科技)
本文提出ARAG框架,通过将多智能体协作机制集成到RAG流程中,利用用户理解、自然语言推理、上下文总结和项目排序四个智能体捕捉动态用户偏好,显著提升了个性化推荐性能。
2025-08-11 cs.AI cs.CL 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 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
Developing Multi-Task Recommendations with Long-Term Rewards via Policy Distilled Reinforcement Learning
Texas A&M University(得克萨斯农工大学);Samsung Research America(三星美国研究院);National Chiao Tung University(国立交通大学);University of Arizona(亚利桑那大学)
随着在线产品和内容的爆炸式增长,推荐技术已被认为是克服信息过载、改善用户体验和增加商业收入的有效工具。近年来,我们观察到一个新的desideratum同时考虑多个相关的推荐任务的长期奖励。长期回报的考虑与业务收入和增长密切相关。由于多任务学习中的知识共享,同时学习多个任务通常可以提高单个任务的绩效。虽然一些现有的作品已经研究了长期奖励的建议,他们主要集中在一个单一的推荐任务。在本文中,我们提出了{ \it PoDiRe}:一个\underline{po} licy \underline{di} stilled \underline{re} commender,可以解决长期奖励的建议,并同时处理多个推荐任务。这种新的推荐解决方案是基于深度强化学习和知识蒸馏技术的结合,它能够在不同的任务之间建立知识共享,并减少学习模型的大小。由此产生的模型预计将获得更好的性能和更低的响应延迟的实时推荐服务。我们与全球最大的商业移动游戏平台之一Samsung Game Launcher合作,对包含数亿事件的大规模真实数据进行了全面的实验研究,并表明我们的解决方案在几个标准评估指标方面优于许多最先进的方法。
2020-01-27 cs.IR cs.LG stat.ML
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
IntTravel: A Real-World Dataset and Generative Framework for Integrated Multi-Task Travel Recommendation
Amap, Alibaba Group(高德,阿里巴巴集团)
IntTravel通过大规模数据集和生成框架,提升多任务旅行推荐的性能和泛化能力。
2026-09-21 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