论文笔记：Spatial-Temporal Interval Aware Sequential POI Recommendation
发布时间
阅读量：
阅读量
ICDE 2022
1 intro
1.1 背景
- 空间位置（Geographic Position）和时刻（Moment in Time）是序列 Point of Interest (POI) 推荐中两个关键且相互补充的因素。
- 空间因素（例如物理距离范围）能够在用户的历史活动轨迹呈现地理分簇现象时，在真实世界中对POI之间的空置邻居关系进行高分辨率的刻画；
- 时间因素（例如时距特征）能够描述check-in事件间的相对时空邻近性，并据此反映出用户的个性化行为模式
- 如果一个序列模型在建模时仅考虑POI及其相关的位置信息，则下图中两个用户的轨迹将具有高度相似性：
- 在这种情况下, 模型无法区分这两个用户的时空行为特征
- 同时在处理自注意力机制时由于它是全局注意力加权平均操作会在一定程度上削弱附近的POI之间的空间相关性。
- 但在序列POI推荐场景中具有较强的强空间相关性的POI对于推荐精度起到关键作用。
- 论文进行了以下实验研究：包括分析不同距离范围内相关的POI数量等。
1.2 论文思路
- 针对现有序列的时间间隔编码与局部空间信息建模的不足问题, 分别提出了一种无需额外参数且计算负担不重的新方法
- 时间感知位置编码器（Time Aware Position Encoder, TAPE）
- 间隔感知注意力模块（Interval Aware Attention Block, IAAB）
2 方法
补充一点：
该嵌入模块接受用户u的位置-实例化（POI）序列Su作为输入，并生成输出表示E∈R^{n×d}。其中n代表最大序列长度参数而定,d则代表空间维度的数量。每个位置信息编码（POI）向量是由其对应的POI嵌入表示与GPS坐标编码相结合生成的结果。针对不同用户的异质性问题,将较长的不同用户的签到行为序列表示拆分为多个长度为n的小段子序列,而对于较短的行为记录,则通过在头部添加'填充'标记点的方式进行扩展至固定长度n,最终将这些虚拟点通过全零向量进行编码处理。
3 实验
全部评论 (0)
还没有任何评论哟~