基于自适应边权重的图神经网络的下一个兴趣点推荐
摘 要：现有的兴趣点（point of interest，POI）推荐方法在捕捉用户兴趣漂移以及融合多源时空信息等方面存在局限性。针对用户兴趣随时间、场景的快速演变以及地理环境变化带来的挑战，本文提出基于自适应双图学习框架的下一个兴趣点POI 推荐模型（graph dual neural network with adaptive edge weighting，GDNN）。模型通过构建访问序列图和兴趣点地理图的自适应双图协同框架，利用门控图神经网络捕捉用户行为的时序依赖性和兴趣演变轨迹，利用图卷积网络学习POI 间的空间邻近性和区域功能属性。其中，双图结构显式解耦短期序列模式与长期地理偏好，有效建模兴趣的快速演变；自适应边权重机制则通过非线性衰减函数，自适应建模不同区域的时空衰减特性。引入多头注意力机制融合地理与序列表征，通过注意力权重揭示模型决策过程，结合点击概率预测实现精准排序推荐。在Foursquare 和Gowalla 数据集上进行实验验证，结果表明GDNN 显著优于最优基线，归一化折损累计增益@20 分别提升8.24%和4.67%，召回率Recall@20 提升9.20%和7.11%。
论文下载：