基于时空上下文信息的POI推荐模型研究

摘要

随着可穿戴设备的快速发展，基于位置的社交网络（LBSN,Location-based Social Network）越来越受到人们的重视。POI推荐作为LBSN的一个研究热点，它通过对海量签到数据的分析和挖掘，给用户提供个性化的服务。这不仅让平台更加了解目标受众，还为用户带来了极大的便利，也因此在各个领域被广泛应用。　　与传统的推荐系统相比，POI推荐更具有技术挑战。一方面，用户签到的频率过少导致数据过于稀疏，不能体现用户的动态移动行为，因此大多数关联分析算法效果不佳。另一方面，用户的偏好受到不同因素的影响，具有复杂性和差异性等特点，能否综合全面的考虑用户偏好的多样性则成为了POI推荐的关键所在。　　为了更好的实现POI个性化推荐，本文采用了深度神经网络的方式将POI推荐看做序列关联的推荐问题，来较好地捕获不同用户行为的时序关系。首先，通过分析时间、空间和上下文信息对用户行为的影响，将用户历史签到的异构数据通过其潜在向量的低维表示，以序列的方式融合嵌入进编码的GRU网络中。然后，在序列到序列的框架下，将GRU应用在POI个性化推荐模型中。在此框架下，由于输入序列长度的可变性容易导致信息丢失，为了解决序列过长而出现信息损失的情况，因此提出了一种基于时空注意力的POI推荐模型（Spatia-Temporal Attention for POI Recommendation,STAPR），使GRU能更好的适用于POI推荐场景。在STAPR模型中，通过全局和局部多层注意力，从不同层面分析构建出基于空间影响的编码器部分。同样地，在解码重构的过程中，通过引入时间注意力机制来对用户签到信息进行建模，这不单解决了随时间增长性能下降的问题，还能更有效地对用户进行推荐。最后，为了验证模型的效果，考虑不同密集度可能对POI模型效果的限制，本文在四个不同密集度的真实签到数据集中进行验证。实验结果表明，STAPR模型在不同密集度的数据集上与现有的方法比较都具有较好的效果，且数据集的密集程度越高表现性能越好，体现了STAPR模型的泛化性能。

目录

声明

1 绪 论

1.1 研究背景

1.2 国内外研究现状

1.3 本文的研究工作和意义

1.4 本文的主要内容和结构安排

1.5本章小结

2 个性化推荐技术与原理

2.1 深度神经网络模型

2.2 序列到序列

2.3 注意力模型（Attention）

2.4 本章小结

3 基于时空注意力的模型

3.1 影响因素分析

3.2 模型总体框架

3.3 基于时空注意力的模型

4 实验结果与分析

4.1 数据集介绍

4.2 实验设置

4.3 对比实验结果与分析

4.4 STAPR推荐模型的分析

4.5 本章小结

5 结论和展望

本文工作总结

本文工作展望

参考文献

致谢

在读期间公开发表论文（著）及科研情况