融入空间关系的矩阵分解POI推荐模型

个性化兴趣点推荐是基于位置社交网络的一项重要服务,通过用户签到数据的序列信息和时空上下文信息可以有效挖掘用户的移动模式和兴趣偏好。为充分挖掘用户的个性化时空偏好和连续签到序列的长期依赖关系,提出嵌入时空条件的概率生成模型,构建门控扩张残差网络,实现基于门控扩张残差网络的兴趣点推荐方法。所提方法通过门控扩张残差网络学习用户的签到序列,将用户连续签到的空间距离和时间间隔作为约束条件,挖掘用户连续签到行为的时空规律,捕获用户签到行为的序列偏好和时空偏好。
使用Foursquare和Instagram两套公开的签到数据集进行实验,结果表明,与表现最好的对比算法NextItNet相比,所提方法在召回率、精确度、F1分数和归一化折损累计增益等评价指标上都有明显提升。在Foursquare数据集上,各项指标的提升范围为1.52%~24.95%;在Instagram数据集上,各项指标的提升范围为7.06%~42.47%。所提方法适用于挖掘用户连续签到中存在的长期依赖关系,可以有效嵌入空间距离和时间间隔影响因素,提高了兴趣点推荐的准确性。