作者：Sajal Halder，Kwan Hui Lim，Jeffrey Chan，XiuZhen Zhang
单位：皇家墨尔本理工大学、新加坡科技设计大学
来源：2025年4月ACM Transactions on Recommender Systems
一、研究背景
1. 现实痛点：传统行程推荐的缺陷
用户兴趣静态化：传统模型假设兴趣恒定，忽略时间因素。
空间关系线性化：仅用欧氏距离建模，忽略“远距离热门景点优先”等非线性偏好。
推荐与优化割裂：先选POI再排行程，导致局部最优。
2. 核心问题定义
如何联合优化“动态兴趣+非线性空间关系+排队时间”以生成个性化行程？
输入：用户历史轨迹、POI属性、实时排队数据、时间预算等。
输出：满足预算且最大化满意度的POI访问序列。
解决问题：
1、提出的深度学习模型如何选择top-k POI进行推荐，以及从这种选择中可以获得对决策过程的哪些见解？
2、拟议的深度学习模型在生成综合行程建议方面的有效性如何？
3、如何消融研究的时间用户的兴趣，共同访问模式，和个性化特征影响的性能建议的推荐模型？
4、与基于蒙特卡罗树搜索（MCTS）的行程构造相比，基于贪婪策略的行程构造的上级性能是由哪些因素促成的？
主要贡献：
1、提出了一种基于深度学习的行程推荐（DLIR），通过学习用户的时间偏好并安排这些偏好来推荐行程。候选生成器利用用户的动态偏好因素，并产生基于时间的最佳候选POI集合，而调度部分解决调度问题，考虑排队时间的影响和预算时间。
2、为了捕捉用户的动态偏好，利用用户的周期性和趋势模式，引入了一个自适应的基于GCN的POI之间的用户移动关系，适当地解决了非线性空间关系。
3、构建了完整的行程应用贪婪的政策，POIs选择在一个动态的方式，旨在最大限度地提高用户的兴趣和排队时间最小化。
二、技术思想
1、候选生成器
输入：用户历史轨迹 + 上下文
输出： Top-K动态POI候选集
关键技术：Transformer+GCN
Step 1 三通道输入编码：
Step 2 多头注意力融合
让三种特征互相“投票”决定权重，Query/Key/Value均由拼接后的X_t线性投影得到
其中LN，FF和MulHead分别表示层归一化、全连接前馈网络和多头注意机制。多头注意机制从输入矩阵中获取查询（Q）、键（K）和值（V）矩阵。Transformer解码器将编码器输出作为其键和值，并再次应用多头注意机制，将其传递到完整的前向层，并产生Transformer解码器的输出：
其中dec（Xt）是解码器输入。
Step 3 利用Softmax解码为POI概率
Step 4 实时动态更新
重新编码触发条件：用户移动到新POI；排队时间变化。
2、行程构建器
输入：Top-K候选+ 实时排队数据
输出： 完整行程序列
关键技术：贪心策略+预算约束
Step 1 候选生成
每个时间步，候选生成器模型推荐其数量取决于前k值的候选集合。
Step 2 排队修正
其中，Queuet是在当前时间t的POI的候选集合的排队时间，并且POI得分是候选生成器模型的输出。
Step 3 预算检查
行程构建部分的目标是最大化奖励函数并满足预算时间约束：
Step 4 迭代终止
预算耗尽或所有POI遍历完
三、实验
数据集：
基线模型：
实验结果（Top-K POI推荐）
实验结果（完整行程推荐）
消融实验
四、总结
研究结论：
本研究首次将用户的近期、周期性和长期趋势三种时间模式同时编码进 Transformer，实验表明，移除周期性兴趣后 F1-score 平均下降 31%。
通过 GCN 将 POI 共访问频次与热度联合构图，DLIR 放弃了传统“距离越近越优先”的假设。消融结果显示，用距离权重替换共访问权重后，所有数据集的 F1-score 均下降 7% 以上，验证了“用户愿意为网红景点绕远路”这一非线性现象。
现有工作分两阶段：先选 Top-K POI，再排程。DLIR 把二者整合为一个端到端框架：候选生成器输出动态 Top-K，贪心构建器实时结合排队时间与预算做下一步决策。在 8 个数据集上，完整行程的 F1-score 比最强基线高 7.79%–26.28%，证明“边选边排”优于“先选后排”
从“单点预测”升级到“行程级决策”：DLIR把“下一个POI”预测扩展为“剩余时间内的最优序列”，可将轨迹预测与行程规划合二为一：先预测未来多步时空分布，再联合优化整条线路，而非逐点独立推荐。
引入多维时间上下文：DLIR的“近期+周期+趋势”三通道经验表明，文旅场景中的“节假日/淡旺季/周末效应”是强信号。可以把法定假日、天气、大型活动作为显式输入，提升长期轨迹预测精度。
用“图”代替“距离”刻画空间偏好：共访问GCN 验证了“游客绕远路打卡”行为。对你而言，可把景区内部路网、跨城市高铁/航班网络、甚至社交媒体共现关系都建成异构图，学习非欧氏空间依赖。