作者：Wei Zhou , Cheng Fu, Chunyan Sang ,Min Gao等
单位：重庆大学大数据与软件工程学院
来源：2025年1月 IEEE TRANSACTIONS ON SERVICES COMPUTING
一、研究背景
兴趣点推荐的定义
兴趣点推荐是基于用户的历史签到记录、偏好及行为模式，为其推荐可能感兴趣的地点，如餐馆、博物馆、娱乐场所等。
现有挑战：
1、数据稀疏性问题：用户与兴趣点之间的交互数据往往较为有限，导致推荐模型难以准确地捕捉用户的个性化偏好，从而影响推荐结果的准确性和可靠性。
2、用户偏好的动态性：用户的兴趣和需求会随着时间的推移而发生变化，例如，用户在工作日和周末的活动场所和偏好可能截然不同。因此，推荐模型需要能够动态地捕捉用户偏好的变化，以提供更符合用户当前需求的推荐。
3、用户行为的跨区域特性：用户的签到记录可能跨越不同的地理区域，这使得直接对签到数据进行建模难以准确地捕捉用户的区域个性化偏好。
研究动机：针对上述挑战，提出一种基于图卷积网络和多上下文感知的下一兴趣点推荐模型（GMCA），以提高推荐的准确性和性能。
该论文的主要贡献总结如下：
1、提出一种加权图卷积网络，用于捕捉用户和兴趣点在用户-兴趣点交互图中的最优表示。
2、细粒度分析用户签到记录，将其聚类为多个用户活动中心，并引入时间、位置和社会情境信息到矩阵分解过程中。
3、通过概率因子分解探索兴趣点位置对用户行为模式的地理影响。 在 Yelp 和 Gowalla 数据集上的实验验证了 GMCA 模型的有效性。
二、技术思想
图模块：
初始嵌入层：为每个用户和兴趣点生成初始的嵌入向量，这些向量将作为后续图卷积操作的输入。
传播层：通过聚合邻近节点的特征来更新目标节点的特征，从而捕获用户-兴趣点交互图中的高阶连接性。
聚合层：将传播层得到的多层图嵌入向量进行融合，得到用户和兴趣点的最终图嵌入向量。
多上下文模块：
1、时间感知模块
时间划分策略：将用户签到时间细分为工作日、周末、工作时间和休闲时间等多个子记录，以捕捉用户在不同时间段的个性化偏好。
矩阵分解与偏好获取：对每个时间段的子记录进行矩阵分解，得到用户在不同时间段的静态和动态时间偏好。
2、关系感知模块
隐式关系计算：除了用户的显式社交关系外，还通过计算用户画像向量之间的相似度来获取用户之间的隐式关系。
社交影响概率计算：结合显式和隐式关系，计算其他用户对目标用户行为的影响概率。
3、位置感知模块
用户活动中心构建：通过聚类用户签到点来构建用户活动中心，识别用户经常访问的地理区域。每个活动中心可以看作是用户行为的一个关键地理节点。
多变量高斯模型应用：利用多变量高斯模型对每个活动中心进行建模，分析兴趣点位置对用户行为模式的地理影响。
融合策略
加权求和：将图模块得到的用户对未访问兴趣点的图卷积预测分数 Pregcn 和多情境模块得到的用户动态偏好 Premca 进行加权求和。
融合效果提升
互补性：图模块和多情境模块在融合过程中具有互补性。图模块通过图卷积网络从用户-兴趣点交互图中提取全局的结构化信息，能够有效缓解数据稀疏性问题对推荐结果的影响；而多情境模块则侧重于从时间、位置和社会关系等多个维度挖掘用户的个性化偏好，捕捉用户的实时动态需求。两者的融合使得模型能够在充分利用全局结构信息的同时，更好地适应用户的个性化和动态化需求，从而显著提升推荐结果的准确性和可靠性。
三、实验
数据集：
基线模型：
•LMFT：将空间、时间和社交上下文信息整合到传统协同过滤算法中，对多次访问和最近访问的兴趣点给予更高的排名。
•NCF：将深度神经网络方法引入推荐系统，利用 MLP 方法的非线性特性替代传统矩阵分解中的点积，以学习用户-物品交互行为中的特征。
•CARA：关注签到序列和上下文影响，采用基于 RNN 的方法捕捉用户动态偏好。
•L-WFM：从地理位置角度出发，将兴趣点之间的地理关系作为正则参数整合到 WFM 模型中，以利用地理特征解决隐式问题。
•TopPopular：非个性化推荐方式，根据兴趣点被访问的次数（显式或隐式评分）向用户推荐最受欢迎的兴趣点。
•LightGCN：简化图卷积设计，仅包含邻居聚合这一协同过滤中最基本的组件，将用户和物品表示为低维向量，并通过计算相似性进行推荐。
•SUCP：将用户的签到记录划分为多个活动中心，整合几种经典推荐算法，关注用户显式和隐式友谊对推荐结果的影响。
GMCA模型与基线模型的结果对比
多细粒度划分在MCA模块中的有效性
活动中心范围对推荐结果的影响
GMCA模型及其子模块的推荐结果对比
图卷积层数对推荐结果的影响
四、总结与思考
研究结论：
GMCA 模型有效地结合了图卷积网络和多情境信息，显著提高了兴趣点推荐的准确性和性能。
图模块通过捕捉用户和兴趣点的高阶连接性，缓解了数据稀疏性问题。
多上下文模块通过细粒度分析用户行为，充分挖掘了时间、位置和社会关系对用户偏好的影响。能，证明了其在兴趣点推荐领域的有效性。
图结构建模与注意力机制：将图注意力网络（GAT）与Transformer相结合，利用GAT的图结构建模和注意力机制优势，捕捉用户与POI之间的复杂关系；同时借助Transformer的强大序列处理能力，对用户的历史签到序列进行建模，以更全面地理解用户行为模式和偏好变化，从而提高未来POI预测的准确性。
动态更新与解释性增强：构建动态图结构，根据用户最新行为实时更新图中的节点和边，使GAT能够及时捕捉用户偏好的演变。同时，分析GAT和Transformer中的注意力权重，能够了解模型在进行POI预测时关注的关键因素和依据，增强模型的可解释性，让用户更清楚地了解推荐理由，提高对推荐结果的信任度。