近日,实验室2023级硕士生牟文芊一篇论文“GeM: Gaussian Embeddings with Multi-hop Graph Transfer for Next POI Recommendation”(作者:牟文芊,刘纪源,宫永顺,钟戟,刘伟,孙皓亮,聂秀山,尹义龙,郑宇)被Neural Networks(NN) 录用。NN属于CCF B类期刊,中科院一区Top期刊,影响因子为6.0。
下一个兴趣点推荐在基于位置的应用中具有重要意义,其核心在于通过用户历史轨迹数据分析用户行为模式。现有研究主要采用图神经网络和注意力机制进行单一固定点的序列预测。然而,基于马尔科夫链假设的研究方法未能有效捕捉兴趣点间多跳转移的依赖关系,而这种高阶依赖关系是用户行为模式的重要特征。在这项工作中,提出一种基于高斯嵌入和多跳图转移结构的模型(GeM),在考虑了用户偏好和客观因素的情况下,有效地利用高斯分布和多跳图关系来捕获移动模式,并模拟用户的出行决策。在主观模块中,利用带有马氏距离的高斯嵌入,使得嵌入空间非平坦且稳定,实现非对称关系的表达;客观模块则通过全局轨迹图挖掘图信息和多跳依赖关系,反映与用户移动相关的POI关联。此外,使用矩阵分解的方法来学习用户与POI之间的交互。通过结合以上两个模块,可以获得更准确的用户行为模式表示。在两个真实数据集上的实验验证了我们方法的优越性。