Graph-based POI Embedding

依然是POI推荐问题，这里作者将POI推荐的向量学习抽象为异构的网络，从而融合了序列因素、地理影响、时序变化影响和语义影响，利用图嵌入技术将这些信息降到低维空间中。如图：

POI-POI，POI-region，POI-time，POI-Word 分别被看作双向图处理，依次获取序列、地理位置、时间和语义信息。图1，权重如GME-s，在时间片中的共现次数；图2，存在置为1；图3，根据频次设置权重；图三权重为单词的tf-idf值。

 

相应的，传统POI推荐的主要挑战在于：１，数据稀疏，data sparsity； 2，环境感知，context awareness; 3，冷启动， cold start；4，用户偏好的动态性， dynamic of personal preferences.  与此同时，解决的途径包括：1，序列信息的影响，sequential efforts；2，位置因素，geographic influence；3，时间因素，temporal cyclic efforts；4，语义信息的融合， semantic information. 

 

本文利用异构网络，将所有信息嵌入到低维的共享空间中，解决现有挑战。所以最后的目标函数为四个异构目标函数的和，分别计算，优化过程如GME（前一篇）是一样的 ——》 joint training

 

同样的，本文利用POI embedding表示用户偏好的动态性，相比较于训练用户向量，这种方法可以避免重复的训练——当用户行为动态变化时。

 

另外，需要对用户进行推荐的时候，即已知用户，时间和地点，求最相似的位置，采用公式：

最后更加排序进行推荐。语义向量在冷启动的时候采用（特别的，可以添加不同的图进去，从而融入不同的信息，比如user-poi网络等）

 

至于实验部分，主要内容和上一篇是基本类似的。增加了冷启动的测试 on the Foursquare data sets.