graph-embedding poi recommendations

将用户-poi，poi-poi图进行嵌入学习，从而可以在低纬空间对poi进行描述，完成下一个poi的推荐。

最近在理解了KL散度的基础上重新对推导过程进行了分析，其中KL散度的理解主要基于交叉熵和信息熵的理解，根据 交叉熵和相对熵 和 KL散度 的介绍。通过对最短编码，或最小代价值的认知，也即损失最小的情况，某现象出现的概率和编码（信息总量，对概率倒数取log值）的乘积，交叉熵即为错误编码长度（错估概率的倒数取log值）的代价（差值）。

 

论文中以边的权重为正确概率，以二阶相似度为估计值（节点向量的积），在推导结果中去掉了常数值，也即权重的值得出的正确概率。最后推出目标函数：

 

 

1，在poi-poi图中，目标函数利用KL-散度进行度量（利用softmax函数值和出入度比值计算），然后结合了Negative sampling的优化策略，学习poi的向量表示。GME模型

2，用户偏好的变化，简单的利用了用户访问列表的前序poi影响的指数衰减：qi为poi向量

3，时序影响，引入时间threshold，当连续访问的时序小于ΔT时，才会在两个POI直接构成边，通过改变ΔT的大小，研究时序影响。学习过程是一致的。GME-S模型

 

推荐的时候，通过得分排序推荐最前的n个poi，（给定用户u和时间t，推荐未被访问的地点v）：

其中p为用户偏好，q为poi向量。

 

最后实验中，将D分为Dtrain和Dtest，利用命中率accuracy作为标准，对比了baseline模型后，也对比了参数的影响，比如维度d和ΔT的影响，时间需要适中，太大会退化为基本模型GME，太小会过滤掉太多边导致无法学习。

 

总结，用户的影响（偏好）并不明显，主要体现在前序访问的综合中，并没有user向量进行影响，可以改进？

 

本为在CIKM中也有发表，主体架构替换为PTE，异构网络嵌入模型，可能是同时进行研究的。厉害啊！！