SIGIR‘22 推荐系统论文之POI篇

2022推荐系统论文梳理系列

• 推荐系统相关顶会整理
• IJCAI'22 推荐系统论文梳理
• ICML/ICLR'22 推荐系统论文梳理
• WWW'22 推荐系统论文之序列推荐篇
• WWW'22 推荐系统论文之多任务与对比学习篇
• WWW'22 推荐系统论文之图神经网络篇
• ACL/NAACL'22 推荐系统论文梳理
• SIGIR'22 推荐系统论文之POI篇 (本文)

一、概述

SIGIR 2022已公布录用论文，投稿长文794篇/短文667篇，录用长文161篇/短文165篇，录用率长文20%/短文24.7%，完整录用论文列表见Accepted papers • SIGIR 2022 - The 45th International ACM SIGIR Conference on Research and Development in Information Retrieval。

鉴于[1] [2]已对推荐系统相关论文进行梳理，本文选择POI (Point-of-Interest)方向的论文进行解读。如果对该方向不了解，可以参考综述文章[3] [4]。如果对该方向很感兴趣，[5]对POI的最新论文进行了整理。

比较搞笑的是，本想偷闲找个论文少的方向，然后SIGIR'22共五篇POI方向的论文，只有两篇公开。

二、论文解读

2.1 Hierarchical Multi-Task Graph Recurrent Network for Next POI Recommendation

论文链接: https://bhooi.github.io/papers/hmt_sigir22.pdf

代码链接: GitHub - poi-rec/HMT-GRN

论文机构: GrabTaxi Holdings、新国立

论文分类: POI、多任务

论文总结: 由于区域可能的兴趣点 (POI)搜索空间很大，因此学习用户接下来将访问哪个兴趣点对于个性化推荐系统来说十分具有挑战性，其中一个重要挑战是用户兴趣点矩阵的稀疏性。在本文中，作者提出了分层多任务图递归网络(Hierarchical Multi-Task Graph Recurrent Network，HMT-GRN)，HMT-GRN 模型包括下一个兴趣点和下一个区域或 G@𝑃 的多任务学习，通过为下一个兴趣点推荐任务学习User-POI 和不同的User-Region 矩阵来缓解数据稀疏问题。随后，作者对不同的区域和兴趣点分布执行分层集束搜索 (Hierarchical Beam Search，HBS)，以随着空间粒度的增加分层减少搜索空间并预测下一个兴趣点。分层集束搜索通过减少搜索空间来提高效率，与穷举方法相比，速度提高了5 到7倍。此外，作者还提出了一种新颖的选择层 (selectivity layer)来预测用户之前是否访问过下一个兴趣点，以在个性化和探索之间取得平衡。两个真实世界基于位置的社交网络(Location-Based Social Network, LBSN)数据集的实验结果表明，本文的模型显著优于基线和最先进的方法。对于未来的工作，作者希望探索时间集中的任务，以帮助进一步减少数据稀疏性。

2.2 Learning Graph-based Disentangled Representations for Next POI Recommendation

论文链接: 无

论文分类: POI、图网络

2.3 GETNext: Trajectory Flow Map Enhanced Transformer for Next POI Recommendation

论文链接: 无

论文分类: POI、Transformer

2.4 Empowering Next POI Recommendation with Multi-Relational Modeling

论文链接: https://arxiv.org/pdf/2204.12288

论文机构: 弗吉尼亚大学

论文分类: POI

论文总结: 下一个兴趣点 (POI)推荐是基于位置的社交网络 (LBSN)中最重要的任务之一，旨在通过从用户的历史行为中发现偏好，向用户提出下一个合适位置的个性化推荐。值得注意的是，基于位置的社交网络 (LBSN)提供了用户和兴趣点丰富的异构关系信息 (包括用户-用户社会关系，例如家庭或同事；以及用户-兴趣点访问关系)。然而，大多数现有方法要么仅关注用户-兴趣点访问，要么基于过度简化的假设处理不同的关系，而忽略关系的异质性。本文通过考虑关键但被忽视的异质关系，特别是用户之间的异质社会关系以及跨时间用户-兴趣点的相互影响，扩展了对下一个兴趣点推荐的现有研究；作者提出了一个新的框架MEMO，将异构关系与多网络表示学习模块相结合，并进一步利用耦合的RNN来捕捉跨时间用户-兴趣点的相互影响；最后，对真实世界 LBSN 数据的大量实验验证了MEMO框架优于最先进的下一个兴趣点推荐方法。

2.5 【short paper】Next Point-of-Interest Recommendation with Auto-Correlation Enhanced Multi-Modal Transformer Network

论文链接: 无

论文分类: POI、Transformer

三、参考文献

[1] SIGIR 2022 | 推荐系统相关论文分类整理

[2] SIGIR 2022 推荐系统论文整理分类

[3] A Survey on Deep Learning Based Point-Of-Interest (POI) Recommendations

[4] Point-of-Interest Recommender Systems based on Location-Based Social Networks: A Survey from an Experimental Perspective

[5] POI-Recommendation