Points-of-Interest Relationship Inference with Spatial-enrichedGraph Neural Networks

作为基于位置服务的基本组成部分，兴趣点(point -of-interest, poi)之间的关系推断对于服务提供商为企业主和客户提供良好的用户体验至关重要。现有的关系推理方法大多不针对POI，无法捕捉对POI关系产生巨大影响的独特空间特征。

 

本文提出PRIM来解决多种关系类型的POI关系推理。PRIM包含四个新组件，包括加权关系图神经网络、类别分类集成、自注意力空间上下文提取器和特定距离评分函数。在两个真实数据集上的大量实验表明，PRIM取得了最优的结果，并对数据稀疏性具有鲁棒性，适用于实践中未见过的情况。

背景：

1）给定兴趣点及其之间的一些可用关系，如竞争和互补关系，以及类别分类等辅助信息，旨在推断其他缺失关系。POI关系推理可以为不同人群带来显著的收益。

方法：

本文提出一种新的POI关系PRIM推理模型可以在一个统一的框架内处理多种关系类型。首先，为解决问题1，提出在加权关系图神经网络(WRGNN)上构建PRIM，其中采用两级聚合过程，即关系内聚合和关系间聚合，来更新POI表示。用一个关系特定算子对不同关系聚合对目标表示的影响进行建模，该算子显式地建模邻居POI及其关系之间的交互。其次，提出一种空间感知注意力机制WRGNN，通过考虑POI空间特征来衡量不同邻居的重要性，缓解了表示学习模块中的问题2。设计了一个特定于距离的评分函数，能够对给定POI对的成对距离的影响进行建模。通过使用该评分函数，计算不同关系的可能性，进一步增强了模型对第二个问题的预测能力。第三，利用类别分类法作为外部结构知识来增强模型的推理能力。从类别分类法中提取类别路径，并通过嵌入学习方法无缝集成以指导wrgnn的推理，而不需要任何额外的特征生成程序或人工努力。第四，除了基于具有关系的POI学习之外，我们还提出了一个自关注的空间上下文提取器，将语义和地理影响结合在一起，丰富空间邻居的POI表示，这有助于解决第4个问题。

 

 如图2所示,𝑝0目标POI。𝑝1 -𝑝7是圈内的空间邻居𝑝0,𝑝6——𝑝8竞争与𝑝0 互补关系和𝑝8不是𝑝0的空间邻居,和𝑝9𝑝11也与𝑝0空间邻居也没有关系。这里的问题是推断𝑝0和𝑝2之间的关系。从这个例子中，我们可以观察到空间邻居可能与目标POI没有关系(例如𝑝3，𝑝5)，而有关系的POI可能不是目标POI的空间邻居(例如𝑝8)。在这种情况下，重要的是利用具有关系的POI和空间邻居，以作为目标POI的不同方面的知识。

 该模型由加权关系图神经网络、分类集成模块、自关注空间上下文提取器和距离特定评分函数组成。

4.2 Weighted Relational Graph Neural Network

针对4.1节中所讨论的以往方法对异构POI关系图建模能力不足的问题，本文提出一种加权关系图神经网络(WRGNN)来对图异构进行建模，同时在度量邻居在聚集过程中的不同重要性时考虑空间特征。

 

 

 

 

 4.4 Self-attentive Spatial Context Extractor

本文建议生成空间上下文作为POI表示的另一种视图。应用自注意力[30]技术，将目标POI视为查询，其空间近邻视为一组键值对。

 这是一篇很有趣的论文，文中推POI点的推断采用了卷积异构图的方式，