DisenPOI: Disentangling Sequential and Geographical Influence for Point-of-Interest Recommendation

DisenPOI: Disentangling Sequential and Geographical Influence for Point-of-Interest Recommendation

兴趣点(POI)推荐在各种位置感知服务中起着至关重要的作用。据观察，POI的建议受到顺序和地理两方面的影响。然而，由于在推荐过程中没有标注主导影响的标签，现有的方法容易将这两种影响纠缠在一起，这可能导致推荐性能次优和可解释性差。在本文中，我们通过提出DisenPOI来解决上述挑战，DisenPOI是一种新的用于POI推荐的解纠缠双图框架，它在两个单独的图上共同利用顺序和地理关系，并通过自我监督来解纠缠这两种影响。与现有方法相比，我们的模型的关键新颖之处在于，它可以通过对比学习提取顺序和地理影响的分离表征。具体来说，我们根据用户的签入顺序构造了一个地理图和一个序列图。我们调整它们的传播方案，使其具有序列/地理感知能力，从而更好地捕捉相应的影响。从签入序列中提取偏好代理作为两种影响的伪标签，通过对比损失监督解纠缠。在三个数据集上的大量实验证明了该模型的优越性。

 

 结论

在本文中，我们提出了DisenPOI，这是一个双图模型，可以解开兴趣点推荐的顺序和地理影响。我们构建了一对基于序列的图G𝑠𝑢和基于位置的图G𝑔𝑢来模拟访问背后的顺序和地理因素。我们使用定制的图传播方案来准确描述两个图上的不同语义，并利用对比损失来实现解纠缠。在三个数据集上的实验证明了disenpoi在区分序列和地理对基于位置的CTR预测的影响方面的有效性和表达性。