每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

解开多重时空转换图表示学习以实现社交增强 POI 推荐

Created by
  • Haebom

作者

李杰、董浩业、吴正阳、郑泽涛、林明荣

大纲

利用用户时空移动和社交关系构建下一代兴趣点 (POI) 推荐是商业智能领域的一个研究课题。先前的研究分别对空间和时间变化进行建模，导致相同时空核心节点的表征不一致。这会导致融合过程中产生不必要的信息，增加模型的不确定性，并降低模型的可解释性。为了解决这个问题，本研究提出了 DiMuST，一个基于从多个时空变化图中学习独立表征的社交增强 POI 推荐模型。DiMuST 采用一种新颖的解缠结变分多路复用图自编码器 (DAE)，该模型使用多时空图策略分离共享分布和隐私分布。DAE 通过专家积 (PoE) 机制融合共享特征，并通过对比约束去除隐私特征中的噪声。DiMuST 能够有效地捕捉 POI 的时空变化表征，同时保留时空关系之间的内在关联。在两个具有挑战性的数据集上的实验结果表明，DiMuST 在多个指标上明显优于现有方法。

Takeaways，Limitations

•
Takeaways：
◦
通过整合空间和时间变化来提高 POI 推荐性能。
◦
通过多时空图策略分离共享分布和私有分布。
◦
使用 PoE 和对比约束进行特征融合和噪声消除。
◦
与现有方法相比表现出了更优异的性能。
•
Limitations：
◦
缺乏有关特定数据集和实验环境的更多信息。
◦
需要进一步审查该模型的可扩展性和对服务的实际应用。
◦
关于社会关系数据的重要性，需要进一步解释。
👍
Made with Slashpage