사용자의 공간-시간적 이동과 소셜 관계를 활용하는 차세대 POI(관심 지점) 추천은 비즈니스 인텔리전스 분야의 연구 주제이다. 기존 연구들은 공간 및 시간적 변화를 개별적으로 모델링하여 동일한 공간-시간 핵심 노드의 표현이 정렬되지 않는 문제를 야기했다. 이는 융합 과정에서 불필요한 정보를 발생시키고, 모델의 불확실성을 높이며 해석 가능성을 감소시킨다. 이를 해결하기 위해, 본 연구는 다중 공간-시간 변화 그래프에서 분리된 표현 학습을 기반으로 하는 사회적으로 강화된 POI 추천 모델인 DiMuST를 제안한다. DiMuST는 다중 공간-시간 그래프 전략을 사용하여 공유 및 개인적 분포를 분리하는 새로운 Disentangled Variational Multiplex Graph Auto-Encoder (DAE)를 사용한다. DAE는 Product of Experts (PoE) 메커니즘을 통해 공유 특징을 융합하고, 대조적 제약 조건을 통해 개인적 특징의 노이즈를 제거한다. DiMuST는 POI의 공간-시간 변화 표현을 효과적으로 포착하면서 공간-시간 관계의 내재적 상관관계를 유지한다. 두 개의 어려운 데이터셋에 대한 실험 결과는 DiMuST가 여러 지표에서 기존 방법들을 크게 능가함을 보여준다.
