自注意力下时空-语义相融合的POI序列推荐

近年来，随着基于位置的社交网络(Location-Based Social Network, LBSN)不断发展，POI序列推荐逐渐成为近年来研究的热点问题.现有的POI序列推荐方法仅仅按照时间的先后顺序建模用户历史签到序列，默认用户POI轨迹中连续POI之间具有相等的时间间隔，忽略了用户签到记录之间的时间间隔影响.另外，POI之间的地理距离以及语义信息也是影响推荐准确性的重要因素.基于此，本文提出自注意力下时空-语义相融合的POI序列推荐模型(POI sequence recommendation model based on the integration of spatiotemporal and semantics under self-attention, SA-TDS-PRec).首先，根据用户的实际签到时间建模POI轨迹.其次，融合POI绝对位置、时空间隔以及语义相关信息.最后利用自注意力机制捕捉用户动态偏好的演化，从而提高POI推荐的准确性.在公开数据集Gowalla和Yelp上进行可扩展实验.结果表明，该模型优于目前主流的基准模型，有效提升推荐结果准确性.