谭海宁 姚 迪 毕经平③ 向 徐 杨 啸

(*中国科学院大学 北京100049)

(**中国科学院计算技术研究所 北京100190)

(***盲信号处理国家级重点实验室 成都610041)

0 引言

随着各种具有定位服务的移动设备的普及,基于位置服务的移动社交网络(location-based social network,LBSN)发展迅速,具有位置信息的用户数据呈爆发式增长,如Foursqure、Yelp、美团等电商服务平台[1-2]。有效地利用具有位置信息的用户数据,探索用户兴趣点(point of interest,POI)已经成为移动社交网络数据挖掘领域的重要研究方向。其中,由于推荐系统是解决信息过滤和个性化服务问题的主要手段之一,其在用户位置挖掘服务中发挥着重要作用,面向用户兴趣点的推荐方法研究也成为移动社交网络挖掘领域的重中之重[3-5]。

兴趣点表示用户感兴趣的已经访问或将会访问的地理位置[1-2,6-7]。推荐的潜在兴趣点表示用户在将来某个时间点可能会访问的地理位置。作为面向位置服务的移动社交网络数据挖掘领域的重要分支,POI 推荐可以预测用户行为和兴趣演化趋势,对城市交通的规划和商业模式的探索具有重要的现实意义。POI 推荐有着广泛的应用,例如大众点评网站的餐厅推荐[4]、旅游路线规划[5]、城市交通事件预警[8-9]等。

当前大多数的POI 推荐方法都假设POI 数据是同分布的,将POI 数据看成一个整体进行用户POI兴趣的挖掘工作,比如STRNN[1]、DeepMove[10]、STLSTM[11]等。这些方法将用户的签到POI 数据看成一个整体,没有考虑轨迹数据的城市不均衡特性,缺乏对城市之间共性信息和城市本身特殊性信息进行区分的个性化建模,这样导致在数据匮乏的城市,由于POI 历史记录少,对用户进行推荐难度大、效率低。……