张奥雅，石美惠，申德荣，寇 月，聂铁铮

东北大学 计算机科学与工程学院，沈阳 110819

随着基于位置的社交网络（location-based social network，LBSN）如Foursquare、Gowalla 的流行，用户可以利用手机等移动设备来搜索兴趣点，并在社交平台上发布其签到的兴趣点，与朋友分享该兴趣点的体验与感受。大量的签到兴趣点信息收集在LBSN 中，兴趣点推荐是利用这些签到信息，根据用户历史的移动行为来预测用户的偏好，并向其推荐一组未访问的兴趣点。

近年来，兴趣点推荐越来越受到人们的关注，而下一兴趣点推荐成为兴趣点推荐的一个新的研究热点。下一兴趣点推荐是根据用户历史访问的兴趣点，同时结合用户当前所访问的兴趣点信息，向用户推荐下一时刻可能访问的兴趣点。与传统的兴趣点推荐不同，下一兴趣点推荐考虑了用户签到兴趣点的连续性以及用户签到兴趣点之间的时序关系。一些较为成熟的下一兴趣点推荐模型，如基于协同过滤的推荐模型[1]和基于马尔可夫链的推荐模型[2]，只能捕获相邻兴趣点之间的关系，使推荐的兴趣点只与最近签到的兴趣点有关，忽略了用户与兴趣点的集体依赖。目前较为流行的基于深度学习的下一兴趣点推荐模型[3-4]，考虑的影响因素比较单一，例如文献[3]仅对时间演化进行建模，文献[4]采用GRU（gated recurrent unit）模型，只考虑了时间、空间上的连续性。针对下一兴趣点推荐已有很多研究成果，但仍然难以取得满意的推荐性能。

用户在不同时间签到的兴趣点是不断变化的，最近的一些研究尝试利用影响用户签入的信息来提高推荐的准确性。……