Diffusion-Based Cloud-Edge-Device Collaborative Learning for Next POI Recommendations

地理位置社交网络（LBSN）的快速扩张凸显了有效的下一个兴趣点（POI）推荐的重要性，这种推荐利用历史签到数据来预测用户下一个要访问的POI。传统的集中式深度神经网络（DNN）具有令人印象深刻的POI推荐性能，但面临隐私问题和时间限制的挑战。为此，引入了基于设备的POI推荐，利用联邦学习（FL）和分散式方法来确保隐私和推荐时效性。然而，这些方法经常在设备上受到计算负担的限制，并且难以适应新用户和地区。本文介绍了一种新颖的协作学习框架，即基于扩散的云边设备协作学习（DCPR）用于下一个POI推荐，利用了在各个领域取得成功的扩散模型。DCPR采用云边设备架构，提供特定于地区和高度个性化的POI推荐，同时减少设备上的计算负担。DCPR通过全局和局部学习过程的独特组合来最小化设备上的计算需求。我们使用两个真实世界数据集进行评估，结果表明DCPR在推荐准确性、效率和适应新用户和地区方面具有优越的性能，这标志着基于设备的POI推荐技术迈出了重要的一步。

DCPR旨在解决位置基础社交网络中下一个兴趣点推荐的隐私和时效性问题，同时也能够适应新用户和地区。

DCPR采用云-边缘-设备协同学习的方法，结合全局和本地学习过程，通过扩散模型提供区域特定和高度个性化的下一个兴趣点推荐，同时减少设备上的计算负担。

DCPR在两个真实数据集上的实验表明，在推荐准确性、效率和适应新用户和地区方面具有优越性。该论文提出的DCPR框架具有很高的参考价值，实验数据和代码也已公开。

与DCPR相关的研究包括传统中心化深度神经网络和基于联邦学习和分散式方法的本地兴趣点推荐。