SA-LSPL:Sequence-Aware Long- and Short- Term Preference Learning for next POI recommendation

下一个感兴趣的地点（POI）推荐旨在为用户在特定时间推荐下一个POI。由于用户的签到记录可以被视为一个长序列，基于循环神经网络（RNN）的方法最近已经显示出在这个任务上很好的适用性。然而，现有方法往往难以完全探索序列级别的时空相关性和依赖性，并且没有充分考虑影响用户偏好的各种因素。为了解决这些问题，我们提出了一种称为序列感知的长短期偏好学习（SA-LSPL）的新方法，用于下一个POI推荐。我们结合各种信息特征来有效地模拟用户的长期偏好。具体而言，我们提出的模型使用多模态嵌入模块来嵌入多样的签到细节，综合考虑用户个性化偏好和社会影响。此外，我们考虑了序列级别的显式时空相关性和隐式序列依赖性。此外，SA-LSPL学习当前签到序列中连续和非连续访问的时空相关性以及类别之间的转换依赖性，提供了对用户短期偏好的全面捕捉。在两个真实世界的数据集上进行的大量实验表明，SA-LSPL优于现有的基准方法。

该论文旨在解决下一个POI推荐的问题，通过结合多种信息特征，有效地建模用户的长期和短期偏好，以及考虑到空间和时间上的相关性和依赖性。

该论文的解决方案是提出了一种新的方法，称为SA-LSPL，通过使用多模态嵌入模块来嵌入不同的签到细节，综合考虑用户的个性化偏好和社交影响，以及考虑显式的序列级空间-时间相关性和隐含的序列依赖性。该方法在两个真实数据集上进行了广泛的实验，并表现出优于现有基线方法的性能。

该论文的亮点包括：使用了多种信息特征来建模用户的长期和短期偏好；考虑到了空间和时间上的相关性和依赖性；提出了SA-LSPL方法来有效地解决下一个POI推荐问题；实验表明该方法优于现有基线方法。

最近在该领域中的其他相关研究包括：《A Hybrid Collaborative Filtering Model with Deep Structure for Recommender Systems》、《Deep Learning based Recommender System: A Survey and New Perspectives》、《Neural Collaborative Filtering》等。