TransTARec: Time-Adaptive Translating Embedding Model for Next POI Recommendation

本文关注基于前一个POI的下一个POI推荐，由于用户签到记录的冗余性，位置获取技术的快速增长使得POI推荐成为可能。我们观察到时间在下一个POI推荐中扮演了重要角色，但在最近提出的翻译嵌入方法中被忽略了。为解决这个问题，我们提出了一种时间自适应的翻译嵌入模型（TransTARec），用于下一个POI推荐，它自然地融合了时间影响、顺序动态和用户偏好。方法上，我们将（前一个时间戳、用户、下一个时间戳）三元组视为一个联合翻译向量，并开发了一种基于神经网络的融合操作来融合用户偏好和时间影响。在真实世界数据集上进行的广泛实验证实了TransTARec的优越性，这不仅源于引入了时间影响，还源于与用户偏好和顺序动态的直接统一。

本论文旨在解决下一个兴趣点（POI）推荐中忽略时间因素的问题，提出了一种融合时间影响、顺序动态和用户偏好的时间自适应Translating Embedding模型（TransTARec）。

论文提出了一种将（先前时间戳，用户，下一个时间戳）三元组视为联合平移向量，并开发了一种基于神经网络的融合操作来融合用户偏好和时间影响的方法。

论文在真实世界数据集上进行了广泛的实验，证实了TransTARec的优越性。该模型不仅引入了时间影响，而且直接与用户偏好和顺序动态统一。

近期的相关研究包括基于序列的推荐系统、基于深度学习的推荐系统和基于POI的推荐系统等。