基于位置社交網絡的興趣點推薦研究

摘 要：興趣點推薦是基于位置社交網絡中的研究熱點之一。首先對從Web of Science收集的興趣點推薦研究文獻進行了分析；然后分析了影響興趣點推薦的多種因素，并在分析傳統興趣點推薦方法基礎上重點從用戶歷史簽到信息建模和用戶社交生成信息提取兩個方面對基于深度學習的興趣點推薦方法進行了分析；最后，對未來可能提高興趣點推薦效果的研究方向進行了展望。

關鍵詞：興趣點推薦；數據稀疏；訪問序列模式；注意力機制；圖嵌入

中圖分類號：TP311 文獻標志碼：A 文章編號：1001-3695（2022）11-002-3211-09

doi： 10.19734/j.issn.1001-3695.2022.03.0165

Survey of research on point-of-interest recommendation methods based on

location-based social networks

Li Zheng^a，b，c， Huang Xueyuan^a， Yuan Ke^a

（a.College of Computer amp; Information Engineering， b.Henan Key Laboratory of Big Data Analysis amp; Processing， c.Henan Spatial Information Processing Engineering Laboratory， Henan University， Kaifeng Henan 475004， China）

Abstract：Point of interest recommendation is one of the research hotspots in location-based social networks. Firstly， this paper analyzed the references about point-of-interest recommendation research from Web of science， then analyzed the factors that influenced point-of-interest recommendation. Furthermore， based on the analysis of traditional methods of point-of-interest recommendation， this paper mainly analyzed the methods of point-of-interest recommendation based on deep learning from two aspects： modeling of user historical check-in information and extraction of user social generated information. Finally， it looked forward to future research directions that might improve the performance of point-of-interest recommendation. Key words：point-of-interest recommendation; data sparsity; access sequential pattern; attention mechanism; graph embedding

基金項目：國家自然科學基金資助項目（61402150，61806074）；河南省科技攻關計劃資助項目（182102410063）；河南省高等學校重點科研項目計劃（23A520016）

作者簡介：李征，女，副教授，碩導，博士，主要研究方向為Web服務發現與推薦、軟件工程；黃雪原，女，碩士研究生，主要研究方向為興趣點推薦；袁科，男（通信作者），碩導，博士，主要研究方向為區塊鏈安全、大數據安全（yuanke@henu.edu.cn）.

0 引言

隨著位置感知社交媒體的流行以及定位技術和智能產品的不斷革新，人們享受社交網絡帶來的服務也越來越頻繁。用戶可以通過位置、圖片、文字、音頻等隨時隨地分享自己的生活，逐漸形成了基于位置的社交網絡（location-based social networks，LBSN）?；谖恢玫纳缃痪W絡中的節點包括用戶節點和位置節點，節點之間的邊表示用戶和用戶之間、用戶和位置之間以及位置和位置之間的相關聯系^［1］。興趣點（point-of-interest，POI）推薦^［2］是基于位置社交網絡中的研究熱點之一，它能夠幫助用戶快速地發現自己感興趣的POI，也有利于POI提供商快速地掌握用戶偏好，有針對性地提高服務質量。

POI推薦與傳統的電子商務推薦系統相比的不同之處主要體現在四個方面：

a）位置影響。研究表明，用戶訪問的下一個POI更加傾向于訪問附近的POI，這是區別于傳統電子商務推薦系統最重要的因素。

b）訪問頻率。在傳統電子商務推薦系統中，用戶通常通過評論或評分來表達對某一件物品的喜愛程度。而在POI推薦中，用戶的偏好通過訪問該POI的頻率來反映。例如，用戶會對自己喜愛的POI進行上千次簽到，而對其他POI可能只有幾次簽到。

c）稀疏性。通過對POI推薦常用數據集（Foursquare和Gowalla）的觀察發現，用戶—POI簽到矩陣明顯稀疏于用戶—物品評分矩陣，這也為POI推薦帶來了巨大挑戰。

d）序列性。用戶歷史簽到數據大多是以序列形式呈現，與傳統的序列推薦不同，POI推薦更加注重序列中POI之間的時空關系。因此，序列中POI的時空信息以及序列前后的位置關系都是進行POI推薦時需要考慮的因素。

與傳統電子商務推薦類似，POI推薦面臨的主要挑戰依然是冷啟動和數據稀疏問題。為此，研究人員會在POI推薦模型中融合相關輔助因素，如地理位置因素^［3］、時間因素^［4］、社會影響力^［5］以及用戶行為及特征^［6］等，以此來緩解冷啟動和數據稀疏問題，進而采用相應的方法或模型，如矩陣分解^［7］、深度學習^［8］、混合模型^［9］等進行POI推薦。但是，針對已有POI推薦方法進行綜述分析的研究相對較少，如Zhao等人^［10］將POI推薦與傳統推薦（電影推薦）進行比較，但在介紹POI推薦方法時缺乏對新興深度學習方法的介紹；文獻［11］利用大量的數據可視化統計，但僅從用戶評論中的情緒因素對POI推薦的影響進行分析。為此，本文針對從Web of Science上收集到的POI研究方法，重點從POI推薦的影響因素和POI推薦方法兩個方面進行分析。

1 POI推薦相關文獻分析

1.1 POI推薦關鍵詞共現分析

共現圖用于統計兩個詞語在同一組文獻中共同出現的次數，通過這種共現次數衡量它們之間的緊密關系。于是本文抽取相關文獻中的關鍵詞，采用CiteSpace制作了關鍵詞共現圖，如圖1所示?；趫D1，本文進一步對與POI推薦高度相關的關鍵詞進行了如下分析：

a）POI推薦和基于位置的社交網絡是密不可分的。圖1中，location-based social network和POI recommendation這兩個節點是最大的，且兩個節點之間的連線也相對比較密集，表明POI推薦和基于位置的社交網絡在文獻中共同出現的次數相對較多，說明兩者之間關聯比較緊密。

b）與POI recommendation共現的影響因素關鍵詞中，共現比較多的是geographical influence、geographical distance、geographic information。由此可以看出，POI推薦主要受地理位置信息的影響。此外，還有temporal influence、social influence、contextual information、user preference、similar user等，這些因素都會對POI推薦產生一定的影響。

c）data sparsity和cold start是推薦系統中兩個常見的問題，在POI推薦中也不例外。圖1中，data sparsity和POI推薦之間的共現關系更為密切，主要體現在用戶簽到數據的稀疏。

d）在傳統電子商務推薦中常用的方法也可以用于POI推薦系統中，如collaborative filtering method、matrix factorization。此外，還有一些基于deep learning的POI推薦方法，如convolutional neural network、recurrent neural network、transition pattern等。

e）從圖1可以看到POI推薦比較新興的一些研究方向，如successive POI recommendation、mobility pattern、individual POI、POI group recommendation等，可以作為今后深入研究的方向。

1.2 POI推薦面臨的問題分析

POI推薦的主要任務是根據LBSN中用戶歷史簽到數據對用戶偏好進行精準捕獲，從而對用戶下一個或者下一系列可能會訪問的POI進行預測。本文對收集的文獻進行分析，將POI推薦面臨的問題總結為以下三個方面：

a）如何衡量不同的因素對POI推薦性能的影響，如何融合多維因素進行POI推薦。用戶歷史簽到數據中包含著各種上下文信息，會對推薦性能產生不同的影響，充分利用多種上下文信息能夠有效改善用戶偏好建模的效果。

b）如何對用戶簽到數據進行建模。大多研究按照用戶訪問序列的順序規律模擬用戶偏好，但當用戶的歷史簽到數據出現回環時，即一個POI訪問多次，或者簽到序列過長，傳統的序列處理會造成部分信息丟失。因此，對用戶簽到數據進行建模能夠更加準確地獲取用戶偏好。

c）如何充分利用基于位置社交網絡中的信息。除了用戶簽到信息之外，LBSN中還包含著大量的用戶訪問POI后在社交網絡平臺上生成的內容，如朋友圈發文內容、圖片等信息。提取這些信息的特征，也能夠刻畫出用戶偏好。

根據上述POI推薦面臨的問題，本文設計一種POI推薦分析框架，如圖2所示。接下來首先分析POI推薦的影響因素，在此基礎上重點分析傳統的POI推薦方法和基于深度學習的POI推薦方法。

2 POI推薦的影響因素分析

本章分析POI推薦的影響因素。根據POI推薦方法或模型中用戶簽到數據融合的輔助信息類型，將POI推薦的影響因素分為時間因素、地理位置因素、社會因素以及多維因素四類。下面對這四類影響POI推薦的因素進行分析。

2.1 時間因素影響

在傳統的電子商務推薦系統中，時間因素已作為考慮的因素之一^［12］，但僅作為降低評級權重的一個因素。而在POI推薦中，通常會利用時間因素進行POI推薦，用戶對POI的訪問具有一定的周期性并且可能會隨著時間的變化而變化。例如，用戶在休息日一般喜歡上午去超市，晚上開始夜生活。如果忽略時間因素，可能會在上午給用戶推薦酒吧，導致推薦的準確率降低，因此用戶的訪問行為會受到時間因素的影響。

本文對收集的文獻中基于時間因素的POI推薦方法進行了總結，如表1所示。相關研究主要圍繞用戶興趣動態變化、實時POI推薦和長短期興趣偏好三個方面展開。

在基于時間因素的POI推薦中，用戶偏好是隨時間不斷變化的。針對用戶偏好的動態性，研究人員提出了不同的研究方法，如Xie等人^［13］提出一種基于圖的度量嵌入模型，在POI嵌入中融合用戶簽到訪問序列模式，通過POI嵌入統一用戶的動態偏好和序列性影響，在此基礎上進行下一個POI推薦；Ma等人^［14］提出了一種兩階段CR（collaborative ranking）算法，該算法不僅結合了POI的地理影響，并基于POI流行度和用戶活動隨時間的變化進行正則化，這兩個階段都采用了協作學習策略，使模型能夠從兩個不同的角度捕獲復雜的潛在關聯。

時間因素中的實時因素能夠清晰地刻畫用戶當前時刻的偏好，因此在POI推薦中加入實時因素^［15］可以更準確地預測下一時刻的用戶興趣偏好。面向實時需求的下一個POI推薦^［16］旨在利用用戶的訪問序列模式并結合當前時刻用戶的情境環境向用戶推薦下一個可能感興趣的POI。目前廣泛采用的方法是根據用戶的訪問序列模式，采用神經網絡并結合注意力機制^［4］進行下一個POI預測。

通過對Foursquare和Gowalla數據集中用戶的歷史簽到數據分析，發現用戶的長期偏好會隨時間而變化，用戶的短期偏好也會受周圍情境環境的影響。用戶訪問POI的長期偏好指用戶在大多情況下的固定訪問模式，如在工作日人們可能往返于工作地點和居住地點，而在休息日可能更傾向于休閑娛樂場所。用戶訪問POI的短期偏好更傾向于個性化，用戶在不同時間不同環境下可能會呈現出不同的訪問偏好。因此，長期固定偏好和當前階段的短期偏好很可能是不同的。為解決該問題，研究人員從POI的角度出發，考慮POI隨時間變化的適用度因素^{［17，18］}，但是缺乏用戶個性化需求。后來研究人員將關注點落在用戶本身，利用長短時記憶網絡（long short-term memory，LSTM）^［19］和注意力機制^［20］，根據用戶的訪問序列模式獲取用戶的長短期偏好進行POI推薦。

2.2 地理位置因素影響

在基于位置社交網絡中，用戶和POI之間存在著地理位置交互行為，這是POI推薦與傳統電子商務推薦最獨特的區別^［21］。用戶往往更傾向于訪問當前位置附近的POI，并且隨著距離的增加，訪問新POI的概率會逐漸降低，表明用戶的簽到行為會受用戶當前位置以及下一個簽到位置的影響，從中可以發現兩種現象：a）用戶更喜歡訪問附近的POI；b）用戶更可能訪問自己喜歡的POI周圍的POI。

基于以上現象，本文對基于地理位置因素影響的POI推薦方法進行分類總結，如表2所示，主要從面向陌生地區的POI推薦、地理位置偏好獲取和地理區域劃分三個方面進行闡述。

目前基于地理位置因素影響的POI推薦中，研究的熱點是如何對離開自己熟悉的地區去到陌生地區的用戶或者如何將擁有大量簽到信息的繁華地域映射到簽到信息稀少的地域進行POI推薦，這類用戶和POI的簽到信息極為匱乏，常見的解決方法是融入多種信息^［22］，但模型性能提升空間有限。為此，Yin等人^［23］通過考慮大眾在目標地區的訪問行為，融合人群偏好，并有效利用社會和空間信息，從而增強了基于區域的用戶對POI偏好的預測性能。之后Xu等人^［24］將區域之間的聯系擴大為城市之間的聯系，根據機器學習模型捕捉到的非本地人在新城市的人類活動軌跡進行POI預測。

與傳統電子商務推薦不同，在POI推薦中無法將用戶去過的POI認定為喜歡，相反，用戶不曾訪問的POI也不能判定為不喜歡。因此，在POI推薦中的用戶地理位置偏好很難獲取，從而導致缺乏負樣本數據。在模擬用戶偏好時大多研究盡可能全面地考慮多種信息的共同作用^［25］。此外，傳統電子商務推薦研究大多從用戶的角度進行建模，但在POI推薦中，相似的POI往往更吸引相似的用戶訪問，這表明從位置的角度對地理位置關系建?？梢愿侠淼啬M用戶行為。于是Guo等人^［26］從位置的角度提出一種鄰域感知的推薦方法，將POI之間的地理位置信息融入貝葉斯框架中，并在真實數據集中驗證了地理特征的重要性和鄰域感知推薦的有效性；之后Guo等人^［27］又對該方法進行了改進，提出了位置鄰域感知的加權概率矩陣分解方法，可以有效地處理用戶的隱式反饋信息，準確地進行POI推薦。

對于地理區域的劃分問題，研究人員主要從兩個方面展開研究：a）從用戶角度建模，如Zhang等人^［28］利用用戶地理容忍度進行POI推薦，分別從用戶整體容忍度、用戶局部容忍度以及空間距離三個方面對用戶地理偏好進行建模；b）從POI的角度建模，如Han等人^［29］采用比例地理劃分的方法進行基于地理位置的多樣性POI推薦。

基于以上分析可知，基于地理因素影響的POI推薦中導致數據稀疏問題的主要原因之一是缺乏負樣本數據，所以不能僅從用戶的角度對用戶偏好進行建模。于是研究人員開始從位置的角度建模POI之間以及用戶和POI之間的位置關系，并且實驗表明從POI的角度進行建?？梢愿侠淼啬M用戶行為。目前從POI角度出發的研究，主要是針對POI之間的地理位置關系對用戶偏好進行建模，如同類別POI之間的地理位置關系^［30］，或是基于多維因素的鄰居POI^［31］等，以此關系為基礎進行POI推薦。

2.3 社會因素影響

在傳統電子商務推薦中，通常會根據用戶聯系緊密的好友向用戶推薦好友購買過的物品。同樣地，在POI推薦中，也會利用用戶的社交關系，獲取與用戶相關聯的好友或者鄰居，以及他（她）們所喜愛的POI，以此作為向用戶進行POI推薦的考慮因素之一。有研究^［32］表明，用戶在某一POI的首次訪問記錄中，超過30%的POI，其好友也訪問過。因此，在POI推薦中融合社會因素可以提高POI推薦的準確率。

用戶的社會影響因子主要由相似度和熟悉度（信任度）組成，在社會影響力增強的POI推薦中，相似度不僅可以表現為用戶之間的相似，也可以表現為POI之間的相似關系。類似地，用戶對POI的熟悉度也可以映射到對該類POI，甚至于某個地域的熟悉度。因此，通過對用戶相似度和熟悉度（信任度）的獲取，能夠對稀疏的用戶簽到數據進行填充，以提高推薦的準確率。為此，本文對基于社會因素影響的POI推薦方法從以下三個方面進行總結分析：a）用戶信任度獲取；b）社交關系計算；c）地理位置熟悉度計算，如表3所示。

由于POI推薦中，用戶的簽到數據極為稀疏，所以難以利用傳統的協同過濾算法獲取用戶之間的相似度。于是，Zhu等人^［33］不僅考慮用戶間的相似度，并且尋找用戶信任集群來計算個人之間的社會信任度，然后將兩者進行結合，并向目標用戶推薦好友訪問過的POI；Li等人^［34］利用時間類別的馬爾可夫網絡上的信任傳播算法獲取用戶的社會影響集，在此基礎上進行POI推薦。但以上兩種方法沒都有區分不同好友的重要程度。因此，文獻［35］使用模糊c均值聚類尋找用戶之間的相似度，并且在進行POI推薦時選擇性地考慮最相似的友誼。

用戶好友的偏好雖然在提高POI推薦的性能上有一定的作用，但是用戶的社交好友中不免出現性格差異極大的用戶，相關研究表明，單純引入好友社交影響在POI推薦中的作用并不明顯^［40］，大約96%的用戶和好友訪問的共同點不超過10%。因此用戶在日常生活中與鄰居可能會有更多相似的訪問地點，盡管他們在社交網絡平臺上沒有過多的交集。如Li等人^［41］將社交網絡和鄰居用戶相結合，根據社交網絡、位置距離和訪問興趣三個方面定義不同的朋友關系，在此基礎上進行POI推薦，實驗表明在一些情況下引入鄰居的相似度比好友的相似度更能模擬用戶偏好。

在獲取用戶相似鄰居的社交關系計算問題上，研究人員采用不同的方法和角度預測用戶偏好，其中較為常用的是計算用戶之間行為的相似度。Zeng等人^［36］將用戶每個時間段的簽到總和作為依據進行用戶相似度計算，以此作為相關聯用戶進行POI推薦，但對用戶簽到的序列影響以及對POI類別偏好考慮得不夠全面。于是，Bok等人^［37］不僅考慮現有方法中對POI類型和序列的影響，還通過用戶屬性相似度和軌跡相似度來確定POI的屬性。此外，用戶對地理區域的熟悉度也會影響用戶對POI的選擇。一般情況下，人們更傾向于訪問自己熟悉的區域，如Zeng等人^［38］利用基于時隙的方法對不同時間段中已訪問POI和未訪問POI之間進行相似度計算，根據相似度計算每個未訪問POI的得分并排序；Han等人^［39］提出基于用戶訪問頻率的熟悉度感知估計方法，以定量的方式計算用戶對某一領域的熟悉度，根據用戶對POI的熟悉程度將用戶劃分為組，并基于不同因素分析組間差異性。

基于社會因素影響的POI推薦方法主要利用用戶對好友、鄰居或是POI的相似度和信任度來填補用戶簽到信息的空缺。因此融入社會影響因素可以緩解用戶數據稀疏的問題。目前，社會因素影響在POI推薦中的應用大致分為兩類：a）用戶之間的社會影響力，如用戶和好友之間或用戶和鄰居之間的潛在關聯，并且研究表明鄰居節點比用戶好友能更加準確地模擬用戶訪問序列模式，這種方法與傳統電子商務推薦方法類似；b）融合POI構建的社會影響力聯系是POI推薦所獨有的，如POI之間的相似度以及用戶和POI之間的熟悉度，并且實驗表明，由于POI推薦中缺乏用戶負樣本數據，僅從用戶的角度建立此聯系并不能準確地對用戶偏好進行建模，所以從位置的角度獲取相似度和熟悉度能更準確地模擬用戶行為。

2.4 多維因素影響

基于以上對POI推薦不同因素影響的分析，值得注意的是，這些因素并無絕對界限。在已有的POI推薦研究中，用到了其中的一類或者幾類因素對POI推薦的效果進行優化。從這些因素中可以獲取豐富的上下文信息，用戶對POI的偏好受這些因素的綜合影響。因此，有效融合多維因素特征，有利于提高POI推薦的性能。本文對收集到的文獻中基于多維因素影響的POI推薦方法進行總結，如表4所示。

為了提高推薦的準確率，研究人員融合多維因素并綜合考慮各種模型的優缺點進行POI推薦。對于多維因素的上下文信息，大多使用矩陣分解^［42］和嵌入學習模型^［43］。為了平衡各因素的重要性，研究人員利用個性化權重^［44］、概率評級^［45］等方法。還有研究將一些特殊因素，如用戶的視覺偏好和地理位置影響^［51］、用戶的心理效應導致的記憶衰減影響^［52］等加入到POI推薦中，以提高對用戶偏好建模的準確率。

對于POI推薦中的多樣性問題，主要有兩種：

a）推薦結果的多樣性，傳統的電子商務推薦大多使用用戶—項目評分矩陣來獲取用戶偏好，但該類方法得出的推薦列表通常相似度高，種類單一、缺乏多樣性。于是文獻［46］融合地理—社會關系，利用譜聚類將POI進行多樣性劃分，提出了基于概率因子模型的POI選取與個性化排序方法；文獻［47］對排序方法進行改進，線性地結合地理和POI類別多樣化，利用互補維度的策略增加推薦的多樣化，同時保證POI推薦的準確率。

b）數據信息的多樣性。目前大多采用相對扁平化的方式對多源信息進行建模，如基于嵌入的方法，這種方法無法產生相互增強的結果。為此，Wang等人^［48］提出一種深度內容感知的POI推薦模型，該模型融合兩種不同類型的深度神經網絡，能夠區分不同的源信息，可以有效地協同學習多源異構網絡，在進行POI推薦時能夠有效提高推薦的性能。

面對諸多因素，早期的POI推薦方法大多使用相同的權重融合各個因素，缺乏個性化偏好的自適應性，因此自適應POI推薦也吸引了相關研究人員的關注。Si等人^［49］提出一種將用戶的簽到信息和時間特征以及基于用戶的協同過濾相結合的自適應POI推薦方法；之后Si等人^［50］提出一種結合用戶活動和空間特征的自適應POI推薦方法，該方法可以根據用戶活動行為進行自適應POI推薦。

在POI推薦中，有效利用多維因素的共同作用，能夠提高POI推薦的性能。目前，研究人員利用多層感知機^{［53，54］}、深度信念網絡^［55］對多維因素的特征進行非線性關聯整合，但是模型的可解釋性較差，并且無法賦予不同特征個性化權重。為此，研究人員利用注意力機制^［56］，通過對不同特征分配不同的權重，使得相對重要的特征在POI推薦結果中能產生更加重要的影響。與傳統線性關聯相比，它們的優勢在于神經網絡結構和非線性激活函數的使用可以挖掘多維因素特征之間的復雜關聯，更加準確地模擬用戶偏好，以此為基礎進行POI推薦。

在基于位置的社交網絡中，POI推薦大多受多維因素的影響，目前研究人員提出的方法大多是構建一種融合多種因素的POI推薦框架，然后通過分析形成一種線性加權模型，并設置調節各種因素的權重參數，或者利用不同的神經網絡模塊模型對多維因素特征進行非線性關聯，從而對特征之間的復雜關聯進行深度挖掘。與單一因素建模相比，引入多維因素聯合建模的方法能夠提升對POI特征和用戶偏好刻畫的準確率。

3 POI推薦方法分析

3.1 傳統的POI推薦方法

傳統的POI推薦主要基于協同過濾（collaborative filtering，CF）。其中，基于隱因子模型的CF方法是比較流行的方法，最常見的是矩陣分解及其擴展模型。下面主要介紹基于協同過濾和基于矩陣分解的POI推薦。

3.1.1 基于協同過濾的POI推薦

在POI推薦初期，已有研究將傳統電子商務推薦中經典的協同過濾算法融入到POI推薦中^［57］。但在POI推薦中，用戶—POI矩陣面臨著數據更加稀疏的問題，因此單純地將協同過濾算法用于POI推薦，其推薦效果并不理想。于是研究人員融入多種輔助因素來緩解數據稀疏的問題，POI推薦的性能因此得到明顯提升。但是，基于協同過濾的POI推薦還存在以下的不足：

a）推薦性能提升有限。因為這類方法始終會受到協同過濾算法框架本身局限性的影響，并且POI推薦面臨著比傳統電子商務推薦更加嚴重的數據稀疏問題以及龐雜的用戶簽到數據。

b）無法準確獲取用戶—POI潛在交互行為。利用協同過濾算法只能挖掘用戶之間以及用戶和POI之間的直接聯系，忽略了其中復雜的潛在影響。

3.1.2 基于矩陣分解的POI推薦

在基于模型的CF方法中，矩陣分解是解決數據稀疏的有效方法，通過矩陣分解可以將用戶簽到矩陣映射到低秩空間，以有效降低數據維度，從而能夠挖掘用戶和POI之間的潛在特征關系，因此可以提高POI推薦的準確率和可擴展性。于是研究人員利用矩陣分解及其擴展模型對POI推薦展開了研究。

由于基于CF的方法會受到用戶簽到數據稀疏的影響，在用戶—POI之間缺乏顯著關聯的情況下，會導致推薦性能不佳。所以許多研究試圖通過將輔助因素融入矩陣分解模型^{［58，59］}來緩解用戶簽到數據稀疏的問題。此外，Gao等人^［60］在矩陣分解模型的基礎上，融合用戶顯式和隱式的社會信任關系，對稀疏的用戶—POI矩陣進行數據填充，但該方法僅考慮用戶的社會信任關系，推薦模型性能提升有限；Xing等人^［61］將卷積神經網絡（convolutional neural network，CNN）和矩陣分解相結合，通過聯合用戶社交關系、地理位置和用戶對POI評論三種信息進行用戶偏好建模，有效緩解了數據稀疏問題。

考慮到模型自身的局限性，單純地融合輔助因素使得推薦性能提升有限，因此研究人員對矩陣分解模型進行了改進。概率分解模型（probabilistic matrix factorization，PMF）在奇異值分解的基礎上加入概率分布，能夠在稀疏的、失衡的用戶—POI矩陣中學習用戶和POI的特征向量。Ren等人^［62］提出一種上下文感知的PMF方法，以有效融合多種上下文因素，從而提高POI推薦的準確率；文獻［63］提出一種基于用戶相似性和POI相似性的社會時空PMF模型，將不同空間整合到相似度建模中，進一步提高了推薦的性能。但在現實生活中，用戶在社交網絡上發表的圖片和評論等信息所形成的矩陣中存在的負數是沒有意義的，因此非負矩陣分解（non-negative matrix factorization，NMF）要求矩陣中所有元素均非負，于是Zeng等人^［64］利用受限玻爾茲曼機學習用戶和POI之間的潛在聯系，并提取用戶—POI矩陣，使用NMF填充原始稀疏矩陣并融合這些預測矩陣，為用戶生成最終的POI推薦列表。

由于傳統的矩陣分解模型逐漸滿足不了用戶復雜的簽到行為，于是研究人員利用高階張量來融合用戶簽到的異構上下文數據^［65］。Li等人^［66］提出基于四階張量的因式分解排序方法，考慮用戶偏好對時間變化的趨勢，捕獲用戶長短期偏好，并向用戶推薦他們感興趣的POI；Liao等人^［67］又對傳統的張量分解進行了擴展，采用快速低秩張量算法來實現動態張量結構的POI推薦。

矩陣分解及其擴展模型有助于提高POI推薦的性能，但基于矩陣分解的POI推薦研究還有兩點需要進一步考慮：a）動態的序列化POI推薦，本文認為POI推薦是動態的、序列發展的，而基于矩陣分解的推薦算法大多不具有時效性；b）并行化POI推薦，在基于位置的社交網絡中擁有龐雜的數據量，而矩陣分解在處理大量數據時迭代運行速度過慢，并且隨著分布式框架的應運而生，可以實現海量數據的并行處理，將POI推薦算法和技術框架相融合實現并行化POI推薦值得進一步研究。

3.2 基于深度學習的POI推薦方法

隨著深度學習的不斷發展，為了彌補傳統POI推薦方法存在的不足，研究人員開始將深度學習模型應用于POI推薦。深度學習模型可以彌補傳統POI推薦算法中利用簡單的線性方法對數據建模造成的模型性能不足，采用非線性激活函數對用戶簽到數據進行非線性建模，并且深度學習以海量的數據為基礎，具有強大的數據表征能力，因此基于深度學習的POI推薦能夠從龐雜的用戶簽到數據中準確地學習到用戶偏好。

準確獲取用戶偏好，其首要任務是從用戶歷史簽到記錄中獲取用戶和POI之間的交互行為。目前，在基于深度學習的POI推薦研究中，對用戶歷史簽到信息進行建模的方式大概可以分為兩類：

a）用戶簽到信息序列化建模，用于序列化建模的方法有很多，如基于馬爾可夫鏈的序列化建模^［68］以及基于神經網絡的序列化建模^［69］，其中循環神經網絡（recurrent neural network，RNN）在挖掘用戶帶有時空上下文的序列特征方面有非常優異的效果；b）用戶簽到信息圖結構化建模，利用圖模型對用戶簽到數據進行圖結構建模，可以更加統一、完整地觀察到用戶—POI之間潛在的交互關系。本節主要介紹基于對用戶簽到信息建模的POI推薦方法以及基于用戶社交生成信息的POI推薦方法。

3.2.1 基于訪問序列模式的POI推薦

用戶的歷史簽到信息一般以序列的形式呈現，對用戶簽到信息進行序列化建?？梢杂行У夭东@用戶簽到的前后序列特征。而POI推薦的主要任務就是根據用戶的歷史簽到信息進行用戶下一步的軌跡預測。RNN在處理帶有時空上下文的序列數據方面效果優異，因此將RNN用于POI推薦可以有效地從用戶歷史簽到信息中獲取用戶訪問序列模式，以此為基礎進行下一個POI推薦，其代表性方法如表5所示。

表5中，Lu等人^［70］提出一種基于潛在因素連續的POI推薦方法PEU-RNN，該方法將POI的順序訪問和用戶偏好結合起來進行POI推薦。但傳統的RNN在刻畫用戶長期偏好時存在梯度消失問題，于是RNN的變體LSTM網絡應運而生，它可以有效地刻畫用戶的長期偏好。Cui等人^［71］利用上下文進行非連續建模，基于LSTM在長期模塊中獲取時間效應，短期模塊中構建四個短期序列以獲取不同因素的影響效應。Liu等人^［72］利用GRU的變體獲取用戶的順序偏好和時空偏好，在此基礎上進行POI推薦。雖然GRU相比LSTM來說參數較少，但從模型性能來說，LSTM可以很容易地進行無限計數，GRU卻無法做到這點，導致其性能始終不如LSTM。因此，在獲取用戶訪問序列模式時，使用比較廣泛的是LSTM模型。

雖然利用RNN及其變體模型進行POI推薦已經取得了成效，但是存在梯度消失問題，不能很好地獲取用戶的長期偏好，后來的LSTM和GRU也僅能緩解這個問題。而Transformer^［75］完全基于注意力機制，它不是類似于RNN的遞歸的運行方式，能夠使模型并行化操作，而且能夠擁有全局信息。因此，研究人員開始將Transformer應用于POI推薦中。Liu等人^［73］提出一種基于注意力機制的類別感知的GRU模型，該模型可以有選擇地利用自注意力機制來關注用戶簽到序列中相關的歷史簽到軌跡信息，以此為基礎進行POI推薦。Zhang等人^［74］提出一個面向偶然性的下一個POI推薦模型，這是一個有監督的多任務的學習過程，目標是僅推薦意外和相關的POI。其中，用Transformer捕獲用戶簽到序列中POI之間的復雜相互依賴關系。實驗表明，利用Transformer中的自注意力機制進行POI推薦的效果要優于傳統的RNN模型。

3.2.2 基于圖嵌入的POI推薦

隨著LBSN中圖結構數據愈發復雜，基于序列嵌入技術的模型顯得力不從心，于是采用圖嵌入技術進行POI推薦成為新的研究方向。利用圖嵌入對不同類型數據進行特征整合是POI推薦中常用的方法?；趫D嵌入的POI推薦方法可以分為兩類：a）基于位置社交網絡的實體異構圖，如圖卷積網絡、圖注意力機制，以獲取不同節點的特征和節點之間的深層隱含關系；b）知識圖嵌入，擅長處理POI推薦中比較稀疏的數據，但對于復雜的序列特征提取相對困難，如表6所示。

通過RNN及其變體獲取用戶的訪問序列模式已經成功地應用于下一個POI推薦，但研究的數據對象通常是歐氏空間數據，面對用戶在基于位置社交網絡中的圖結構數據進行建模，顯得十分困難。于是，將圖神經網絡應用于POI推薦，以更加有效地、統一地獲取用戶和POI之間的潛在交互行為。Zhong等人^［76］根據POI之間的地理距離構造空間圖，并利用圖卷積網絡（graph convolutional network，GCN）表示POI之間的高階連通性，不僅包含了空間約束性，而且緩解了POI推薦中用戶簽到數據稀疏的問題。但傳統的GCN模型缺乏推薦的個性化需求，于是，研究人員在圖神經網絡中加入注意力機制，圖注意力機制（graph attention network，GAT）能夠根據注意力權重大小將相鄰節點的嵌入信息進行縮放，并聚合在一起，因此在POI推薦中融入GAT可以實現POI推薦的個性化需求。Lim等人^［77］提出一種時空偏好用戶維度GAT網絡模型，該模型通過平衡空間、時間和偏好等因素，從局部和全局視圖中學習POI—POI之間的關系，并向用戶推薦POI。

近年來，知識圖（knowledge graph，KG）嵌入技術逐漸成熟，具有語義豐富、結構友好、易于理解等優點，因此在POI推薦中融入知識圖嵌入，便于將用戶—POI交互網絡進行集成，容易擴展用戶—POI之間的隱藏關系。Cui等人^［78］對POI簽到數據建立序列知識圖，利用基于知識感知的注意力機制來獲取周圍節點信息，通過預測模塊中知識圖的潛在聯系進行POI推薦。

圖嵌入是表示POI推薦系統中不同實體之間復雜關系的有效方式，并且能夠利用圖嵌入對不同類型的特征進行整合。在基于位置的社交網絡中，用戶—POI之間的交互關系大多可以建模成圖結構數據，因此在POI推薦中融入圖嵌入模型能更直觀、統一地觀察到用戶—POI、用戶—用戶以及POI—POI之間的潛在聯系，從而達到提高POI的推薦性能。

3.2.3 基于用戶社交生成信息的POI推薦

在LBSN中，除了用戶的簽到信息外，用戶在訪問POI后，會在社交平臺上發布相關的評論信息以及大量圖片。通過這些信息可以捕獲用戶訪問POI時的感受，因此，充分利用用戶發布的這些社交生成信息有利于深度挖掘用戶對POI的偏好。

但是，傳統電子商務推薦中的文本評論提取方法只能在淺層次上建模用戶偏好。為了提高POI推薦評論信息提取的效果，研究人員利用CNN來挖掘用戶評論信息作為提高POI推薦性能的輔助因素之一，如Lu等人^［79］以CNN作為POI推薦框架的基礎，捕獲用戶深層次偏好，實驗結果表明，CNN能夠從評論文本中提取語義和情感信息，并且借助用戶對POI的評論信息可以提高POI推薦的性能。

在Flickr和Instagram等圖片主導的社交網絡中，用戶更愿意分享圖片而不是通過文字描述POI的屬性，并且圖片中通常包含著比文本數據更加豐富的信息。已有帶有地理標簽圖片信息的POI推薦研究可以分為三類：a）將相關區域劃分為網格，并預測圖片所在的網格^［80］；b）將圖片與地標或者POI關聯^［81］；c）利用圖片特征幫助獲取用戶和POI的潛在特征表示，如Wang等人^［82］利用POI視覺內容信息，使用基于CNN框架的VGG16模型對每張圖片進行圖嵌入，并與概率矩陣相結合，在此基礎上進行POI推薦，推薦效果相比于傳統概率矩陣分解模型有很大提升。

4 POI推薦未來可能的研究方向

目前POI推薦仍然處于初始階段，未來還會有更多、更廣泛的研究方向^［83］。通過第2章不同因素對POI推薦的影響分析以及第3章對POI推薦方法的分析，本章對POI推薦未來可能的研究方向進行分析。

1）面向不確定簽到問題的下一個POI推薦（next POI recommendation）

在進行下一個POI推薦時，主要基于用戶的歷史簽到信息和一些輔助信息進行推薦。理想情況下，用戶的歷史簽到記錄是確定的并且是可以被學習到的，但是在現實情況下，由于以下原因可能導致學習到的用戶簽到信息是不準確的：a）GPS設備在室內導航一般是不準確的；b）用戶缺乏手動標記其訪問POI的動機；c）考慮到個人隱私，用戶不愿意透露一些簽到信息。上述原因使得在預測時無法學習到用戶的偏好過渡模式，無法進行準確的POI推薦。因此，針對這方面值得進行進一步研究。

2）融合多維因素的POI推薦

目前關于POI推薦的研究熱點之一是有效融合多維因素信息，盡可能準確地刻畫出用戶偏好，在此基礎上進行POI推薦。關于融合多維因素進行POI推薦的研究有以下兩點值得關注：

a）基于多維因素融合的POI推薦方法的可解釋性問題。目前對于多維因素融合的POI推薦研究主要基于多層感知機、深度信念網絡和注意力機制。但這些方法對推薦結果的可解釋性不強。其中，基于注意力機制的方法雖然在一定程度上能夠反映各個因素的重要性，但是對各個因素的相互影響以及因素變化對POI推薦結果影響的表達依然不夠明確。因此，后續的工作可以聚焦在對各個因素作用機制的解釋工作中。

b）基于圖神經網絡進行多維因素融合的POI推薦。目前，研究人員證明基于圖神經網絡的推薦系統比一些基于神經網絡的協同過濾算法有更好的推薦效果^［84］。而且，已有部分研究將圖神經網絡應用于POI推薦中^{［85，86］}，并取得了一定的成效。因此，采用更加高效的圖神經網絡對多維因素進行建模，如社交因素、訪問簽到信息、POI之間的關聯信息等，有利于提高POI推薦的性能。這也是今后值得關注的研究方向之一。

3）融合多任務學習（multi-task learning，MTL）的序列化POI推薦

多任務學習在推薦系統中得到推廣得益于它在提高模型性能和泛化方面的能力。目前，MTL技術主要用于傳統物品推薦^［87］以及解釋工作^［88］。在POI推薦中，需要根據用戶歷史簽到數據來學習用戶的POI訪問序列模式，但是在現實生活中，用戶的POI訪問序列并不總是連續的、易獲取的。因此，可以將MTL技術融入到POI推薦中，通過多種輔助因素的交互式學習來模擬用戶的訪問序列模式，從而預測用戶的下一個感興趣的POI。

4）POI推薦算法的優化研究

目前，大多POI推薦算法重點關注提高推薦的準確率，而算法中的時間復雜度以及空間復雜度并沒有得到過多關注。并且，POI推薦研究大多是在已有的數據集上進行實驗和分析，但是在現實生活中，每秒都會產生大量的用戶簽到數據。因此，POI推薦算法面對海量數據時凸顯的內存與速度問題，以及如何在效率和推薦準確率之間進行權衡，值得深入研究。其中，增量學習^［89］（incremental learning）能夠不斷地利用新學習到的知識來擴展模型知識，訓練的過程高效并且節省資源，因此，可以將增量學習融入到POI推薦中，對POI推薦模型進行持續性更新，以快速捕捉用戶的偏好變化，準確地進行POI推薦。

5）基于遷移學習緩解用戶簽到數據稀疏問題

遷移學習^［90］（transfer learning）能夠將某個領域或任務學習到的知識應用到不同但相關的領域或任務中，如元學習^［91］（meta learning）和自監督學習^［92］（self-supervised learning），在圖片識別領域取得了巨大的成效。因此，在POI推薦中融入這些方法能夠利用本地用戶或其他用戶的偏好來推斷數據稀疏用戶的偏好，能一定程度上緩解用戶簽到數據稀疏問題，值得進一步研究。

5 結束語

隨著移動設備和通信網絡的不斷發展，基于位置的社交網絡和海量的用戶移動數據為算法學習位置之間、用戶與位置之間的交互模式提供了前所未有的機遇，POI推薦也因此得到了廣泛關注。本文首先對POI推薦相關文獻的關鍵詞共現情況及面臨的問題進行了分析，然后闡述了各個因素對POI推薦結果的影響，并從傳統的POI推薦方法和基于深度學習的POI推薦方法兩個方面對POI推薦的方法進行分析。在此基礎上，進一步對未來能夠提高POI推薦效果的研究方向進行了分析。希望對進行POI推薦研究的相關人員可以提供一定幫助。由于本文用于分析的文獻僅來自于Web of Science，對于POI推薦的歸納與分析尚有不足，會在未來的研究工作中進一步深入分析。

參考文獻：

［1］Li Ming，Sun Yeran，Fan Hongchao. Contextualized relevance evaluation of geographic information for mobile users in location-based social networks［J］. International Journal of Geo-Information，2015，4（2）： 799-814.

［2］Ye Mao，Yin Peifeng，Lee W C，et al. Exploiting geographical influence for collaborative point-of-interest recommendation［C］// Proc of the 34th International ACM SIGIR Conference on Research and Deve-lopment in Information Retrieval. 2011： 325-334.

［3］Su Chang，Wang Jin，Xie Xianzhong. Point-of-interest recommendation based on geographical influence and extended pairwise ranking［C］// Proc of IEEE Conference on Computer Communications Workshops. 2020： 966-971.

［4］Wang Honglian，Li Peiyan，Liu Yang，et al. Towards real-time demand-aware sequential POI recommendation ［J］. Information Sciences，2021，547（2）： 482-497.

［5］Xu Chonghuan，Ding A S，Zhao Kaidi. A novel POI recommendation method based on trust relationship and spatial-temporal factors［J］. Electronic Commerce Research and Applications，2021，48（C）： 101060.

［6］Sojahrood Z B，Taleai M. A POI group recommendation method in location-based social networks based on user influence［J］. Expert Systems with Applications，2021，171（C）： 13.

［7］Zhao Shenglin，King I，Lyu M R. Geo-pairwise ranking matrix factorization model for point-of-interest recommendation ［C］// Proc of International Conference on Neural Information Processing. Berlin： Springer，2017： 368-377.

［8］Feng Hao，Huang Kun，Li Jing，et al. Hybrid point of interest recommendation algorithm based on deep learning［J］. Journal of Electronics amp; Information Technology，2019，41（4）： 880-887.

［9］Li Yurui，Chen Hongmei，Wang Lizhen，et al. POI representation learning by a hybrid model ［C］// Proc of the 20th IEEE International Conference on Mobile Data Management. Piscataway，NJ： IEEE Press，2019： 485-490.

［10］Zhao Shenglin，King I，Lyu M R. A survey of point-of-interest recommendation in location-based social networks ［EB/OL］. （2016-07-03）. https：//arxiv.org/abs/1607.00647.

［11］Mishra R K，Urolagin S，Jothi J A A. Sentiment analysis for POI re-commender systems ［C］// Proc of the 7th International Conference on Information Technology Trends. Piscataway，NJ： IEEE Press，2020： 174-179.

［12］Tian Zhiyong，Jung T，Yi Wang，et al. Real-time charging station re-commendation system for electric-vehicle taxis［J］. IEEE Trans on Intelligent Transportation Systems，2016，17（11）： 3098-3109.

［13］Xie Min，Yin Hongzhi，Xu Fanjiang，et al. Graph-based metric embedding for next POI recommendation ［C］// Proc of International Conference on Web Information Systems Engineering. Berlin： Sprin-ger，2016： 207-222.

［14］Aliannejadi M，Rafailidis D. A joint two-phase time-sensitive regula-rized collaborative ranking model for point of interest recommendation［J］. IEEE Trans on Knowledge and Data Engineering，2019，32（6）： 1050-1063.

［15］Jiao Xu，Xiao Yingyuan，Zheng Wenguang，et al. R2SIGTP： a novel real-time recommendation system with integration of geography and temporal preference for next point-of-interest［C］// Proc of World Wide Web Conference. 2019： 3560-3563.

［16］Xu Jiao，Xiao Yingyuan，Zheng Wenguang，et al. A novel next new point-of-interest recommendation system based on simulated user travel decision-making process［J］. Future Generation Computer Systems，2019，100（C），982-993.

［17］Yao Zijun，Fu Yanjie，Liu Bin，et al. POI recommendation： a temporal matching between POI popularity and user regularity［C］// Proc of IEEE International Conference on Data Mining. 2016： 549-558.

［18］Si Yali，Zhang Fuzhi，Liu Wenyuan. A time-aware POI recommendation method exploiting user-based collaborative filtering and location popularity［C］// Proc of the 2nd International Conference on Communications，Information Management and Network Security. 2017： 17-25.

［19］Wu Yuxia，Li Ke，Zhao Guoshuai，et al. Long and short-term prefe-rence learning for next POI recommendation［C］// Proc of the 28th ACM International Conference. 2019： 2301-2304.

［20］Zheng Chenwang，Tao Dan，Wang Jiangtao，et al. Memory augmented hierarchical attention network for next point-of-interest recommendation ［J］. IEEE Trans on Computational Social Systems，2020，8（2）： 489-499.

［21］Werneck H，Silva N，Viana M C，et al. A survey on point-of-interest recommendation in location-based social networks［C］// Proc of Bra-zillian Symposium on Multimedia and the Web. 2020： 185-192.

［22］Li Manrui，Huang Ling，Wang Changdong. Geographical and overlapping community modeling based on business circles for POI recommendation［C］// Proc of International Conference on Intelligent Science and Big Data Engineering. Berlin： Springer，2017： 665-675.

［23］Yin Hongzhi，Zhou Xiaofang，Cui Bin，et al. Adapting to user interest drift for POI recommendation［J］. IEEE Trans on Knowledge amp; Data Engineering，2016，28（10）： 2566-2581.

［24］Xu Yang，Billy Z，Qiao Tingting，et al. Exploring IoT location information to perform point of interest recommendation engine： traveling to a new geographical region［J］. Sensors，2019，19（5）： 992.

［25］Zhang Zhiyuan，Liu Yun，Chen Haiqiang，et al. POI recommendation with geographical and multi-tag influences［C］// Proc of International Conference on Behavioral，Economic and Socio-Cultural Computing. Piscataway，NJ： IEEE Press，2016： 1-6.

［26］Guo Lei，Jiang Haoran，Wang Xinhua. Location regularization-based POI recommendation in location-based social networks［J］. Information，2018，9（4）： 85-89.

［27］Guo Lei，Wen Yufei，Liu Fangai. Location perspective-based neighborhood-aware POI recommendation in location-based social networks［J］. Soft Computing，2019，23（22）： 11935-11945.

［28］Zhang Yanan，Liu Guanfeng，Liu An，et al. Personalized geographical influence modeling for POI recommendation［J］. IEEE Intelligent Systems，2020，35（5）： 18-27.

［29］Han J，Yamana H. Geographical diversification in POI recommendation： toward improved coverage on interested areas［C］// Proc of the 11th ACM Conference on Recommender Systems. 2017： 224-228.

［30］Ma Chen，Zhang Yingxue，Wang Qinglong，et al. Point-of-interest re-commendation： exploiting self-attentive autoencoders with neighbor-aware influence［C］// Proc of the 27th ACM International Conference on Information and Knowledge Management. 2018： 697-706.

［31］Guo Qing，Sun Zhu，Zhang Jie，et al. An attentional recurrent neural network for personalized next location recommendation［C］// Proc of AAAI Conference on Artificial Intelligence. 2020： 83-90.

［32］Wang Hao，Terrovitis M，Mamoulis N. Location recommendation in location-based social networks using user check-in data［C］// Proc of the 21st ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems. 2013： 374-383.

［33］Zhu Jinghua，Wang Chao，Guo Xu，et al. Friend and POI recommendation based on social trust cluster in location-based social networks ［J］. EURASIP Journal on Wireless Communications and Networking，2019，2019（1）： 1-12.

［34］Li Juan，Wang Xiaofang，Feng Wanjing. A point-of-interest recommendation algorithm combining social influence and geographic location based on belief propagation［J］. IEEE Access，2020，8： 165748-165756.

［35］Safavi S，Jalali M. RecPOID： POI recommendation with friendship aware and deep CNN［J］. Future Internet， 2021，13（3）： 79.

［36］Zeng Jun，He Xin，Li Yinghua，et al. A point-of-interest recommendation method using user similarity［J］. Web Intelligence，2018，16（2）： 105-112.

［37］Bok K，Lee C，Yoo J. Recommending similar users using moving patterns in mobile social networks［J］. Computers amp; Electrical Engineering，2019，77（C）： 47-60.

［38］Zeng Jun，Li Yinghua，Li Feng，et al. A point-of-interest recommendation method using location similarity［C］// Proc of the 6th International Congress on Advanced Applied Informatics. 2017： 436-440.

［39］Han J，Yamana H. A study on individual mobility patterns based on individuals’ familiarity to visited areas［J］. International Journal of Pervasive Computing and Communications，2016，12（1）： 23-48.

［40］Ye Mao，Yin Peifeng，Lee W C. Location recommendation for location-based social networks ［C］// Proc of the 18th SIGSPATIAL International Conference on Advances in Geographic Information Systems. 2010： 458-461.

［41］Li Huayu，Yong Ge，Hong Richang，et al. Point-of-interest recommendations： learning potential check-in from friends［C］// Proc of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016： 975-984.

［42］Baral R，Wang Dingding，Li Tao，et al. GeoTeCS： exploiting geographical，temporal，categorical and social aspects for personalized POI recommendation［C］// Proc of the 17th IEEE International Confe-rence on Information Reuse and Integration. 2016： 94-101.

［43］陳勁松，孟祥武，紀威宇，等. 基于多維上下文感知圖嵌入模型的興趣點推薦［J］. 軟件學報，2020，31（12）： 34-49. （Chen Jinsong，Meng Xiangwu，Ji Weiyu，et al. POI recommendation based on multidimensional context-aware graph embedding model［J］. Journal of Software， 2020，31（12）： 34-49.）

［44］Lyu Yan，Chow C Y，Wang Ran，et al. iMCRec： a multi-criteria framework for personalized point-of-interest recommendations［J］. Information Sciences，2019，483： 294-312.

［45］Ren Yueqiang，Wang Ze，Sun Xiaona，et al. A multi-element hybrid location recommendation algorithm for location based social network［J］. IEEE Access，2019，7： 100416-100427.

［46］孟祥福，張霄雁，唐延歡，等. 基于地理—社會關系的多樣性與個性化興趣點推薦［J］. 計算機學報，2019，42（11）： 2574-2590. （Meng Xiangfu，Zhang Xiaoyan，Tang Yanhuan. A diversified and personalized recommendation approach based on geo-social relationships［J］. Chinese Journal of Computers，2019，42（11）： 2574-2590.）

［47］Werneck H，Santos R，Silva N，et al. Effective and diverse POI recommendations through complementary diversification models［J］. Expert Systems with Applications，2021，175（C）： 114775.

［48］Wang Fengjiao，Qu Yongzhi，Lei Zheng. Deep and broad learning on content-aware POI recommendation［C］// Proc of the 3rd International Conference on Collaboration and Internet Computing. 2017： 369-378.

［49］Si Yali，Zhang Fuzhi，Liu Wenyuan. CTF-ARA： an adaptive method for POI recommendation based on check-in and temporal features［J］. Knowledge-Based Systems，2017，128（15）： 59-70.

［50］Yali Si，Zhang Fuzhi，Liu Wenyuan. An adaptive point-of-interest re-commendation method for location-based social networks based on user activity and spatial features［J］. Knowledge-Based Systems，2018，163（5）： 267-282.

［51］Zhang Zhibin，Zou Cong，Ding Ruifei，et al. VCG： exploiting visual contents and geographical influence for point-of-interest recommendation［J］. Neurocomputing，2019，357（C）： 53-65.

［52］Zhang Hang，Gan Mingxin，Sun Xi. Incorporating memory-based pre-ferences and point-of-interest stickiness into recommendations in location-based social networks［J］. International Journal of Geo-Information，2021，10（1）： 36.

［53］He Xiangnan，Liao Lizi，Zhang Hanwang，et al. Neural collaborative filtering［C］// Proc of the 26th International Conference on World Wide Web. 2017：173-182.

［54］Tal O，Liu Yang. TCENR： a hybrid neural recommender for location based social networks［C］// Proc of IEEE International Conference on Data Mining Workshops. 2018：1186-1191.

［55］Yin Hongzhi，Wang Weiqing，Wang Hao，et al. Spatial-aware hierarchical collaborative deep learning for POI recommendation［J］. IEEE Trans on Knowledge and Data Engineering，2017，29（11）： 2537-2551.

［56］Halder S，Lim K H，Chan J，et al. Transformer-based multi-task lear-ning for queuing time aware next POI recommendation［C］// Proc of Pacific-Asia Conference on Knowledge Discovery and Data Mining. Berlin： Springer，2021： 510-523.

［57］Huang Haosheng，Gartnr G. Using trajectories for collaborative filtering-based POI recommendation［J］. International Journal of Data Mining，Modelling and Management，2014，6（4）： 333-346.

［58］Zhang Zhiyuan，Liu Yun，Zhang Zhenjiang，et al. Fused matrix factori-zation with multi-tag，social and geographical influences for POI re-commendation ［J］. World Wide Web，2019，22（3）： 1135-1150.

［59］Cai Ling，Jun Xu，Liu Ju，et al. Integrating spatial and temporal contexts into a factorization model for POI recommendation［J］. International Journal of Geographical Information Science，2018，32（3）： 524-546.

［60］Gao Rong，Li Jing，Li Xuefei，et al. A personalized point-of-interest recommendation model via fusion of geo-social information［J］. Neurocomputing，2018，273（17）： 159-170.

［61］Xing Shuning，Liu Fangai，Zhao Xiaohui，et al. Points-of-interest re-commendation based on convolution matrix factorization［J］. Applied Intelligence，2018，48（8）： 2458-2469.

［62］Ren Xingyi，Song Meina，Haihong E，et al. Context-aware probabilistic matrix factorization modeling for point-of-interest recommendation［J］. Neurocomputing，2017，241： 38-55.

［63］Davtalab M，Alesheikh A A. A POI pecommendation approach integrating social spatio-temporal information into probabilistic matrix factorization［J］. Knowledge and Information Systems，2020，63（1）： 65-85.

［64］Zeng Jun，Tang Haoran，Li Yinghua，et al. A deep learning model based on sparse matrix for point-of-interest recommendation［C］// Proc of the 31st International Conference on Software Engineering and Knowledge Engineering. 2019： 379-492.

［65］Luan Weijing，Liu Guangjun，Jiang Changjun，et al. Partition-based collaborative tensor factorization for POI recommendation［J］. IEEE-CAA Journal of Automatica Sinica，2017，4（3）： 437-446.

［66］Li Xin，Jiang Mingming，Hong Huiting. A time-aware personalized point-of-interest recommendation via high-order tensor factorization［J］. ACM Trans on Information Systems，2017，35（4）： article No. 31.

［67］Liao Jinzhi，Tang Jiuyang，Zhan Xiang，et al. Improving POI recommendation via dynamic tensor completion［J］. Scientific Programming，2018，2018： article ID 3907804.

［68］He Ruining，Mcauley J. Fusing similarity models with Markov chains for sparse sequential recommendation ［C］// Proc of the 16th IEEE International Conference on Data Mining. Piscataway，NJ： IEEE Press，2016： 191-200.

［69］Cui Qiang，Wu Shu，Huang Yan，et al. A hierarchical contextual attention-based network for sequential recommendation［J］. Neurocomputing，2019，358（17）： 141-149.

［70］Lu Yinshu，Shih W Y，Gau H Y，et al. On successive point-of-interest recommendation ［J］. World Wide Web，2019，22（3）： 1151-1173.

［71］Cui Qiang，Zhang Yafeng，Wang Jinpeng. CANS-net： context-aware non-successive modeling network for next point-of-interest recommendation［EB/OL］. （2021-04-06）. https：//arxiv.org/abs/2104. 02262.

［72］Liu Chunyang，Liu Jiping，Wang Jian，et al. An attention-based spatio-temporal gated recurrent unit network for point-of-interest recommendation［J］. International Journal of Geo-Information，2019，8（8）： 355.

［73］Liu Yuwen，Pei Aixiang，Wang Fan，et al. An attention-based category-aware GRU model for the next POI recommendation［J］. International Journal of Intelligent Systems，2021（36）： 3174-3189.

［74］Zhang Mingwei，Yang Yang，Abbas R，et al. SNPR： a serendipity-oriented next POI recommendation model［C］// Proc of the 30th ACM International Conference on Information amp; Knowledge Management. 2021： 2568-2577.

［75］Cai Guohao，Li Xiaoguang，Dai Quanyu，et al. Dual sequence transformer for query-based interactive recommendation ［C］// Proc of the 22nd IEEE International Conference on Mobile Data Management. Piscataway，NJ： IEEE Press，2021： 139-144.

［76］Zhong Ting，Zhang Shengming，Zhou Fan. Hybrid graph convolutional networks with multi-head attention for location recommendation［J］. World Wide Web-Internet and Web Information Systems，2020，23（6）： 3125-3151.

［77］Lim N，Hooi B，Ng S K，et al. STP-UDGAT： spatial-temporal-prefe-rence user dimensional graph attention network for next POI recommendation ［C］// Proc of the 29th ACM International Conference on Information amp; Knowledge Management. 2020： 845-854.

［78］Cui Yue，Sun Hao，Zhao Yan，et al. Sequential knowledge aware next POI recommendation： a meta-learning approach［J］. ACM Trans on Information Systems，2022，40（2）： article No.23.

［79］Lu Xinxin，Zhang Hong. A content-aware POI recommendation me-thod in location-based social networks based on deep CNN and multi-objective immune optimization［J］. Journal of Internet Technology，2020，21： 1761-1772.

［80］Liu Bo，Yuan Quan，Cong Gao，et al. Where your photo is taken： geolocation prediction for social images［J］. Journal of the Association for Information Science and Technology，2014，65（6）： 1232-1243.

［81］Li Xutao，Pham T A N，Cong G，et al. Where you Instagram： associating your Instagram photos with points of interest［C］// Proc of the 24th ACM International on Conference on Information and Knowledge Management. 2015： 1231-1240.

［82］Wang Suhang，Wang Yilin，Tang Jiliang，et al. What your images reveal： exploiting visual contents for point-of-interest recommendation［C］// Proc of the 26th International Conference on World Wide Web. 2017： 391-400.

［83］Werneck H，Silva N，Viana M，et al. Points of interest recommendations： methods，evaluation，and future directions［J］. Information Systems，2021，101： 101789.

［84］Fan Wenqi，Ma Yao，Li Qing，et al. A graph neural network framework for social recommendations［J］. IEEE Trans on Knowledge and Data Engineering，2020，34（5）： 2033-2047.

［85］Li Zeyu，Cheng Wei，Xiao Haiqi，et al. You are what and where you are： graph enhanced attention network for explainable POI recommendation ［C］// Proc of the 30th ACM International Conference on Information amp; Knowledge Management. 2021： 3945-3954.

［86］Kim J，Jeong S，Park G，et al. DynaPosGNN： dynamic-positional GNN for next POI recommendation

［C］// Proc of International Conference on Data Mining Workshops. Piscataway，NJ：IEEE Press，2021： 36-44.

［87］Wang Suhua，Zhang Lisa，Yu Mengying，et al. Attribute-aware multi-task recommendation［J］. The Journal of Supercomputing，2020，77（5）： 4419-4437.

［88］張鈺，劉建偉，左信. 多任務學習［J］. 計算機學報，2020，43（7）： 1340-1378. （Zhang Yu，Liu Jianwei，Zuo Xin. Survey of multi-task learning［J］. Chinese Journal of Computers，2020，43（7）： 1340-1378.）

［89］Yu Hongtao，Yu Peng，Zhang Fuzhi. An algorithm for detecting recommendation attack based on incremental learning ［J］. Journal of Information and Computational Science，2014，11（7）： 2365-2373. ［90］Xie Hanxin，Liu Bo，Xiao Yanshan. Transfer learning-based one-class dictionary learning for recommendation data stream［J］. Information Sciences，2021，547： 526-538.

［91］Cui Can，Hu Mengqi，Weir J D，et al. A recommendation system for meta-modeling： a meta-learning based approach［J］. Expert Systems with Applications An International Journal，2016，46（C）： 33-44.

［92］Jia Renqi，Bai Xu，Zhou Xiaofei，et al. A self-supervised learning framework for sequential recommendation ［C］// Proc of International Joint Conference on Neural Networks. Piscataway，NJ： IEEE Press，2021： 1-8.