基于序列圖時空增強與地理關系的興趣點推薦

摘 要：針對現有興趣點（points-of-interest，POI）推薦存在的地理特征挖掘不充分與未將順序信息納入空間偏好的問題，提出基于序列圖時空增強與地理關系（spatial-temporal enhancement of sequence graph and geographical relationships，STESGGR）的POI推薦模型。首先，利用POI位置信息構建地理圖，采用圖卷積網絡（graph convolutional network，GCN）與注意力機制獲取用戶訪問POI的地理特征。其次，利用用戶簽到信息提取時空特征構建時空信息增強的序列圖，采用門圖神經網絡（gated graph neural network，GGNN）與注意力機制獲取用戶訪問POI的時空偏好。然后，引入共同性學習優化框架學習順序信息與地理特征之間的互補信息，進一步挖掘地理特征。最后，融合兩個特征信息并通過多層感知機（multilayer perceptron，MLP）進行POI推薦。在五個真實數據集上進行了實驗，結果表明STESGGR模型在AUC和Logloss指標上分別提升1.2%～2.7%和3.2%～12.4%。實驗證明STESGGR在基于位置的POI推薦下有較好的表現，充分挖掘了順序與地理特征，提升了推薦效果。

關鍵詞：POI推薦；時空信息；地理信息；順序信息；注意力機制

中圖分類號：TP391"" 文獻標志碼：A"" 文章編號：1001-3695（2025）03-015-0755-07

doi：10.19734/j.issn.1001-3695.2024.08.0298

Points-of-interest recommendation based on spatial-temporal enhancement of sequence graph and geographical relationships

Liu Chao，Zhu Jun

（College of Computer Science amp; Engineering，Chongqing University of Technology，Chongqing 400054，China）

Abstract：To address the insufficient of mining geographical feature and the absence of incorporating sequential information into spatial preferences in existing POI recommendation methods，this paper proposed a POI recommendation model based on STESGGR.Firstly，the model constructed a geographic graph using the location information of POI and employed GCN and attention mechanisms to capture the geographical features of user visits to POI.Secondly，it extracted spatio-temporal features from user check-in information to construct a sequence graph enhanced with spatio-temporal information and applied GGNN and with attention mechanisms to capture the spatio-temporal preferences of users visiting POI.Then，it introduced a common learning optimization framework to learn the complementary information between sequential information and geographical features，further mining geographical characteristics.Finally，it fused the two types of feature information for POI recommendations through MLP.Experiments on five real-world datasets demonstrate that the STESGGR model improves by 1.2%～2.7% in AUC and 3.2%～12.4% in Logloss metrics.The results validate that STESGGR performs well in location-based POI recommendations，effectively mining sequential and geographical features and enhancing the recommendation performance.

Key words：point-of-interest recommendation;spatial-temporal information;geographical information;sequence information;attention mechanism

0 引言

隨著基于位置的社交網絡發展，以Foursquare和大眾點評為代表的推薦平臺逐漸興起，為廣大用戶提供了個性化的POI推薦服務。POI是餐廳、酒店、景點或者是任何有地理位置標記的地方。POI推薦旨在為服務提供商分析用戶的移動行為模式，從而推薦用戶可能感興趣的POI，目前在基于位置的廣告和在線送餐等領域得到廣泛應用。

POI推薦方法可以分為傳統方法、基于序列的方法、基于深度學習的方法三類。早期研究工作［1，2］主要集中在傳統方法，主要利用地理關系計算用戶間的相似性與基于項目協同過濾的方法實現推薦。傳統方法雖然能取得一定成果，但忽略了POI具體位置間的距離影響。基于序列的方法利用用戶歷史簽到信息的時間和地理位置信息提取特征，并通過矩陣分解（matrix-factorization，MF）［3，4］和馬爾可夫鏈（Markov-chain，MC）［5，6］分析出用戶的移動行為，以進行POI推薦。該方法對于數據依賴較強，需要用戶連續訪問，因此相關研究只考慮了一般順序行為，可解釋性不足。近年來，基于深度學習的POI推薦逐漸興起［7］，該類研究利用神經網絡代替手動挖掘用戶訪問數據中的隱含關聯關系，通過循環神經網絡（recurrent neural network，RNN）及其變體［8～10］捕獲用戶順序特征以及基于圖神經網絡（graph neural network，GNN）［11～13］捕捉POI高階鄰居之間的結構特征，能夠有效地提高推薦性能。相較于其他方法更具有通用性，也更適用于不同規模和復雜度的推薦場景。

然而，現有研究工作仍存在一些不足：a）忽略了POI網絡間復雜拓撲結構關系的地理特征。大多數方法通常把地理特征視為空間信息融入基于RNN的體系結構中。此外，這些方法僅根據POI之間的實際距離作為地理特征，沒有探索POI網絡間拓撲結構地理關系。b）未能將用戶順序信息納入空間偏好，導致用戶順序行為特征捕獲不足。用戶接下來要訪問的POI依賴于歷史順序行為特征，大多數工作通常采用基于RNN的方法建模用戶歷史行為的順序依賴關系，忽略了用戶個性化訪問的空間偏好。事實上用戶訪問偏好受順序特征中的時空信息影響。例如，用戶在頻繁光臨服裝店并且接連訪問的時空區間較小時，表示用戶對時尚方面的偏好，代表類似的服裝店可能成為用戶接下來訪問的POI。

針對上述問題，本文構建了一種基于序列圖時空增強與地理關系的POI推薦模型STESGGR。首先，利用用戶歷史簽到記錄構建地理圖，挖掘POI之間的拓撲結構關系，使用GCN與多頭注意力機制獲取拓撲結構關系的地理特征信息。其次，根據用戶歷史簽到信息構建反映用戶訪問順序的序列圖并提取簽到信息中的時空信息增強序列圖，將順序信息納入空間偏好，采用門GGNN與多頭注意力機制充分捕獲序列圖中順序特征信息的訪問偏好。最后，引入了一個共同性學習優化框架，進一步挖掘地理特征與順序特征，提高推薦性能。實驗表明，模型具有較高的推薦準確率，且能很好地緩解數據稀疏性。

本文主要貢獻如下：

a）利用用戶簽到記錄構建地理圖，挖掘POI間的拓撲結構關系，通過注意力機制捕獲用戶地理訪問偏好，引入共同學習框架，進一步挖掘特征。

b）利用用戶簽到信息構建序列圖并嵌入時空信息增強序列圖，納入用戶訪問空間偏好，采用注意力機制捕獲用戶順序訪問的時空偏好。

c）在五個真實數據集上進行實驗，評估STESGGR模型的性能，在五個數據集上都優于其他對比模型。

1 相關工作

1.1 基于地理信息的POI推薦

基于地理信息的POI推薦特別注重POI的位置特征，強調用戶在現實中對POI的簽到或訪問的交互行為。早期研究［1，2］僅根據用戶之間的地理關系計算用戶或項目之間的相似關系實現協同過濾推薦。有些學者［14，15］利用用戶簽到POI之間的規律性特點進行推薦，但這些方法僅考慮地理位置的距離影響，不適用于復雜推薦場景。隨著深度學習的發展，一些研究工作利用神經網絡強大的感知和表達能力進行推薦。例如，PACE［15］將半監督學習建模的地理信息與協同過濾方法獲得的用戶偏好信息有效結合來進行推薦。DeepMove［9］從用戶簽到POI地理位置軌跡信息預測用戶移動的下一個位置。ST-RNN［16］利用不同時間轉移矩陣結合不同距離轉移矩陣對時間和地理信息建模用戶時間和地理的訪問偏好。RIRL［17］考慮了用戶移動過程中產生的新舊時間和地理特征，通過門控機制的長短期記憶網絡（long short-term memory，LSTM）預測用戶下一個移動位置。此外有一些研究［18～20］是將地理信息與用戶間的社會關系相結合來實現推薦。

1.2 融合序列信息的POI推薦

序列信息反映了用戶的即時偏好，體現了用戶訪問POI的興趣演變。因此，很多研究融合序列信息進行推薦。早期，Rendle等人［5］提出矩陣分解和馬爾可夫鏈相結合的個性化馬爾可夫鏈模型，該模型只考慮了用戶間歇性訪問的變化。隨著深度學習的興起，出現基于神經網絡的模型。例如HST-LSTM［21］提出層次化LSTM，將時間序列信息與地理信息融合到LSTM中進行推薦。STGN［22］通過時間門和距離門的方式對地理信息與序列信息的長短期偏好進行建模，考慮了最近一次訪問的序列和地理信息對接下來訪問POI的影響。TM［23］利用時間序列信息的兩種狀態模式構建神經網絡進一步聯合學習時間模式建模用戶的動態偏好。STAN［24］使用了雙層注意體系結構，通過對時間和地理序列信息建模注意模塊模擬了用戶不相鄰的簽到。近年來，CFPRec［25］將用戶行為序列訪問偏好劃分為過去、現在和未來三個階段，分別通過轉換層、LSTM層和注意力層聚合進行建模。DisenPOI［26］進一步提出通過對比學習來解開地理和順序影響，但它忽略了用戶行為中的時空偏好。相比之下，本文模型結合了用戶訪問地理和順序的共同影響，納入用戶連續訪問順序信息的空間偏好，充分挖掘特征，從而提升了推薦性能。

2 問題定義與分析

2.1 問題定義

本文研究的POI推薦是根據用戶歷史簽到記錄中的地理信息和順序信息進行基于位置的點擊率（click-through-rate，CTR）預測。

定義1 POI。POI是空間上具有地理位置屬性的站點（如餐館），用標識符v表示。其地理坐標為（lonv，latv）元組，其中lonv表示POI位置經度，latv表示緯度。

定義2 簽到序列。用戶集合U={u1，u2，u3，…，u|U|}，POI集合表示為V={v1，v2，v3，…，v|V|}。對于每個用戶u∈U，POI的簽到序列表示為S（u）={（vu1，tu1），（vu2，tu2），…，（vun-1，tun-1）}，其中（vui，tui）表示用戶u在時間ti訪問了POI vi，簽到序列根據用戶先后訪問POI的時間進行排序。

定義3 CTR預測。基于位置的CTR預測任務是根據已知的歷史簽到序列S={S（u）|u∈U}去學習一個POI推薦模型，當給定用戶u和目標POI vt的情況下，利用模型去預測用戶u接下來訪問POI vt的概率。

2.2 問題分析

用戶在地圖上的簽到記錄為復雜的網絡拓撲結構，為了獲取POI之間的地理結構關系，用圖結構方式模擬POI的地理位置形成地理圖。由于GNN在捕獲圖拓撲結構關系方面取得了顯著的成功，所以在地理圖上用GCN挖掘POI間的地理拓撲結構關系特征。此外用戶接下來訪問的POI依賴于歷史順序行為特征，進一步發現用戶的下一次簽到受連續訪問的時間和空間間隔影響，因此POI以序列圖的方式模擬用戶連續訪問，同時嵌入時空信息增強用戶順序行為的影響。用戶的訪問序列包含了興趣的轉變，隱含了對下一個POI的訪問傾向，而GCN是用于序列不變的，所以采用能夠充分利用會話圖中順序信息的圖傳播方法（GGNN）。由于兩特征共同影響用戶的訪問偏好，引入共同性學習框架結合兩特征影響。

3 模型構建

模型整體框架如圖1所示。首先，利用用戶的歷史簽到記錄分別構建序列圖和地理圖，在序列圖中納入時空偏好信息增強用戶的順序行為特征。其次，在構建的地理圖上用GCN傳播模塊獲取地理拓撲結構關系特征的信息表示，在構建的序列圖上采用GGNN傳播模塊獲取順序特征信息表示，分別通過兩個多頭注意力機制進一步提取用戶的訪問偏好。之后，引入一個共同性學習框架，將含有用戶訪問偏好的兩個序列信息結合起來，兩個模塊相互提供監督信號進行優化。最后，通過MLP層融合信息，生成目標POI的點擊率預測。

3.1 地理圖構建

為了挖掘復雜拓撲網絡結構的地理關系，將POI的位置信息構建成地理圖，表示為Gg={V，Eg，Ag}。V為頂點集合，表示訪問過POI的位置。Eg為邊集，當POI vi，vj在給定的距離閾值d之內，則有（vi，vj）∈Eg。Ag為邊的權重，即Ag（i，j），表示POI之間的地理距離。地理圖Gg刻畫了用戶偏好的先驗知識，因此用戶通常在訪問下一個POI時選擇物理距離較近的一個。

3.2 地理圖上的信息聚合

為了捕獲地理拓撲結構上的高階關系，利用圖卷積神經網GCN獲取圖上傳播的信息［27］。對于給定的地理圖Gg，其中一對相鄰的POI vi，vj在第n層的信息可以表示為

4 實驗

4.1 數據集

在五個POI推薦數據集上進行實驗，這五個數據集來自用戶在Foursquare［29，30］上的簽到歷史。數據集包含了來自東京（TKY）、紐約（NYC）、卡爾加里（CAL）、菲尼克斯（PHO）和新加坡（SIN）五個城市的簽到記錄。數據集的統計信息如表1所示。

4.2 對比模型

為了驗證模型的有效性，用以下幾種對比模型，即基于序列的模型、基于圖的模型、基于地理位置的模型。

DIN［31］：一種經典的基于序列的CTR預測模型，它使用目標注意力來嵌入用戶的上下文。

DIEN［32］：DIN的一個變體，它利用GRU來捕獲用戶興趣的演變。

SR-GNN［13］：一種基于圖的模型，將用戶的交互歷史建模為會話圖。

NGCF［11］：一種基于圖的模型，將GNN應用在用戶-項目交互圖上。

LightGCN［12］：NGCF的變體，最先進的基于圖的推薦方法之一。

GeoIE［33］：一種最先進的基于位置的推薦方法，考慮了地理位置信息和距離的影響。

LSTPM［34］：一種基于LSTM的模型，提出了地理信息增強的LSTM來捕獲地理信息影響。

GSTN［35］：一種優化POI間位置相似性的圖推薦模型。

MTNet［36］：一種基于時間移動樹的個性化偏好學習任務框架。

DisenPOI［26］：一種解糾纏圖推薦模型，利用自監督學習方式捕獲用戶訪問偏好。

4.3 參數設定和評價指標

對于每個數據集，按時間順序對每個用戶的簽到記錄進行排序。每個用戶最后訪問的POI被保留作為評估集，而序列中剩余的POI用作訓練集。評估集隨機分成大小相等的測試集和驗證集。對于本文模型嵌入維數固定為128，構建地理關系POI圖的距離閾值d設置為1 km，用ADAM優化器進行優化，學習率設為0.001，GCN層數設為2，TKY、NYC、CAL、PHO、SIN五個數據集上共同性學習權重β分別設置為0.1、1、0.1、0.1、1。前述參數的選擇均是根據驗證集上的實驗結果決定，并通過測試集評估。本文采用AUC和Logoss作為評估指標，這是CTR預測中的常見做法［31，32］。

4.4 實驗結果

實驗結果如表2所示，可以發現：

a）與其他方法相比，利用地理信息輔助推薦的模型（GeoIE、LSTPM、DisenPOI和STESGGR）具有明顯的優勢。這是合理的結果，因為在基于位置的推薦任務中，用戶的簽到歷史與POI的地理位置之間具有高度的相關性。

b）基于圖神經網絡的模型（SR-GNN、NGCF、LightGCN、DisenPOI和STESGGR）與基于序列的模型（DIN和DIEN）相比都有改進，說明圖神經網絡具有很強的捕獲不同POI節點間高階連通性的能力。因此基于圖神經網絡的模型在聚合豐富的相鄰節點信息方面發揮了很好的作用。

c）總體而言，STESGGR模型在五個數據集上的表現都明顯優于其他對比模型。在TKY、NYC、CAL、PHO和SIN測試集上，AUC分別提高了2.2%、2.7%、2.2%、2.3%和1.2%，Logloss分別提高了12.4%、5.4%、4.3%、5.2%和3.2%，證明了模型在POI推薦方面的有效性。

4.5 數據稀疏下的推薦

為了探究融合訪問背后的時空序列順序特征和地理特征是否有助于緩解數據稀疏問題。將訓練集平均劃分成五份，每次取一到五個部分，分別對應20%、40%、60%、80%以及完整的訓練集，實驗結果如圖2所示。可以發現：

a）數據稀疏性問題使所有方法的性能都下降，但STESGGR模型在不同稀疏度上都優于其他方法，這表明了優化框架的健壯性。所以，通過時空序列信息增強兩模塊之間的信息交流和優化框架整合兩模塊的內部信息，可以很好地緩解數據稀疏性。

b）通常利用地理信息的模型（GeoIE、LSTPM、DisenPOI和STESGGR）在稀疏度較高的數據集上表現得更好。可能是因為在用戶與POI交互信息部分缺失的情況下，該模型仍能充分利用所有POI的地理位置信息進行推薦。這表明，在面對數據稀疏帶來的挑戰時，地理位置信息影響發揮著重要作用。

4.6 消融實驗

為了探究模型中各個模塊發揮的作用，在TKY和NYC數據集上對不同的組成部分進行消融實驗。模型變體如下：

a）STESGGR-GEO：移除了地理圖模塊。

b）STESGGR-ST：移除了時空信息增強模塊。

c）STESGGR-STamp;SEQ：移除了時空信息增強的序列圖模塊。

d）STESGGR-Euclid Math OneLApcom：移除了優化框架模塊。

實驗結果如圖3和4所示。從結果可以發現，STESGGR模型性能是最佳的，證明了模型構建的合理性。當移除了地理圖和序列圖模塊后，模型在AUC和Logloss上都有所下降，表明了用戶行為背后的順序特征和地理特征可以有效地進行推薦，是POI推薦的關鍵因素。當移除了時空信息增強模塊，模型性能下降，這表明在用戶的順序特征中納入時空偏好能更充分地挖掘順序特征，同時表明順序特征也是影響推薦的關鍵因素。當移除了優化框架，模型性能下降，表明優化框架對兩模塊的特征信息可以相互學習，使信息分布更加擬合，提高推薦質量。

4.7 超參數分析

4.7.1 共同性學習權重β影響

為了探究參數β對實驗結果影響，在TKY和NYC數據集上進行實驗，將β大小設置為{0，0.001，0.01，0.1，1，2，4}，實驗結果如圖5和6所示。可以發現，在TKY數據集上，隨著β增加，模型性能逐漸提升。當到一定值后，即β=0.1時，模型性能開始下降。這是因為較大的β值使得兩模塊的信息過度擬合了，導致推薦性能下降。因此，在TKY數據集上，β的值設置為0.1。類似地，在NYC數據集上β設置為1。

4.7.2 距離閾值d影響

為了探究構建地理圖時給定距離閾值d對實驗結果影響，在TKY和NYC數據集上進行實驗，將d大小設置為{0.2，0.4，0.6，0.8，1.0，1.2，1.4}，實驗結果如圖7和8所示。可以看到，在TKY和NYC數據集上，隨著d的增加，模型性能逐漸提升。當到達d=1.0時，模型性能開始下降。因此在TKY和NYC數據集上，距離閾值d的大小設置為1。

4.8 樣例分析

為了探究模型有效性，在圖9中通過評估集中的目標POI與DisenPOI和STESGGR所做的預測進行對比說明。本文對NYC數據集進行樣例研究，直觀地說明兩個模型之間的差異。隨機選擇一個用戶可視化在紐約城市地圖上的訪問軌跡，以及預測前30個推薦的POI。圖9中用戶訪問的POI用綠色的圓圈標記，DisenPOI和STESGGR推薦的POI分別用藍色和紅色圓圈標記（見電子版）。可以觀察到，STESGGR推薦的POI比DisenPOI推薦的POI更接近所選用戶的訪問軌跡，這表明時空信息增強的順序行為以及結合地理關系特征推薦的POI更加傾向于分散在用戶訪問過的POI周圍，證明了STESGGR的有效性。

5 結束語

本文提出了基于序列圖時空增強與地理關系的興趣點推薦模型。它用兩種圖的方式挖掘了時空順序特征和地理特征對用戶訪問的影響，構建了時空信息增強的序列圖和地理圖。為了更有效地獲取兩圖拓撲結構上的信息，分別用圖神經網絡和注意力機制在時空序列圖和地理圖上進行信息聚合。同時為了增強推薦效果，引入共同性學習優化框架，它聯合了兩個圖模塊中，信息進行增強和優化。在五個真實數據集上的結果表明，STESGGR模型優于其他基線模型，同時可以有效緩解數據稀疏性。在未來的研究工作中，將繼續探究用戶行為序列中固定環形結構軌跡對訪問偏好的影響，并考慮使用取樣的策略探究其結構，同時利用對比學習獲取地理信息與順序信息的一致性，提升推薦效果。

參考文獻：

［1］Zheng V W，Cao Bin，Zheng Yu，et al.Collaborative filtering meets mobile recommendation［C］//Proc of the 24th AAAI Conference on Artificial Intelligence.New York：ACM Press，2010：236-241.

［2］Zheng Yu，Zhang Lizhu，Ma Zhengxin，et al.Recommending friends and locations based on individual location history［J］.ACM Trans on the Web，2011，5（1）：5.

［3］Lian Defu，Zhao Cong，Xie Xing，et al.GeoMF：joint geographical modeling and matrix factorization for point-of-interest recommendation［C］//Proc of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.New York：ACM Press，2014：831-840.

［4］Yao Zijun，Fu Yanjie，Liu Bin，et al.POI recommendation：a temporal matching between POI popularity and user regularity［C］//Proc of the 16th IEEE International Conference on Data Mining.Piscataway，NJ：IEEE Press，2016：549-558.

［5］Rendle S，Freudenthaler C，Schmidt-Thieme L，et al.Factorizing personalized Markov chains for next-basket recommendation［C］//Proc of the 19th International Conference on World Wide Web.New York：ACM Press，2010：811-820.

［6］Cheng C，Yang H，Lyu M R，et al.Where you like to go next：successive point-of-interest recommendation［C］//Proc of the 23rd International Joint Conference on Artificial Intelligence.2013：2605-2611.

［7］李征，黃雪原，袁科.基于位置社交網絡的興趣點推薦研究［J］.計算機應用研究，2022，39（11）：3211-3219.（Li Zheng，Huang Xueyuan，Yuan Ke.Survey of research on point-of-interest recommendation methods based on location-based social networks［J］.Application Research of Computers，2022，39（11）：3211-3219.）

［8］Li Ranzhen，Shen Yanyan，Zhu Yanmin.Next point-of-interest recommendation with temporal and multi-level context attention［C］//Proc of IEEE International Conference on Data Mining.Piscataway，NJ：IEEE Press，2018：1110-1115.

［9］Feng Jie，Li Yong，Zhang Chao，et al.DeepMove：predicting human mobility with attentional recurrent networks［C］//Proc of World Wide Web Conference on World Wide Web.New York：ACM Press，2018：1459-1468.

［10］Manotumruksa J，MacDonald C，Ounis I，et al.A contextual attention recurrent architecture for context-aware venue recommendation［C］//Proc of the 41st International ACM SIGIR Conference on Research amp; Development in Information Retrieval.New York：ACM Press，2018：555-564.

［11］Wang Xiang，He Xiangnan，Wang Meng，et al.Neural graph collaborative filtering［C］//Proc of the 42nd International ACM SIGIR Confe-rence on Research and Development in Information Retrieval.New York：ACM Press，2019：165-174.

［12］He Xiangnan，Deng Kuan，Wang Xiang，et al.LightGCN：simplifying and powering graph convolution network for recommendation［C］//Proc of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval.New York：ACM Press，2020：639-648.

［13］Wu Shu，Tang Yuyuan，Zhu Yanqiao，et al.Session-based recommendation with graph neural networks［C］//Proc of AAAI Conference on Artificial Intelligence.Palo Alto，CA：AAAI Press，2019：346-353.

［14］Cheng Chen，Yang Haiqin，King I，et al.Fused matrix factorization with geographical and social influence in location-based social networks［C］//Proc of the 26th AAAI Conference on Artificial Intelligence.New York：ACM Press，2012：17-23.

［15］Yang C，Bai Lanxiao，Zhang Chao，et al.Bridging collaborative filtering and semi-supervised learning［C］//Proc of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.New York：ACM Press，2017：1245-1254.

［16］Liu Qiang，Wu Shu，Wang Liang，et al.Predicting the next location：a recurrent model with spatial and temporal contexts［C］//Proc of AAAI Conference on Artificial Intelligence.Palo Alto，CA：AAAI Press，2016.

［17］Wang Dongjie，Wang Pengyang，Liu Kunpeng，et al.Reinforced imitative graph representation learning for mobile user profiling：an adversarial training perspective［C］//Proc of AAAI Conference on Artificial Intelligence.Palo Alto，CA：AAAI Press，2021：4410-4417.

［18］Gao Huiji，Tang Jiliang，Hu Xia，et al.Content-aware point of interest recommendation on location-based social networks［C］//Proc of the 29th AAAI Conference on Artificial Intelligence.New York：ACM Press，2015：1721-1727.

［19］Gao Huiji，Tang Jiliang，Liu Huan.gSCorr：modeling geo-social correlations for new check-ins on location-based social networks［C］//Proc of the 21st ACM International Conference on Information and Know-ledge Management.New York：ACM Press，2012：1582-1586.

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

［21］Kong Dejiang，Wu Fei.HST-LSTM：a hierarchical spatial-temporal long-short term memory network for location prediction［C］//Proc of the 27th International Joint Conference on Artificial Intelligence.2018：2341-2347.

［22］Zhao Pengpeng，Luo Anjing，Liu Yanchi，et al.Where to go next：a spatio-temporal gated network for next POI recommendation［J］.IEEE Trans on Knowledge and Data Engineering，2022，34（5）：2512-2524.

［23］Ye Wenwen，Wang Shuaiqiang，Chen Xu，et al.Time matters：sequential recommendation with complex temporal information［C］//Proc of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval.New York：ACM Press，2020：1459-1468.

［24］Luo Yingtao，Liu Qiang，Liu Zhaocheng，et al.STAN：spatio-temporal attention network for next location recommendation［C］//Proc of Web Conference.New York：ACM Press，2021：2177-2185.

［25］Zhang Lu，Sun Zhu，Wu Ziqing，et al.Next point-of-interest recommendation with inferring multi-step future preferences［C］//Proc of the 31st International Joint Conference on Artificial Intelligence.2022：3751-3757.

［26］Qin Yifang，Wang Yifan，Sun Fang，et al.DisenPOI：disentangling sequential and geographical influence for point-of-interest recommendation［C］//Proc of the 16th ACM International Conference on Web Search and Data Mining.New York：ACM Press，2023：508-516.

［27］Kipf T N，Welling M.Semi-supervised classification with graph convolutional networks［EB/OL］.（2016-09-09）.https：//arxiv.org/abs/1609.02907.

［28］Li Yujia，Tarlow D，Brockschmidt M，et al.Gated graph sequence neural networks［EB/OL］.（2015-11-15）［2024-10-07］.https：//doi.org/10.48550/arXiv.1511.05493.

［29］Yang Dingqi，Zhang Daqing，Zheng V W，et al.Modeling user activity preference by leveraging user spatial temporal characteristics in LBSNs［J］.IEEE Trans on Systems，Man，and Cybernetics：Systems，2015，45（1）：129-142.

［30］Sun Zhu，Lei Yu，Zhang Lu，et al.A multi-channel next POI recommendation framework with multi-granularity check-in signals［J］.ACM Trans on Information Systems，2023，42（1）：15.

［31］Zhou Guorui，Zhu Xiaoqiang，Song Chenru，et al.Deep interest network for click-through rate prediction［C］//Proc of the 24th ACM SIGKDD International Conference on Knowledge Discovery amp; Data Mining.New York：ACM Press，2018：1059-1068.

［32］Zhou Guorui，Mou Na，Fan Ying，et al.Deep interest evolution network for click-through rate prediction［C］//Proc of AAAI Conference on Artificial Intelligence.Palo Alto，CA：AAAI Press，2019：5941-5948.

［33］Wang Hao，Shen Huawei，Ouyang Wentao，et al.Exploiting POI-specific geographical influence for point-of-interest recommendation［C］//Proc of the 27th International Joint Conference on Artificial Intelligence.New York：ACM Press，2018：3877-3883.

［34］Sun Ke，Qian Tieyun，Chen Tong，et al.Where to go next：modeling long- and short-term user preferences for point-of-interest recommendation［J］.Proceedings of the AAAI Conference on Artificial Intelligence，2020，34（1）：214-221.

［35］Wang Zhaobo，Zhu Yanmin，Zhang Qiaomei，et al.Graph-enhanced spatial-temporal network for next POI recommendation［J］.ACM Trans on Knowledge Discovery from Data，2022，16（6）：104.

［36］Huang Tianhao，Pan Xuan，Cai Xiangrui，et al.Learning time slot pre-ferences via mobility tree for next POI recommendation［C］//Proc of AAAI Conference on Artificial Intelligence.Palo Alto，CA：AAAI Press，2024：8535-8543.