基于簡化GCN與注意力機制的移動用戶興趣點推薦模型

摘要：原始圖卷積神經網絡（GCN） 的層次結構較為復雜，其規則固定的鄰域聚合難以動態調整鄰居節點權重，導致相關已有模型在數據間高階關聯捕獲與長尾興趣點推薦上的表現不佳。為此，本文提出了一種結合簡化GCN與注意力機制的POI推薦模型（SAGCF） 。首先對傳統GCN進行架構剪枝，去除冗余的激活函數和特征變換操作，使其專注于表示POI的高階連通性。其次，引入注意力機制自適應調整鄰居節點權重，以克服靜態權重分配的局限性。實驗結果表明，SAGCF模型在Foursquare和Yelp兩個數據集上均優于同類方法，召回率平均提升5.90%，NDCG平均提升15.98%。

關鍵詞：POI推薦；圖卷積神經網絡；注意力機制；神經協同過濾

中圖分類號：TP183" " " 文獻標識碼：A

文章編號：1009-3044（2025）19-0026-07

開放科學（資源服務） 標識碼（OSID）

0 引言

隨著互聯網的發展和移動設備的普及，移動互聯網與空間信息技術深度融合，基于位置的社交網絡（Location-Based Social Network， LBSN） 成為人們日常生活中重要的一部分[1]。然而，在享受移動設備和LBSN便捷服務的同時，用戶也面臨信息過載與選擇困難等挑戰[2]。興趣點推薦（POI Recommendation） 系統因此誕生，并逐漸成為各大互聯網平臺的重要組成部分。為提高POI推薦效果，近年來大量研究致力于挖掘用戶與POI之間的潛在交互關系。考慮到移動社交網絡的特征可以自然地表示為圖結構，一些研究將圖神經網絡（Graph Neural Network， GNN） 引入到POI推薦任務中，期望通過圖學習方法更有效地捕捉用戶和POI之間的潛在關聯。

這類基于圖學習的推薦系統主要分為兩類[3]：一是利用用戶與POI的交互數據（如簽到記錄） 構造圖結構，挖掘高階的用戶興趣偏好；二是結合用戶的社交屬性、地理信息以及時間上下文等額外數據改善推薦效果。許多研究取得了重要進展。Chang等[4]提出了一個基于GNN的POI推薦模型（GPR） ，通過訓練用戶與POI的傳入和傳出影響的地理潛在表示，估計用戶的個性化偏好。Zhong等[5]根據POI之間的地理距離構造了一個空間圖，并利用圖卷積網絡（Graph Convolutional Network， GCN） 表示POI之間的高階連通性，從而緩解了數據稀疏性帶來的挑戰。

盡管多種圖神經網絡的引入為POI推薦領域提供了新的研究思路，但現有研究多注重使用不同的額外信息對GCN進行輔助增強，反而忽視了對GCN本身結構對POI推薦結果影響的研究。傳統GCN中的某些復雜操作對于POI推薦任務而言并非必要，同時GCN自身在處理不同鄰居節點重要性權重時仍存在一定的局限性。為進一步提升推薦系統性能，本文簡化了GCN網絡，使其專注于高效表示用戶與POI的高階聯系。同時，用注意力機制替代原始GCN固定的鄰域聚合規則，最終提出了一種結合輕量化GCN與注意力機制的POI推薦模型（SAGCF） 。

1 相關理論

1.1 圖卷積神經網絡

圖結構數據主要由節點和邊組成，其中節點表示對象，邊表示對象間的關系。節點鄰域聚合是通過整合目標節點及其關聯鄰居的數據信息（如統計值、特征向量） ，實現對目標潛在信息的挖掘。

近年來，基于深度學習的推薦系統研究受到了廣泛關注，其中圖卷積神經網絡（Graph Convolutional Network， GCN） 已成為重要的研究方向之一。GCN由Thomas Kipf于2016年在論文 Graph Convolutional Networks 中首次提出[6]，是一種專門用于處理圖結構數據的神經網絡。它在節點特征表示上應用卷積操作，可以有效捕獲節點之間的關系和結構信息，并通過聚合節點鄰居的信息來更新節點的特征表示。GCN為多層結構，每一層都對節點表示進行更新，將鄰居節點的信息聚合到當前節點。GCN的層間特征更新公式如公式（1） （2） 所示。

[ [H（0）=X] （1） [H（k+1）=σ（D-12AD-12H（k）W（k））] （2） ]

式中：X表示圖的節點特征矩陣，每個節點都有一個特征向量，特征矩陣收集了所有節點的特征；H（k）是更新到第k層的節點特征矩陣，H（0）為第0層，即輸入層；[A]是加上自環的鄰接矩陣，即特征矩陣X的鄰接矩陣A加一個單位矩陣；[D]是[A]的度矩陣；W（k）表示第k層的權重矩陣；[σ]代表激活函數，在每一層之后應用非線性激活函數。

GCN在節點分類、鏈接預測、圖分類、推薦系統等多種場景中均表現出良好的特征提取能力。

1.2 注意力機制

注意力機制是一種在深度學習中廣泛應用的技術，其模擬了人類在處理信息時的關注和集中注意力的過程，旨在從眾多信息中選擇出對當前任務目標更關鍵的信息[7]。Mnih等[8]首次提出了注意力機制的概念，通過計算輸入數據的權重，突出某些關鍵信息的影響。其核心數學表達如公式（3） 所示：

[ [AttentionQ，K，V=softmaxQKTdV] （3） ]

式中：Q、K、V分別為查詢向量、鍵向量和值向量。在本研究中，Q、K、V可由用戶與POI的特征表示經過線性變換得到；d為縮放因子，通常取為鍵向量K的長度，用于平衡點積操作的數值穩定性；T表示矩陣轉置；softmax函數對相關性權重進行歸一化，得到注意力權重矩陣。

注意力機制在推薦領域中普遍用于改進推薦算法的效果和個性化能力。

1.3 神經協同過濾

與傳統協同過濾模型不同，神經協同過濾是一種基于神經網絡的方法，其以神經網絡結構替代內積，可以從數據中學習任意交互函數，突破內積帶來的限制。它通過學習用戶和項目之間的隱式反饋數據，建立一個通用框架以模擬用戶和項目之間的交互關系，如圖1所示。該框架包括輸入層、嵌入層、神經協同過濾層和預測層，每一層的輸出都作為下一層的輸入。使用高維稀疏向量表示用戶和項目的輸入，經嵌入層映射為低維稠密向量，然后將這些向量拼接送入神經協同過濾層進行非線性計算，最后通過預測層訓練模型并得到預測結果。通過對神經協同過濾層進行定制，能夠學習到用戶和項目之間特定的交互關系。

神經協同過濾框架的預測模型如公式（4） 所示：

[ [yui=f（PTvuU，QTviI|P，Q，θf）] （4） ]

式中：P為用戶的潛在特征矩陣；Q為項目的潛在特征矩陣；[vu]，[vi]分別為用戶和項目的獨熱編碼向量；f為多層神經網絡函數，通過多層非線性變換逐步提取用戶和物品之間的特征交互；[θf]為函數f的模型參數。

本文的用戶與POI交互數據可輕松轉化為用戶-POI的二部圖數據結構，適合使用GCN進行協同過濾。

2 SAGCF推薦模型

推薦系統的核心任務是基于用戶-物品的交互數據，學習節點（用戶和物品） 的嵌入表示，從而預測用戶的潛在興趣。因此，本文提出了基于GCN與Attention機制的推薦模型（SAGCF） 。針對傳統GCN設計中對協同過濾任務性能貢獻較小的特征變換和非線性激活部分，本文進行了簡化，去除這些部分以構建輕量化的GCN網絡，專注于表示POI（Point of Interest） 之間的高階連通性[9]，并對數據集進行特征提取，從而捕捉數據中的潛在特征。

另一方面，傳統GCN在應用于POI推薦領域時，節點特征的聚合方式基于鄰接矩陣的歸一化操作，即每個節點通過對鄰居節點的特征加權求和后進行更新。這種固定規則的更新方式無法動態調整不同鄰居節點的重要性，難以為不同鄰居賦予差異化的權重，使得模型的表達能力受限。本文在SAGCF模型中引入了注意力機制，通過學習自適應的注意力系數，動態調整用戶與POI之間的關聯權重。該機制不僅增強了模型對用戶與POI關系的刻畫能力，還能夠更好地捕捉用戶對不同POI的個性化偏好，以提升推薦效果。

SAGCF模型總體結構如圖2所示。

2.1 問題定義

POI推薦是通過對用戶與POI間的歷史交互記錄進行分析以獲取用戶偏好，從而為目標用戶推薦可能感興趣的新地點。對于移動用戶，其特征天然適合用圖結構表示，本文將POI與用戶間的交互行為構成交互二部圖的形式。在二部圖中，一部分為用戶節點，另一部分為POI節點，邊表示用戶與POI的交互記錄。設User集合為U={ u1， u2，...， un }，POI集合為P={p1， p2，...， pm}。記錄User和POI交互的數據集合為I={ （ ui， pj） }，i∈[1， n]，j∈[1， m]。具體結構如圖3所示。

成功將數據構建為二部圖形式后，即可獲取該圖結構的鄰接矩陣R，作為模型的輸入。二元矩陣R用于描述用戶與POI之間的互動關系，這種顯性關聯數據具有直接可追蹤性。具體而言，當用戶ui在地點pj有訪問記錄時，矩陣元素r{i，j}賦值為1，反之則為0。興趣點推薦的核心目標，就是利用現有交互矩陣R進行建模分析，預測用戶對未訪問地點的潛在偏好。當特定用戶ui尚未訪問某些候選POI集合時，可通過算法計算對這些候選地點的預測評分（如公式5所示） ，最終根據計算得到的預測結果進行降序排序，生成最終推薦結果Lu={p1，p2，…，pK}（如公式6所示） 。

[ [Ri，j=SAGCFui，pj] （5） [Lu={P|sorted by Ri，j， K}] （6） ]

式中：[Ri，j]表示更新后用戶ui對POI的預測評分，SAGCF為本文提出的POI推薦算法模型，K指代推薦結果列表中的POI個數，Lu表示為用戶u最終生成的個性化推薦列表。

2.2 注意力系數求解模塊

傳統圖卷積網絡（GCN） 采用固定規則進行鄰域聚合（如拉普拉斯歸一化） ，無法區分不同POI對用戶偏好的差異化影響，導致對長尾興趣點的推薦效果欠佳。為解決這一問題，本文在模型中引入注意力機制，通過自適應地為不同節點間的關系分配權重，從而更好地強化用戶差異化興趣的學習。

如圖3所示，原始交互數據轉化為圖結構并得到二元矩陣R后，下一步即為節點間注意力系數的計算。具體而言，從單個圖注意力層（Graph Attention Layer， GAL） 出發，設輸入為一組節點特征矩陣[h=h1，h2，...，hn，hi∈RF]，其中[hi]表示第i個節點的特征向量，n為節點總數，F為每個節點特征的維度。

首先，對原始節點特征[hi]進行線性投影以增強特征表達能力，隨后利用投影后的節點特征計算未歸一化的節點間注意力得分。具體過程如公式（7） 所示：

[βij=aWhi，Whj] （7）

式中：[hi]和[hj]分別表示節點i與節點j的特征向量，W表示對節點特征的線性投影操作，a函數用于將拼接后的高維特征映射到實數上，從而得到未歸一化注意力系數[βij]。

為避免高度數節點權重被嚴重稀釋而導致結果偏差，需要對注意力系數進行歸一化處理，以合理壓縮高度數節點的權重，使模型專注于節點間的相對重要性。如公式（8） 所示，最終得到注意力系數矩陣[αij]。

[ [αij=Softmax（βij）] （8） ]

生成的注意力系數矩陣[αij]將用于2.3節的鄰域聚合與特征更新，最終服務于2.4節的推薦列表生成。

2.3 特征更新與聚合模塊

2.3.1 特征更新

在獲取到節點間的注意力系數矩陣后，模型進入特征更新階段。在POI推薦場景下，傳統GCN中復雜的非線性激活和特征變換操作顯著增加了模型參數量，但對其捕獲用戶-POI高階關聯能力的提升有限。因此，對原有GCN進行了基于任務驅動的圖卷積架構剪枝操作，移除特征更新過程中的非線性激活與特征變換部分，僅保留鄰域傳播核心功能的輕量架構，在降低復雜度的同時增強對稀疏簽到數據的適應性。

同時，如2.2節所述，為增強模型在區分不同POI對用戶偏好的差異化影響方面的能力，突破傳統鄰域聚合中固定權重分配的局限性，對于特征更新公式，使用注意力系數矩陣替換原本GCN中基于固定規則（如拉普拉斯矩陣僅依賴節點度數進行靜態歸一化） 的鄰域聚合操作，如公式（9） 所示，對節點特征進行更新。

[ [H（k+1）=αijH（k）] （9） ]

式中：H（k）為更新到第k層的節點特征矩陣，H（k+1）表示第k+1層的節點特征矩陣，[αij]為上一步求得的節點間注意力系數矩陣。

2.3.2 特征聚合

在經過多層的特征更新，獲得多個更新后的特征矩陣后，為了充分融合不同階次的圖結構信息，本模型需對多層更新后的節點特征進行聚合操作，將聚合結果作為最終特征表達。傳統圖卷積網絡（GCN） 通常通過顯式添加自連接（Self-Loop） 來保留節點自身特征，但這種設計隨著網絡層數的增加，節點特征容易因重復疊加而產生過平滑現象。本文采用層組合操作，代替現有圖卷積操作中對目標節點本身的整合操作，即不專門處理自連接，通過層組合捕捉與自連接相同的效果。

在模型中，用戶初始輸入第0層的用戶特征與POI特征，然后通過公式（10） 進行特征更新，獲得更高層的特征。層組合操作是在完成K層特征更新后，進一步將每一層更新后獲得的特征組合起來，從而形成用戶與POI特征的最終表示。通過層組合，模型能夠在保留多階關系信息的同時，緩解過平滑問題。具體操作如公式（10） 所示：

[ [Hfinal=k=0KakH（k）] （10） ]

式中：H（k）表示第k層經過特征更新后的節點特征矩陣，ak是第k層嵌入的權重，取a=1/（k+1）。[Hfinal]為最終特征表示。

2.4 候選POI排序與推薦生成

推薦列表生成如圖4所示，在得到用戶特征矩陣eu與POI特征矩陣ep后，將兩個矩陣相乘，得到用戶-POI交互偏好分數矩陣。然后根據偏好分數對POI進行排序，取前K個POI，得出最終的POI推薦列表Top-K。如公式（11） （12） 所示，其核心在于通過用戶特征與 POI 特征矩陣的內積，計算每個用戶對每個POI的偏好分數，從而量化用戶對POI的興趣強度。在得到偏好得分矩陣后，對每個用戶的得分結果按降序排序，并提取分數最高的K個POI，作為最終的推薦結果。最終輸出的推薦列表形式為Lu={p1，p2，…，pK}，分數最高的p1表示用戶最感興趣的POI，依次類推。

[[Ru，p=euTep] （11） [Lu=P|sorted byRu，p，K] （12） ]

式中：[Ru，p]表示用戶u對興趣點p的推薦排名分數；[eu]、[eu]分別表示用戶與POI的特征矩陣；T表示矩陣轉置操作。K指代推薦結果列表中的POI個數，Lu表示最終生成的個性化推薦列表。

2.5 損失函數

本實驗采用貝葉斯個性化排名（Bayesian Personalized Ranking，BPR） 損失函數，即一種用于向用戶推薦個性化偏好的損失函數，由 Steffen Rendle 等人[10]為解決對隱式反饋數據進行推薦的問題而最先提出。相比于評分、評論等明確表達用戶喜好的顯性交互記錄，停留時間、簽到次數等隱式反饋數據也可以間接反映用戶興趣。

BPR的核心理念為：對于給定用戶以及兩個物品，模型需確保用戶偏好物品排在不偏好物品之前。這與本實驗最終給出前K個POI推薦排序列表的結果相一致。BPR損失函數不直接預測用戶對POI的偏好數值，而是基于用戶的歷史交互數據，將正負樣本間的分數差距最大化，這與本文引入注意力機制的目標一致。注意力系數的學習直接影響用戶-POI評分的計算結果，因此BPR損失能夠間接優化注意力機制的學習效果。BPR損失的數學表達式如式（13） 所示：

[ [LBPR=-（u，i，j）∈Dlnσ（yu，i-yu，j）+λΘ2] （13） ]

式中：Θ = {E（0）}，即第0層的特征嵌入；λ用于控制L2正則化的強度；[σ]為sigmoid函數。

3 實驗設計與分析

3.1 實驗數據集

本實驗選用的研究數據集為公開數據集 FourSquare 和 Yelp。FourSquare[11]是一個全球范圍的基于位置的社交網絡服務平臺，用戶可以通過簽到記錄自己的地理位置信息。Yelp 是一家知名的本地商戶信息與評價平臺，用戶可以對商戶進行評論、評分，并分享相關照片。其數據包含商戶屬性、用戶評論、評分等多維度信息。

如表 1 所示，Foursquare數據集的簽到頻次較高，商戶偏休閑場景；Yelp簽到頻次較低，商戶范圍較廣，以消費點評為主。本文對兩個公開數據集進行去重、缺失補充，然后去除簽到次數小于10次的POI，最后將ID字段進行順序化映射處理，以保證后續實驗的可靠性。

3.2 評價指標

為驗證實驗結果的有效性，本文構建了包含召回率（Recall） 、精準率（Precision） 、F1 值和歸一化折損累計增益（NDCG） 的多維度評估體系。精準率量化推薦結果中正確項目的占比，體現內容篩選的準確程度；召回率反映了算法對用戶潛在興趣的覆蓋廣度以及表征信息捕捉的全面性，二者形成查準與查全的互補關系。F1 值是 Precision 和 Recall 的調和平均。相關計算公式如 （14） （15） （16） 所示：

[ [Recall=u∈U|L（u）∩T（u）|T（u）] （14） [Precision=u∈UL（u）∩T（u）L（u）] （15） [F1=Precision×Recall×2Precision+Reacll] （16） ]

式中：U表示數據集中的用戶集合；L（u）表示系統生成的推薦列表中的興趣點集合；T（u）表示用戶的實際興趣點集合。

NDCG則通過位置加權策略評估排序質量，重點考察高價值內容在推薦列表中的優先呈現程度。計算過程公式如公式（17） 所示：

[ [DCGk=i=1k2reli-1log2（i+1）] [IDCGk=i=1k1log2（i+1）] （17） [NDCGK=DCGKIDCGK] ]

式中：[reli]指用戶對第i個被推薦POI的傾向性，用戶選擇了該POI時，reli值為1，反之為0；[DCGK]反映了模型預測排序結果的得分，其值越接近理想完美狀態下的排序結果分數（[IDCGk]） ，推薦結果列表的效果越好。

四個指標分別從結果精確性（Precision） 、興趣覆蓋度（Recall） 、決策均衡性（F1） 及序列優化度（NDCG） 四個互補維度完成系統性評測。

3.3 實驗設置與對比模型選取

本實驗采用POI推薦相關論文中常用的數據劃分策略，針對每個用戶的簽到記錄，以隨機抽樣方式保留 70% 的歷史行為數據作為模型訓練集，30% 的數據作為測試集，以構建訓練集與測試集完全分離的驗證環境。使用Adam作為優化器進行參數更新，Dropout設為0.02，應用于特征更新層。

為評估本文的SAGCF模型，實驗選取以下模型作為對比：

GNN-POI[12]：基于GNN的POI推薦框架，綜合社交關系和訪問記錄學習用戶偏好表示，利用Bi-LSTM模型建模用戶的簽到序列行為，結合地理和時間特性。

NGCF[13]：基于圖神經網絡的協同過濾模型，通過圖結構數據建模用戶和物品之間的交互關系，引入非線性激活函數和嵌入特征的逐層聚合，能夠有效學習用戶和物品的潛在表示。

FG-CF[14]：一種融合社交信息的圖協同過濾模型，創新性地設計了一種消息聚合機制，結合節點自身、鄰居和社交三種嵌入，捕捉用戶與 POI 的上下文信息。

Distance2Pre：一種基于距離度量的推薦算法，構建用戶-物品交互矩陣，并通過距離度量方法計算用戶與物品之間的相似性，進而預測用戶偏好[15]。

GRMF：一種基于圖正則化的矩陣分解算法。通過引入圖正則化項，捕捉用戶和物品之間的潛在關系[16]。

3.4 實驗結果與分析

在實驗的特征更新與聚合階段，Layer值的選擇直接影響模型的特征表達能力。隨著模型Layer的增加，盡管能夠提取更高階的特征交互，但可能導致訓練數據過度擬合及反向傳播過程中梯度衰減，因此需要通過實驗進行合理選擇。本實驗基于Foursquare與Yelp兩個數據集測試了不同層數卷積對Recall和NDCG 兩個重要指標的影響，實驗結果如圖5所示。

從圖5中可以看出，無論是Foursquare數據集還是Yelp數據集，Recall和NDCG 隨著卷積Layer值的增加，其變化趨勢具有一致性：在Layer由1增加到2時，Recall和NDCG的值總體上均呈遞增趨勢，而當Layer超過4層后，指標值明顯開始下降。因此，本實驗將模型的Layer值設定為 4。

最終，在Foursquare和Yelp數據集上進行實驗后，將結果與本文選取的五個基線模型進行對比。實驗結果如圖 6、圖 7 所示。

通過圖6和圖7可以看出，SAGCF模型在兩個數據集上的各項指標表現均為最優。將模型GNN-POI與NGCF進行對比，可以發現，由于GCN在原始GNN的基礎上加入了目標節點自身的特征信息，因此在POI推薦任務中，GCN相較于GNN能夠更準確地表達鄰居節點的特征信息。進一步對比SAGCF與其余三個模型，SAGCF在兩個數據集上召回率平均提升5.90%，NDCG平均提升15.98%，說明去除傳統GCN中對協同過濾性能影響較小的特征變換和非線性激活部分，并引入注意力系數取代原有的特征更新過濾器，可以顯著提升推薦效果。這表明SAGCF模型在特征處理和交互建模方面更具優勢。

4 總結與展望

本文提出了一種基于簡化GCN與注意力機制的移動用戶興趣點推薦模型（SAGCF） 。首先，針對傳統GCN在協同過濾任務中對性能貢獻較小的特征變換和非線性激活部分，進行任務驅動的架構剪枝，以更高效地表示POI之間的高階連通性。然后，對于傳統GCN無法動態調整鄰居節點權重的問題，使用注意力機制代替原有的規則固定的鄰域聚合操作，自適應地學習用戶與POI之間的關聯權重，增強模型對用戶偏好的刻畫能力。實驗表明，SAGCF模型能夠在一定程度上有效緩解用戶簽到數據稀疏性問題，實現了更優秀的推薦性能，為POI推薦任務提供了新的解決方案。

模型SAGCF對POI推薦中的場景信息考慮不足，未來研究可從多維度進行進一步探討。首先，可以融合時空軌跡、社交關系及POI多模態信息，構建全域用戶興趣表征；或集成知識圖譜與因果推理來增強模型可解釋性，生成可信的推薦依據；還可以探索跨場景遷移學習策略，以及進行城市級大規模POI數據場景下的推薦技術研究，與實際的工業應用落地相結合。這些方向的深入研究有望推動POI推薦系統在精度、健壯性及實用性上的進步。

參考文獻：

[1] BARAL R，ZHU X L，IYENGAR S S，et al.ReEL：review aware explanation of location recommendation[C]//Proceedings of the 26th Conference on User Modeling，Adaptation and Personalization.Singapore Singapore.ACM，2018：23-32.

[2] LOGESH R，SUBRAMANIYASWAMY V，VIJAYAKUMAR V，et al.Efficient user profiling based intelligent travel recommender system for individual and group of users[J].Mobile Networks and Applications，2019，24（3）：1018-1033.

[3] 程忠，鐘濤，張帥.基于圖學習的推薦系統研究綜述[J].計算機科學，2022，49（9）： 1-13.

[4] CHANG B R，JANG G，KIM S，et al.Learning graph-based geographical latent representation for point-of-interest recommendation[C]//Proceedings of the 29th ACM International Conference on Information amp; Knowledge Management.Virtual Event Ireland.ACM，2020：135-144.

[5] ZHONG T，ZHANG S M，ZHOU F，et al.Hybrid graph convolutional networks with multi-head attention for location recommendation[J].World Wide Web，2020，23（6）：3125-3151.

[6] KIPF T N，WELLING M.Semi-supervised classification with graph convolutional networks[EB/OL].2016：1609.02907. https：//arxiv.org/abs/1609.02907v4.

[7] CHEN J Y，ZHANG H W，HE X N，et al.Attentive collaborative filtering：multimedia recommendation with item- and component-level attention[C]//Proceedings of the 40th International ACM SIGIR Conference on Research and Development in Information Retrieval.Shinjuku Tokyo Japan.ACM，2017：335-344.

[8] MNIH V， HEESS N， GRAVES A， et al. Recurrent models of visual attention[J]. Advances in Neural Information Processing Systems， 2014（27）： 2204-2212.

[9] HE X N，DENG K，WANG X，et al.LightGCN：simplifying and powering graph convolution network for recommendation[C]//Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval.Virtual Event China.ACM，2020：639-648.

[10] RENDLE S，FREUDENTHALER C，GANTNER Z，et al.BPR：Bayesian personalized ranking from implicit feedback[EB/OL].2012：1205.2618. https：//arxiv.org/abs/1205.2618v1.

[11] YANG D Q，QU B Q，YANG J，et al.Revisiting user mobility and social relationships in LBSNs：a hypergraph embedding approach[C]//The World Wide Web Conference.San Francisco CA USA.ACM，2019：2147-2157.

[12] ZHANG J Y，LIU X，ZHOU X F，et al.Leveraging graph neural networks for point-of-interest recommendations[J].Neurocomputing，2021，462：1-13.

[13] WANG X，HE X N，WANG M，et al.Neural graph collaborative filtering[C]//Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval.Paris France.ACM，2019：165-174.

[14] CAI Z，YUAN G，QIAO S J，et al.FG-CF：Friends-aware graph collaborative filtering for POI recommendation[J].Neurocomputing，2022，488：107-119.

[15] CUI Q，TANG Y Y，WU S，et al.Distance2Pre：personalized spatial preference for next point-of-interest prediction[M]//Advances in Knowledge Discovery and Data Mining.Cham：Springer International Publishing，2019：289-301.

[16] CUI Z，GAO Y L，LIU J X，et al.L2，1-GRMF：an improved graph regularized matrix factorization method to predict drug-target interactions[J].BMC Bioinformatics，2019，20（8）：287.

【通聯編輯：唐一東】