【论文阅读】ST-PIL: Spatial-Temporal Periodic Interest Learning for Next Point-of-Interest Recommendation

【论文阅读】ST-PIL: Spatial-Temporal Periodic Interest Learning for Next Point-of-Interest Recommendation

Metadata

authors:: Qiang Cui, Chenrui Zhang, Yafeng Zhang, Jinpeng Wang, Mingchen Cai container:: Proceedings of the 30th ACM International Conference on Information & Knowledge Management year:: 2021 DOI:: 10.1145/3459637.3482189 rating:: ⭐⭐⭐ share:: false comment:: 模型主体为 LSTM，分别学习长期和短期的用户行为模式，并通过 Attention 融合

前言

CIKM，2021：ST-PIL: Spatial-Temporal Periodic Interest Learning for Next Point-of-Interest Recommendation

问题描述

OverView

通过对用户 POI 访问轨迹及其上下文信息（如时间、空间）的研究，可以对 POI 的预测提供帮助：

1. 用户的活动受到时间的限制，并表现出天和小时的模式。例如一些用户会在周末去度假；一些用户会在晚上去餐厅；
2. 用户在不同区域经常表现出特定的行为模式；
3. 用户会在一个特定的时间访问同一个 POI，即小时维度上的模式。

论文提出 Spatial-Temporal Periodic Interest Learning network (ST-PIL)，分别学习长期和短期的用户行为模式。充分考虑周期性，学习空间、时间上下文信息，构建了日、小时、区域和小时区域粒度的周期性数据。

ST-PIL

模型架构如下图所示：

Embedding Layer

Geohash 将 GPS 空间信息表示区域信息

Long-Term Module

Short-Term Module

短期模块在捕获基本的顺序模式和上下文感知模式方面起着重要的作用，例如，小时、区域和小时区域周期模式。

Inter-level Attention

Prediction Layer

最后将 query 向量以及最终特征输入 MLP 得到输出：

Datasets

• NYC
• TKY

Results

Ablation Study

总结

模型主体仍是基于 LSTM，主要的创新点在于分别学习长期和短期的用户行为模式，即考虑每天，每小时的模式特征，同时从消融实验看，在短期模式中的 4 个特征也有一定帮助。

参考资料

• [1] ST-PIL: Spatial-Temporal Periodic Interest Learning for Next Point-of-Interest Recommendation