基于双尺度偏好解耦自适应融合的下一个兴趣点推荐方法

《IEEE Access》：Adaptive Fusion of Dual-scale Preference Disentanglement for Next POI Recommendation

本研究针对下一个兴趣点(POI)推荐中用户长期偏好与短期兴趣难以区分和有效融合的问题，提出了一种名为DLSPAA的创新框架。该研究利用双向Transformer分别建模用户长期和短期轨迹，通过对比学习实现偏好的自监督解耦，并设计自适应注意力机制动态融合双尺度偏好。实验结果表明，在三个真实数据集上，DLSPAA在HR@5、HR@10、NDCG@5和NDCG@10指标上分别平均提升23.51%、20.45%、14.18%和17.16%，显著优于现有最优方法。

　　

随着基于位置的社交网络(LBSN)的快速发展，下一个兴趣点(POI)推荐已成为提升用户体验和服务商价值的关键技术。传统方法往往将用户的长期稳定偏好与短期动态兴趣混为一谈，导致推荐准确性和可解释性受限。更棘手的是，这两种偏好在不同场景下的相互影响复杂多变，现有模型难以捕捉其动态依赖关系。

针对这些挑战，重庆大学等单位的研究团队在《IEEE Access》上发表了题为"Adaptive Fusion of Dual-scale Preference Disentanglement for Next POI Recommendation"的研究论文，提出了DLSPAA框架。该研究的创新之处在于首次在POI推荐领域实现了长期偏好与短期兴趣的自监督解耦与自适应融合。

研究团队采用的技术方法主要包括：使用两个独立的双向Transformer编码器分别处理长期和短期轨迹；通过时空共性分析增强偏好表示；设计基于对比学习的自监督解耦机制，利用从用户轨迹中提取的偏好代理实现偏好分离；构建包含序列依赖、时空相关性和时间嵌入的上下文感知自适应聚合模块。实验数据来自Foursquare平台的新加坡(SIN)、凤凰城(PHO)和纽约(NYC)三个真实数据集。

IV. METHODOLOGY 方法设计

DLSPAA框架包含四个核心组件：偏好自监督解耦层使用偏好代理p_u,l和p_u,s通过对比学习生成解耦的偏好嵌入e_u,l和e_u,s；时空相关性模块从位置和类别序列中提取用户特定的时空特征h_s,t；偏好自适应聚合层利用用户轨迹中的序列依赖性和当前时间嵌入等丰富上下文表示，自适应聚合长期偏好和短期兴趣；当前时间嵌入层生成当前时间t的嵌入x_t。

偏好建模

长期偏好建模采用双向Transformer编码器捕捉用户轨迹中的周期性模式。每个签到记录r_i=(u,w,t,c,l)被嵌入为x_ri=u⊕w⊕t⊕c⊕l，其中⊕表示聚合操作。短期偏好建模同样使用双向Transformer处理用户最近k个签到记录，获得动态兴趣表示H_u,s。

偏好增强

通过独立建模类别和位置上下文，结合时间信息提取时空共性。位置轨迹和类别轨迹分别通过双向Transformer编码，得到的空间转换模式H_s和时间转换模式H_t经平均池化后得到时空共性h_t,s。随后利用注意力机制以h_t,s作为查询向量，增强长期偏好e_u,l和短期兴趣e_u,s的表示。

自监督解耦

为解决偏好纠缠问题，研究团队设计了基于对比学习的自监督解耦方法。从用户原始轨迹中提取长期偏好代理p_u,l=MEAN(X_Slong^u)和短期偏好代理p_u,s=MEAN(X_Sshort^u)，通过四组对比学习目标确保学习到的偏好表示与相应代理对齐，同时与不匹配的代理保持距离。使用三元组损失函数L_triplet强化对比学习效果。

自适应融合预测

引入基于注意力的自适应聚合机制，综合用户序列依赖s_u、解耦偏好e_u,l和e_u,s、时空共性h_t,s以及当前时间嵌入x_t等上下文信息，动态确定长期偏好和短期兴趣的融合权重α。最终用户偏好表示为h_u=αe_u,l+(1-α)e_u,s，通过softmax函数计算下一个POI的访问概率分布。

V. EXPERIMENTS 实验验证

在三个真实数据集上的实验表明，DLSPAA在HR@5、HR@10、NDCG@5和NDCG@10指标上显著优于MostPop、BPRMF、ST-RNN等10个基线方法，平均提升分别达到23.51%、20.45%、14.18%和17.16%。消融实验证实了各模块的必要性：移除偏好解耦模块使HR@10下降2.67%-3.27%；移除自适应聚合模块导致性能下降2.14%；替换时空共性为用户嵌入使HR@10下降3.34%-7.59%。

案例研究以SIN数据集用户351为例，展示了自适应权重如何根据上下文动态调整长期偏好(权重0.535)和短期兴趣(权重0.465)的贡献。可视化分析进一步证实，DLSPAA学习到的长期偏好和短期兴趣表示具有更清晰的边界，表明解耦效果显著。

VI. CONCLUSION 研究结论

DLSPAA框架通过自监督偏好解耦和自适应偏好聚合，有效解决了下一个POI推荐中的偏好纠缠和动态依赖建模问题。该研究首次在POI推荐领域实现长期偏好与短期兴趣的显式区分，为推荐系统的可解释性和准确性提升提供了新思路。未来工作将探索整合用户社交关系图和处理冷启动问题，进一步优化推荐性能。

研究表明，结合自监督学习和自适应机制的偏好建模方法能够显著提升下一个POI推荐的准确性和可解释性，为基于位置的服务的智能化发展提供了重要技术支撑。