编辑推荐：
在旅游等行业，精准预测用户未来的行动轨迹是提供个性化服务的关键挑战。研究人员开展 “Seasonal and active hours guided graph enhanced transformer for the next POI recommendation” 研究，提出 SEAGET 模型。结果显示该模型能更准确预测下一个兴趣点 (POI)，对优化旅游体验等意义重大。
随着互联网的发展，位置基于社交网络（LBSNs）产生了大量用户签到数据，这为探索用户签到行为趋势提供了机会。兴趣点（POI，Point of Interest）推荐系统应运而生，旨在根据用户过去和现在的足迹预测他们接下来可能访问的 POI，从而帮助用户更好地探索周边环境，也助力企业优化广告策略。然而，当前的 POI 推荐系统存在诸多问题。一方面，多数系统仅依据签到数量定义 POI 的流行度，忽略了用户数量、签到时间的近期性等因素，导致推荐结果不够理想。例如，两个 POI 的签到数量相近，但一个近期签到多，一个是多年前签到多，仅按签到数量判断流行度就无法准确反映当前的实际情况。另一方面，季节动态和 POI 的运营时间对用户选择 POI 的影响常被忽视。在炎热的夏季，人们通常不会选择去繁忙的海滩；而在秋季，由于树叶凋零，森林的吸引力下降，游客也会减少。此外，如果推荐系统在用户询问午餐地点时，推荐一家只提供晚餐的餐厅，或者推荐当天关闭的公园，这无疑会降低用户体验。
为了解决这些问题，研究人员开展了关于 “Seasonal and active hours guided graph enhanced transformer for the next POI recommendation” 的研究，提出了季节和活跃时间引导的图增强变压器（SEAGET，Seasonal and Active hours - guided Graph - Enhanced Transformer）模型。该研究具有重要意义，它能更准确地预测用户下一个可能访问的 POI，从而优化旅游体验，提升基于位置的服务质量，对旅游和相关行业的发展有着积极的推动作用，相关成果发表在《Array》。
研究人员在该研究中主要运用了以下关键技术方法：首先，对收集到的 FourSquare - NYC 公共数据集进行预处理，通过筛选排除 POI 和用户签到数少于 10 次的数据，消除单签的异常值，并随机将 80% 的轨迹数据用于训练，10% 用于验证，10% 用于测试，确保数据的质量和代表性。其次，利用图卷积网络（GCN，Graph Convolutional Network）学习 POI 的嵌入表示，捕捉其转换模式和属性；通过定义转移注意力图来明确 POI 之间的转移概率，调整最终预测结果。此外，构建上下文嵌入模块，融合 POI - 用户、时间 - 类别、季节 - POI 的嵌入信息，为推荐提供更全面的上下文理解。最后，使用 Transformer 编码器和多层感知器（MLP，Multi - Layer Perceptron）解码器进行预测，并通过操作时间过滤器排除当前不可用的 POI，提高推荐的准确性。
研究结果
- 流行度定义：研究人员重新定义了 POI 的流行度，公式为 Popularity = β(α?Cuserrec + (1 - α)?Cchkinrec) + (1 - β)(α?Cuserpast + (1 - α)?Cchkinpast)。其中，Cchkinrec表示近期签到的唯一用户总数，Cuserrec表示近期用户签到数，Cuserpast和Cchkinpast分别表示最近一次签到之前的总签到数和唯一用户数，α和β是权重因子，用于平衡用户数量与签到数量、近期记录与旧记录的相对相关性，且0≤α,β$\leq$1。这种定义综合考虑了多方面因素，能更精确地衡量 POI 的流行度。
- SEAGET 结构：SEAGET 模型基于轨迹流图，结合了图神经网络（GNN，Graph Neural Network）和注意力模块。GNN 利用轨迹流图创建 POI 嵌入，学习地理和时间相关性；注意力模块增强了对用户移动模式的理解，生成转移注意力图，有效表示 POI 之间的转移可能性。同时，模型还包含上下文模块，融合了时间编码、POI 类别嵌入、季节嵌入和用户嵌入，提高了预测的准确性。通过创建签到嵌入向量，并利用多层感知器（MLP）头和 Transformer 编码器进行预测，最后结合转移注意力图和操作时间过滤器，得到最终的推荐结果。
- 实验评估：研究人员使用 Mean Reciprocal Rank (MRR) 和 Accuracy@k (Acc@k) 作为评估指标。Acc@k 用于评估实际 POI 是否在推荐的前 k 个 POI 中，公式为 Acc@k = m1∑i=1mI(rank≤k)；MRR 考虑了准确推荐在有序列表中的位置，公式为 MRR = m1∑i=1mrank1 。实验结果表明，在不同的α和β组合下，SEAGET 模型在大多数准确性测试中优于基线模型，如矩阵分解（MF，Matrix Factorization）、基于矩阵分解和马尔可夫链的 FPMC（Factorization Machines with Personalized Markov Chains）、长短期记忆网络（LSTM，Long Short - Term Memory）等。这证明了 SEAGET 模型在捕捉用户行为和 POI 流行度复杂动态方面的有效性，能够提供更及时、相关的推荐。
研究结论和讨论
SEAGET 模型在 POI 推荐领域取得了显著进展。它强调了季节变化和 POI 运营时间在推荐过程中的重要性，通过重新定义流行度、整合多种信息和先进的模型结构，提升了预测的准确性。然而，该研究也面临一些挑战和限制。例如，数据集仅涵盖一年的数据，无法充分评估季节影响；数据集中缺少 POI 的具体运营时间，需要人工收集；模型无法准确处理用户访问模式的动态变化以及 POI 因道路施工等临时不可达的情况，也未能有效平衡同一类别 POI 的客户分布。尽管如此，SEAGET 模型的成果为该领域的进一步研究奠定了基础。未来的研究可以朝着整合更广泛的数据集、考虑更多实时动态因素和用户特定细节的方向发展，以构建更精确、用户友好的 POI 推荐系统，更好地满足旅游和基于位置服务等行业的需求，提升用户体验。
