面向随机组（RGs）的POI位置感知服务套餐推荐模型（PLSPR-RG）

《Scientific Reports》：POI location-aware services package recommendation for random groups

　　

近年来，随着兴趣点（Point of Interest, POI）的快速增长和社交活动的增加，越来越多的个体倾向于与随机形成的群体（称为随机组，random groups, RGs）共同参加聚会或旅行。尽管一些研究已经为随机组提出了优秀的POI推荐方法，但这些方法未能考虑在随机组接受推荐POI之后如何为其推荐服务套餐，这显著降低了用户体验。为解决该问题，本工作提出了一种面向随机组的POI位置感知服务套餐推荐模型（称为PLSPR-RG）。首先，PLSPR-RG利用增强特征学习方法生成随机组的拟合特征表示。然后，它选择与随机组特征相似的用户，并将相似用户的服务使用数据作为PLSPR-RG的训练数据集。随后，PLSPR-RG构建相似用户的服务标记二部图，并采用带多视图对比学习的边增强二部图神经网络（edge-enhanced bipartite graph neural network with multi-view contrastive learning, EBGNN-CL）学习能够捕获相似用户正负交互偏好的服务特征表示。此外，PLSPR-RG基于相似用户的服务交互记录构建有向服务转移图，并采用SRGNN网络学习包含潜在用户偏好的服务特征表示以及用户偏好表示。最后，基于学习到的服务表示和随机组的拟合特征，PLSPR-RG生成推荐服务的排序列表，从而完成面向随机组的POI位置感知服务套餐推荐。研究人员在三个公开数据集（Foursquare、Gowalla和Yelp数据集）上进行了大量实验，证明研究人员提出的模型优于当前最先进的模型。

随着移动互联网和位置感知技术发展，基于位置的社交网络（Location-Based Social Networks, LBSNs）如Foursquare和Gowalla允许用户分享签到，产生大量签到数据。兴趣点（Point of Interest, POI）推荐通过联合考虑用户地理信息和历史活动记录，识别并建议匹配个体偏好的POI。社交生活中，人们常以随机形成的群体（random groups, RGs）参加活动，因此为随机组推荐POI很重要。已有研究提出了随机组POI推荐方法，例如Schiaffino et al.开发多智能体集成框架处理群体环境下的POI推荐，Liu et al.提出面向随机和临时组的POI推荐模型，以及研究人员先前基于改进图神经网络（Graph Neural Networks, GNN）和多协商模型的随机组精确POI推荐方法。然而，现有工作主要关注提高随机组POI推荐准确率，较少关注在随机组到达推荐POI后为其推荐服务套餐。实际上，随机组到达POI后，成员可能需要周边不同服务，如餐饮、娱乐、住宿等。因此，需要在考虑POI位置、组偏好等条件下推荐服务套餐。该问题面临三个挑战：如何在考虑POI位置时找到随机组最优服务套餐；如何在区域约束下生成准确随机组拟合特征表示，因为用户可能与目标区域服务无先验交互；如何生成用户-服务图中精确节点表示，因为多数GNN方法仅从单一视角学习，难以同时捕获局部交互细节和全局结构信息。

针对上述问题，研究人员提出面向随机组的POI位置感知服务套餐推荐模型（PLSPR-RG）。研究人员先利用增强特征学习方法生成随机组拟合特征表示；再基于相似性度量选择与随机组特征相似的用户，并用其服务使用数据构建训练数据集；然后构建相似用户的服务标记二部图，采用带多视图对比学习的边增强二部图神经网络（EBGNN-CL）学习捕获正负交互偏好的服务表示；进一步基于服务交互记录构建有向服务转移图，采用基于会话推荐与图神经网络（session-based recommendation with graph neural networks, SRGNN）学习包含潜在用户偏好的服务表示和用户偏好表示；最后基于学习到的服务表示和随机组拟合特征生成推荐服务排序列表，完成POI位置感知服务套餐推荐。该工作贡献包括提出PLSPR-RG模型；提出增强随机组拟合特征表示学习方法；提出改进GNN学习用户偏好和服务特征；并与先前APRRGM和CGNN-PRRG等随机组POI推荐模型进行特征比较，扩展区域约束、多视图对比学习和用户转移偏好分析。其意义在于将推荐目标从个体POI转向位置感知服务套餐，改善随机组整体服务体验。

关键技术方法（不超过250字）：研究人员提出PLSPR-RG，包含随机组特征拟合、相似用户服务交互偏好学习、用户潜在服务偏好学习和服务套餐推荐模块。随机组特征拟合采用增强随机组表示拟合（enhanced random group representation fitting, ERGRF），基于Haversine公式计算位置影响权重，学习成员相对影响权重，并以随机参考成员归一化得到绝对影响权重，再加权聚合组特征。相似用户识别采用余弦相似度。服务交互偏好学习构建服务标记二部图，使用EBGNN-CL；潜在偏好学习构建有向服务转移图，使用SRGNN。实验在Foursquare、Gowalla和Yelp三个公开数据集上进行，将随机组近似为虚拟用户，按60%、20%、20%随机划分训练、验证和测试集，组规模设为10、20、30、40、50，采用Precision@K（前K项精确率）和NDCG@K（归一化折损累计增益）评价。

研究结果保留小标题如下。

Impact of group size on recommendation performance：研究人员将组规模从10变化到50，使用Precision@K评估。Foursquare在组规模30时最高，Gowalla在50时最佳，Yelp在10时最高。结论是组规模小会因训练数据不足限制性能，持续增大组规模不一定更好，可能引入更多异质偏好，增加组共识建模难度；适当组规模对最优推荐结果很关键。

Performance comparison with baseline models：研究人员在三个数据集上以Precision@K和NDCG@K与十一个个性化服务推荐基线模型比较。Foursquare上PLSPR-RG较各列最佳基线平均提升Precision@K 3.8%、NDCG@K 4.0%；Gowalla上分别平均提升4.0%和4.0%；Yelp上在K=10、15、20时Precision@K平均提升6.2%。结论是PLSPR-RG总体优于基线，图结构数据和图神经网络技术可提升服务推荐性能，也间接验证服务标记交互二部图和有向服务转移图构建的有效性。

Ablation study：研究人员在Foursquare数据集上组规模50，对相似用户服务交互偏好学习模块和潜在服务偏好学习模块进行消融。ECL-PRRG移除潜在服务偏好学习模块；SRGNN-PLSPR移除相似用户服务交互偏好学习模块。结果SRGNN-PRRG在Precision@K和NDCG@K最低，ECL-PRRG优于SRGNN-PRRG但低于完整PLSPR-RG。结论是两个模块均有益，潜在服务偏好影响弱于显式正负交互偏好，同时结合二者可进一步提升性能。

Validation of negative ratio impact：研究人员在Foursquare数据集组规模10，改变EBGNN-CL中负采样比例。1:1负正比在所有指标最佳，Precision@2=0.750、Precision@5=0.593、Precision@10=0.510；负比例从1:1增至5:1时总体性能下降。结论是过多负样本引入噪声，难以学习细粒度偏好边界，故默认采用1:1。

Validation of multi-view contrastive learning：研究人员在Gowalla数据集组规模30，移除多视图对比机制构建PLSPR-EBGNN变体。完整PLSPR-RG在Precision@K和NDCG@K上持续优于PLSPR-EBGNN。结论是多视图对比机制有效，能更全面捕获相似用户服务交互偏好。

Experimental validation of the feature fitting model：研究人员在Foursquare数据集组规模50，构建PLSPR-RELA变体，移除绝对影响权重和位置权重计算，仅用相对影响权重生成组拟合表示。完整PLSPR-RG在Precision@K和NDCG@K上优于PLSPR-RELA。结论是引入位置感知绝对影响权重有效，可更准确刻画随机组拟合特征表示。

讨论部分总结：研究人员在讨论中指出，Foursquare和Gowalla上PLSPR-RG相较基线提升较大，而Yelp提升较温和，可能因Yelp用户基数更大、签到分布更稀疏，使相似用户识别更难，说明基于相似性的训练数据构建对数据稀疏敏感。Precision@2较高与评价候选池限制在目标区域T_a内有关，该区域半径为a=50 km，约为一小时车程，显著缩小候选空间；PLSPR-RG和CGNN-PRRG在此约束下均有较高Precision@2，表明这是评价设计特征；在全服务候选池上PLSPR-RG仍保持优势但绝对精度较低。消融研究确认ERGRF、EBGNN-CL和SRGNN三个核心模块均有正向贡献，移除潜在偏好模块SRGNN-PRRG退化最显著，说明用户序列服务偏好在推荐过程中起主导作用；多视图对比学习提供一致但中等的提升。局限性包括：当前采用随机划分而非时间划分，可能高估真实性能；模型依赖相似用户数据，在用户基础稀疏区域冷启动脆弱；使用POI签到数据代理服务交互记录存在近似，可能不能完全捕获真实服务消费模式。未来工作包括引入社交网络、用户评论、时空上下文等辅助信息；探索考虑组内多样性和偏好冲突的动态或自适应组聚合机制；扩展EBGNN-CL以纳入高阶关系或超图学习；设计平衡套餐内多样性、地理便利和用户满意度的优化框架；并受跨域推荐进展启发，研究跨域场景以迁移其他服务领域知识。

研究结论部分翻译：为解决面向随机组的POI位置感知服务套餐推荐问题，本工作提出了基于协同图神经网络的PLSPR-RG模型。在三个公开数据集上的大量实验结果表明，PLSPR-RG持续优于当前最先进的基线模型。