在双曲空间中的层次语义融合用于下一次兴趣点推荐

《Neural Networks》：Hierarchical Semantic Fusion in Hyperbolic Space for Next POI Recommendation

　　我们发现，用户移动数据中的多种语义信号本质上在多个方面表现出丰富且一致的层次结构。我们探索利用双曲空间来模拟来自全局和轨迹视角的多样化层次语义，从而有效地描述用户移动模式。我们开发了H2POI，这是一种新的双曲框架，它结合了全局和轨迹层面的语义融合，用于下一个兴趣点（POI）的推荐。在三个真实世界数据集上的广泛实验表明，所提出的方法一致且显著优于现有的先进方法。

引言
最近，基于位置的社会网络（LBSNs），如美团和Foursquare，已经获得了显著的普及。数百万用户在各种LBSNs上通过在兴趣点（POIs）签到来共享他们的位置，导致签到数据的日益增多。这些数据引起了广泛的研究关注，使得POI推荐（Sánchez和Bellogín，2022）成为一个被广泛研究的课题，旨在理解复杂的用户移动模式，从而提升用户体验和支持基于位置的服务。在各种POI推荐任务中，下一个POI推荐（Cheng, Yang, Lyu, King, 2013, Li, Huang, Feng, Sun, 2026a, Liu, Wu, Wang, Tan, 2016, Zhou, Jia, Zhu, Zhang, 2024）得到了深入的研究，其目标是根据用户的最新签到轨迹推荐他们接下来可能访问的POIs。准确的下一个POI推荐对于提高用户满意度和LBSNs的运营效率至关重要。

与传统研究相比，利用深度学习技术的方法（Wu, Li, Zhao, Qian, 2022, Yang, Fankhauser, Rosso, Cudre-Mauroux, 2020）在挖掘签到数据中的多样化模式以模拟用户移动趋势方面具有显著优势。许多研究（Chen, Huang, Zhang, Wang, Lin, Chang, Wan, 2025b, Li, Chen, Wang, Huang, Yu, Dong, 2024, Yan, Song, Jiao, He, Wang, Li, Chu, 2023, Yang, Liu, Zhao, 2022c）表明，将图学习与轨迹建模相结合可以显著提高下一个POI推荐的效果。图学习技术在捕捉用户和POIs的全局结构特征方面表现出色，而轨迹建模方法在模拟用户随时间在POIs之间的顺序转换模式方面特别有效。尽管取得了成功，但大多数现有方法仍在欧几里得空间中运行，这限制了它们捕捉签到数据中固有的复杂层次结构的能力。特别是，用户和POIs的频率通常表现出幂律分布（Feng, Tran, Cong, Chen, Li, Li, 2020, Huang, Pan, Cai, Zhang, Yuan, 2024b），揭示了用户移动数据中的层次结构。然而，由于欧几里得空间的体积呈多项式增长（Peng等人，2022），这种模式在欧几里得空间中难以有效表示，这限制了欧几里得方法捕捉签到数据的层次特征的能力。

相反，一些最近的研究（Feng, Tran, Cong, Chen, Li, Li, 2020, Huang, Zhang, Zhou, Ma, Zhu, 2026, Liu, Qi, Mao, Liu, Wang, Xu, Zhang, Dou, Zhou, Beheshti, 2025, Qiao, Feng, Zhou, Li, Li, 2025）利用双曲几何进行下一个POI推荐。由于双曲空间的负曲率和指数体积增长（Nickel, Kiela, 2017, Peng, Varanka, Mostafa, Shi, Zhao, 2022），双曲空间能够有效地捕捉用户移动数据中的层次结构（Feng等人，2020）。这使得实体表示更加结构化，从而改进了与等效欧几里得设计相比的POI推荐。尽管有这些进展，现有方法主要关注用户和POIs本身，对包括POI类别和区域信息在内的丰富上下文语义的探索不够深入。例如，HME（Feng等人，2020）主要捕捉用户-POI关系的层次结构和一级POI-POI转换频率，同时将类别和区域作为辅助信号。HVGAE（Liu等人，2025）通过使用双曲变分图自动编码器来重建用户-POI互动，从而提高了结构表示的质量。Huang等人（2026）仅在双曲空间中模拟POIs和类别之间的层次关系。同时，HMST（Qiao等人，2025）引入双曲旋转来分别描述POI转换及其诱导的类别和区域转换。然而，这些方法要么只考虑了一部分语义，要么以松散耦合的方式将它们结合起来，缺乏一个统一的双曲框架来系统地组织多样化语义。

POI类别和区域信息在下一个POI推荐中起着关键作用。先前的研究（Jia, Chen, Huang, Zhao, Gong, 2024, Lim, Hooi, Ng, Goh, Weng, Tan, 2022, Zang, Han, Li, Wan, Wang, 2022）表明，对这些上下文语义进行细粒度建模可以有效缓解数据稀疏性，从而提高推荐性能。这表明双曲方法同样需要以细粒度的方法考虑这些语义特征。此外，不同的语义信号表现出不同的层次特征，而这些特征并未被现有的双曲POI方法充分利用。特别是，我们在一个真实世界数据集上的实证分析（第3.2节）显示，用户的签到在不同空间层次上的分布不均匀，而POIs在不同类别上的分布也高度不均匀。此外，不同阶次的区域和类别转换表现出与先前研究观察到的POI转换相似的幂律模式。总体而言，区域和类别信息描述了用户倾向于访问的地点和POI类型，同时在签到数据中显示出明显的层次特征。考虑到这些上下文语义及其内在的层次结构，在双曲空间中系统地整合丰富和多样化的语义以模拟用户移动模式仍然在很大程度上未被探索。

在这项工作中，我们研究了如何在双曲空间中整合层次语义来描述用户移动模式。我们利用双曲几何来全面融合签到中嵌入的丰富语义，包括用户-POI互动、POI-POI转换、POI类别、区域信息和时间特征。在不同语义中观察到的层次结构表明，它们可以通过双曲空间的指数增长属性得到有效表示（Peng等人，2022）。与单独建模用户和POI关系相比，结合层次区域和类别语义提供了两个关键优势。首先，从全局角度来看，层次区域和类别语义为描述POIs提供了额外的结构信号，从而导致更有信息量的POI表示，进而更好地描述用户偏好。其次，从轨迹角度来看，将区域和类别语义纳入签到提供了序列转换的补充空间和类别视图，从而实现对用户移动模式的更全面建模。然而，在统一的双曲框架内共同建模异质语义仍然非平凡。核心挑战在于设计一种有效的融合机制，将异质语义组件结合起来以模拟用户移动模式。

我们的解决方案是H2POI，这是一种用于下一个POI推荐的新双曲层次语义融合框架。受到最近在欧几里得几何学中将图学习和轨迹建模统一起来的进展的启发，H2POI通过共同建模全局结构关系和序列移动动态来系统地整合各种语义。具体来说，H2POI由三个主要组成部分构成。首先，全局语义融合模块在双曲空间中整合异质POI关系和用户-POI互动，以学习结构表达力强的POI和用户表示。其次，轨迹语义融合模块从两个角度分离和建模类别和空间语义，以构建两种类型的轨迹表示。这使得序列移动模式在语义上有所区分且在结构上保持一致。最后，多任务预测模块基于这两种类型的轨迹表示来预测下一个POI、类别和区域。它将类别和区域预测作为辅助目标，从而增强语义整合并提高下一个POI推荐的泛化能力。

我们的主要贡献可以总结如下：
- 通过实证数据分析，我们发现了用户-POI关系之外，区域和类别语义中的显著层次特征，而这些特征主要是现有双曲POI方法所探索的。这些发现激发了在双曲空间中共同利用多样化层次语义以更好地描述用户移动模式的动机。
- 我们提出了一个新颖的双曲模型H2POI，它在统一的双曲框架中融合了多种表现出底层层次模式的语义，用于下一个POI推荐。具体来说，H2POI在全局和轨迹层面上整合了签到数据中的这些语义，并采用多任务学习以及额外的语义监督来提高下一个POI推荐的性能。
- 我们在三个真实的签到数据集上进行了广泛的实验。实证结果表明，H2POI显著优于各种现有的基线方法，证明了其有效性。源代码和数据集可在https://github.com/PlaymakerQ/H2POI获取。

下一个POI推荐任务吸引了广泛的研究兴趣。早期的研究侧重于通过矩阵分解（Rendle, Freudenthaler, Schmidt-Thieme, 2010, Ye, Yin, Lee, Lee, 2011）和嵌入学习（Feng等人，2015）等方法捕捉用户对POIs的静态偏好。近年来，方法（Cui, Zhang, Wang, Chang, Huang, Dai, 2026, Liu, Wu, Wang, Tan, 2016, Qi, Liu, Liu, Pei, Xu, Zhang, Wang, Dou, 2024, Sun, Qian, Chen, Liang, Nguyen, Yin, 2020, Zhao）...

问题定义
让??和?表示用户集和POI集，????=|??|和????=|?|分别表示用户和POI的数量。每个POI ??∈?都有一个类别c，反映了它的类别语义（例如，功能和属性）。根据其地理坐标，我们可以获得POI的区域g，这表明了它的空间语义。我们使用聚类方法将整个区域划分为K个层次，以明确构建多级空间语义，同时不平衡的POI分布...

方法论
观察到签到数据中的不同语义信号表现出不同的层次特征，我们提出了一个统一的双曲框架H2POI，它有效地建模和融合了这些多样化的层次语义，以描述用户移动模式。如图6所示，H2POI从全局和轨迹角度建模和整合层次语义，从而在双曲空间中系统地融合多样化的语义，以推断用户未来的移动趋势。

实验
在本节中，我们在三个真实世界数据集上验证了我们模型的有效性。我们进行了各种实验来研究以下问题：RQ1：H2POI在下一个POI预测任务中能否有效表现？RQ2：H2POI的每个模块如何影响其性能？RQ3：区域和类别语义如何影响下一个POI推荐？RQ4：H2POI在训练和推理时间方面有多高效？RQ5：当参数...

限制和未来工作
虽然实验结果表明H2POI在多个基准数据集上的有效性，但仍有几个方向需要进一步扩展。首先，我们的评估基于常用的公共基准数据集，没有涵盖包含数万个POI的更大规模的POI系统。未来的工作可能会将我们的双曲多语义建模框架扩展到具有更大规模POI集的大规模POI推荐。其次，H2POI学习...

结论
我们介绍了H2POI，这是一种新颖的双曲下一个POI推荐模型，解决了现有方法在捕捉签到数据中嵌入的层次结构和多样化语义方面的局限性。观察到层次模式在多种语义中普遍存在，H2POI的核心思想是在统一的双曲框架内系统地融合层次语义。实验结果表明，H2POI一致性地优于现有的欧几里得和双曲方法...

CRediT作者贡献声明
Qiao Hongliang：撰写——原始草案、方法论、形式分析、概念化。
Feng Shanshan：撰写——审稿与编辑、监督、方法论。
Wang Hao：撰写——审稿与编辑。
Li Xutao：撰写——审稿与编辑。
He Tiantian：撰写——审稿与编辑。
Li Fan：监督、资金获取。
Tan Puay Siew：监督。
Ong Yew-Soon：监督、项目管理。

利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报道的工作。

致谢
该研究部分得到中国国家自然科学基金（NSFC项目编号52405295）和中国香港特别行政区研究资助委员会（项目编号PolyU 25233824，ECS项目，资助于2024/25年度）的支持。

Qiao Hongliang | Feng Shanshan | Wang Hao | Li Xutao | He Tiantian | Li Fan | Tan Puay Siew | Ong Yew-Soon