随着技术的进步和旅行者期望的变化,当代旅游已步入智能旅游时代(Acharya & Mohbey, 2025; Alves et al., 2025; Zamiechowska, Neidhardt, & W?rndl, 2025)。这一范式的转变引发了个性化旅游服务需求的激增,产生了大量的用户行为序列数据(Benaddi et al., 2025; Zhuang, Liu, Qi, Shen, & Yin, 2025)。这些数据全面涵盖了访问的景点(Xu, Shen, Jiang, & Wang, 2025a)、餐饮/购物活动(Tachioka, 2025)和酒店预订(Tandon & Banerjee, 2025),形成了丰富的跨领域序列模式。尽管用户数据在不同领域中分散,但这些数据仍然包含了重要的偏好信息。因此,智能旅游推荐(STR)作为一种关键解决方案应运而生,它通过利用用户的跨领域行为序列克服了孤立数据的限制(Partalas, 2025)。其目标是为旅行者在多个领域生成个性化推荐,包括酒店、餐饮和景点,从而显著提升旅行体验(如图1所示)。
然而,STR面临的挑战超出了普通的跨领域序列推荐(CSR)(Ju et al., 2025; Toh, Huang, & Chen, 2025; Xu, Chen, Pan, & Ming, 2025c)。来自不同旅游领域的数据通常具有显著的语义差异(Zamiechowska et al., 2025),用户行为在不同领域之间也表现出强烈的逻辑依赖性(Benaddi et al., 2025)。例如,酒店预订通常会先于并影响附近景点和餐厅的选择。这些复杂的依赖性,加上跨领域信息共享的难度,使得STR成为一个新兴但具有挑战性的任务。
由于智能旅游推荐(STR)是一个新兴课题,目前只有少数研究提出,例如CMAAN(Zhuang et al., 2025)、SECTS(Acharya & Mohbey, 2025)和TCKT(He et al., 2025)。这些方法成功整合了跨领域行为以丰富用户画像。然而,它们仅关注领域间的知识传递,未能考虑跨领域序列内的序列模式。为此,我们还研究了更为成熟的跨领域序列推荐(CSR)领域(Guo, Wang, Wang, Zhu, & Yin, 2025; Toh et al., 2025; Wang et al., 2025)。智能旅游推荐任务可以被视为旅游领域中CSR的一个特例。
早期对跨领域序列推荐的探索通常集中在RNNs(Ma et al., 2019; Sun et al., 2023)、对比学习(Xu, Chen, Pan, & Ming, 2025b; Xu, Pan, & Ming, 2023)或Transformer(Ju et al., 2025; Lin et al., 2024)上。这些方法促进了不同领域之间的知识共享(Liu et al., 2023)。然而,它们在捕捉复杂的高阶跨领域依赖性方面存在固有局限性。图神经网络(GNNs)在CSR中变得更为突出(Guo et al., 2024; Xu et al., 2025c; Zheng, Su, Liu, & Chen, 2022),它们在模拟复杂关系方面表现出更强的能力。通过构建统一的交互图,基于GNN的CSR方法能够实现彻底的信息传递(Xu et al., 2025c)。尽管有效,现有的基于图的方法在STR任务上仍面临两个限制:
1)深度图卷积中的跨领域噪声传播。 传统的基于图的CSR方法在跨领域序列图上进行深度图卷积以捕捉高阶关系(Guo et al., 2024; Xu et al., 2025b)。深度图卷积有助于信息共享,但不可避免地会通过多个卷积层传播特定领域的噪声。Zhang et al.(Zhang, Duan, Guo, Xu, & Wang, 2023)证明,在跨领域环境中,深度图卷积往往会导致性能下降。这在智能旅游推荐(STR)中尤为突出,因为用户行为在不同旅游领域表现出不同的模式和不同的稀疏性。
2)在知识传递过程中未能保留特定领域的特征。 现有的跨领域推荐方法难以在保持每个旅游领域独特特征的同时实现有效的知识传递(Ju et al., 2025; Wang et al., 2025)。直接的参数共享或表示对齐往往会导致领域混淆,稀释每个旅游领域内的独特模式。例如,在智能旅游中,用户对酒店的偏好通常具有长期稳定性,而餐饮选择则可能高度变化。这种内在差异使得统一的传递策略不合适。此外,现有方法缺乏调节知识流动的适应机制,这通常会导致知识传递不足或负面效果。