STMamba-GC:结合图对比学习的时空Mamba模型,用于下一个兴趣点的推荐

《Neural Networks》:STMamba-GC: Spatiotemporal Mamba with Graph Contrastive learning for Next POI Recommendation

【字体: 大 中 小 】 时间:2026年05月13日 来源:Neural Networks 6.3

编辑推荐:

  马一飞|王泽|邱賢杰|劉文龍|張冀摘要下一个兴趣点(POI)的推荐是基于位置服务中的基本任务,它能够提升用户的个性化体验并支持智能商业决策。尽管序列建模和图神经网络取得了进展,但仍然存在两个关键挑战。首先,稀疏的用户签到数据以及用户偏好的动态变化阻碍了稳定且准确的用户表示的学习。

  
马一飞|王泽|邱賢杰|劉文龍|張冀

摘要

下一个兴趣点(POI)的推荐是基于位置服务中的基本任务,它能够提升用户的个性化体验并支持智能商业决策。尽管序列建模和图神经网络取得了进展,但仍然存在两个关键挑战。首先,稀疏的用户签到数据以及用户偏好的动态变化阻碍了稳定且准确的用户表示的学习。其次,传统的序列模型采用静态融合机制来处理时空依赖性,这限制了它们适应不同移动环境的能力,在这些环境中,时间和空间因素的影响各不相同。为了解决这些问题,我们提出了具有图对比学习网络(STMamba-GC)的时空Mamba模型。我们的框架构建了三个互补的图视图——用户转移、语义模式和地理邻近性——并利用图增强和对比学习从稀疏数据中提取出可靠的偏好表示。我们进一步设计了一个时空门控融合Mamba模块,该模块通过分层自适应门控和基于距离加权的历史状态更新动态平衡时间和空间约束。多任务学习机制共同优化了POI预测和图对比学习的目标,提供了互补的监督机制以提升预测准确性。在NYC和TKY数据集上的实验表明,STMamba-GC相比现有的最佳模型取得了显著的提升:在NYC数据集上,top-10准确率相对提高了10.065%,top-20准确率提高了8.663%;在TKY数据集上,MRR(平均排名)提高了9.62%。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号