ASTHN：自适应时空超图网络用于下一个兴趣点推荐

《ISPRS International Journal of Geo-Information》：ASTHN: Adaptive Spatio-Temporal Hypergraph Network for Next POI Recommendation

　　

随着移动互联网和基于位置的服务（Location-Based Services, LBS）的广泛使用，位置社交网络（Location-Based Social Networks, LBSN）中产生了大规模签到数据，为智能城市移动分析和个性化移动服务创造了机遇。下一个兴趣点（Point-of-Interest, POI）推荐是这一背景下的重要任务，因为它支持上下文感知的目的地建议、旅行辅助和智能移动服务。然而，现有方法在联合建模高阶移动模式、不均匀时间间隔、地理可达性和细粒度日内时间规律方面仍面临挑战。为解决这些问题，本文提出了ASTHN，一种用于下一个POI推荐的自适应时空超图网络（Adaptive Spatio-Temporal Hypergraph Network, ASTHN）。ASTHN从最小时间间隔、空间邻近性和小时偏好三个层面构建细粒度时空上下文超图，并利用超图神经网络（Hypergraph Neural Network, HGNN）学习视图特定的POI表示。随后，一个上下文自适应融合模块对齐并整合多源时空信号，而一个带有时空门的门控循环单元（ST-GRU）捕获动态轨迹演化。此外，在输出层应用温度缩放（Temperature Scaling）以缓解过度集中的分数分布。在Foursquare-NYC和Foursquare-TKY上的实验表明，ASTHN持续优于代表性基线。以三个随机种子上的均值±标准差报告结果，ASTHN在NYC的Recall@5、Recall@10、NDCG@5和NDCG@10上分别比最强基线提升3.79%、14.62%、2.28%和1.24%。在TKY上，相应提升为5.83%、37.20%、13.86%和20.49%。消融实验、参数分析、复杂度分析和面向应用案例分析进一步证明了ASTHN在城市场景中用于下一个POI推荐的有效性、稳定性和实际可用性。

**研究背景与意义**
随着移动互联网和基于位置服务（Location-Based Services, LBS）的普及，位置社交网络（Location-Based Social Networks, LBSN）积累了海量签到轨迹数据，推动了下一个兴趣点（Point-of-Interest, POI）推荐系统的快速发展。该任务旨在根据用户历史签到序列预测用户即将访问的POI，为目的地推荐、旅行辅助和上下文感知服务提供支持，与智能城市中的城市移动服务、文化旅游和城市治理紧密相关。然而，现有方法仍面临多重挑战：签到时间间隔通常不均匀，用户在工作和休闲时段表现出稳定但细粒度的移动节奏差异，粗粒度时间离散化难以捕捉日内变化；轨迹中常存在多地点共现模式和高阶依赖关系，但仅用成对转移关系无法充分表示这类结构信息；在稀疏轨迹和冷启动用户场景下，结构先验（如时间感知的地理可达性和细粒度上下文）缺乏会导致推荐结果不稳定或分数过度集中。为此，研究人员提出ASTHN框架，将细粒度时空上下文与超图学习及自适应融合相结合，旨在联合建模最小时间间隔、地理可达性和小时偏好，从而提升下一个POI推荐的准确性和稳定性。该研究发表在《ISPRS International Journal of Geo-Information》。

**主要技术方法**
ASTHN采用三种核心技术构建统一框架：首先，基于最小时间间隔、空间邻近性和小时偏好构建三个细粒度时空上下文超图，利用超图神经网络（Hypergraph Neural Network, HGNN）进行结构传播以学习视图特定POI表示；其次，设计两级上下文自适应融合模块，通过自注意力（Self-Attention）对齐各视图，并采用门控机制结合两条互补传播路径（时间-地理路径和小时-地理路径）整合多源信号；最后，使用带时空门的门控循环单元（ST-GRU）捕获轨迹动态演化，并在输出层应用温度缩放（Temperature Scaling）缓解分数过度集中。数据集来源为Foursquare-NYC和Foursquare-TKY（分别包含纽约和东京约十个月的签到记录）。

**研究结果**
*5.1 数据集*：在两个公开真实数据集Foursquare-NYC和Foursquare-TKY上评估，每个数据集包含约十个月的签到记录。
*5.2 设置与基线*：ASTHN在PyTorch中实现，使用Adam优化器，嵌入维度设为64，温度参数T=2。与MF、FPMC、LSTPM、GETNext、PRME、MSTHN、DCHL、DisenPOI、GUGEN、STHGCN等基线对比。
*5.3 性能对比*：通过Recall@5/10和NDCG@5/10评估，ASTHN在NYC和TKY上均取得最优结果，在NYC上Recall@5提升3.79%，Recall@10提升14.62%，NDCG@5提升2.28%，NDCG@10提升1.24%；在TKY上相应提升5.83%、37.20%、13.86%、20.49%。标准偏差较小表明稳定性良好。
*5.4 消融研究*：移除时间间隔分支或小时偏好分支均导致性能显著下降，证实两种细粒度时空上下文均不可或缺。
*5.5 超参数研究*：温度参数T=2时Recall@10和NDCG@10最优，无温度缩放时分数分布过度集中影响排序质量。
*5.6 特征嵌入维度研究*：嵌入维度为64时性能最佳，维度过低弱化表示能力，过高导致过拟合。
*5.7 任务复杂度分析*：ASTHN理论时间复杂度为O(M·c·d·K + L·H·d)，呈近似线性增长，避免了注意力模型中的二次依赖；实际运行时间与GETNext相当或更低，具有良好可扩展性。
*5.8 应用场景可视化与可用性分析*：通过三个典型测试案例展示ASTHN的实际效果：长距离迁移案例（NYC_test_167）中，Top-10包含真实目标（排名第8），平均推荐距离接近实际迁移尺度；局部高密度区域案例（NYC_test_137）中，真实目标排名第2，表明模型能在密集候选POI中区分细粒度偏好；工作时间案例（TKY_test_1480，小时=9）中，真实目标排名第1，体现小时偏好对时间敏感推荐的贡献。

**讨论与结论**
讨论部分强调，ASTHN通过统一框架显式整合三种互补的细粒度时空上下文（最小时间间隔、空间邻近性、小时偏好），解决了现有结构方法中时间上下文碎片化、缺乏联合建模的问题。实验结果和案例分析验证了其对不同移动模式（跨区域迁移、密集局部排名、时间敏感通勤）的鲁棒推荐能力。结论部分翻译如下：本文提出了ASTHN，一种结合细粒度时空上下文、超图学习和自适应融合的下一个POI推荐框架。ASTHN从最小时间间隔、地理邻近性和小时偏好构建三个上下文超图，通过超图传播学习视图特定POI表示。两级融合模块对齐并自适应整合多视图表示，带时空门的ST-GRU捕获轨迹动态，输出层温度缩放缓解过度集中的分数分布。在Foursquare-NYC和Foursquare-TKY上的实验证明了ASTHN的有效性，结果以三个随机种子的均值±标准差报告。在NYC上，ASTHN在Recall@5、Recall@10、NDCG@5和NDCG@10上分别比最强基线提升3.79%、14.62%、2.28%和1.24%；在TKY上提升5.83%、37.20%、13.86%和20.49%。这些结果证实了联合建模间隔约束、地理可达性和小时周期性的价值。面向应用案例的可视化进一步显示ASTHN能在不同移动模式下产生合理的Top-K建议，包括跨区域移动、密集局部排名和时间敏感通勤场景。复杂度分析和运行时间表明ASTHN保持有竞争力的训练成本和实际可扩展性。ASTHN目前针对用户特定的POI候选集设计，扩展到更大候选池是自然下一步。未来工作还将探索可靠可用的额外上下文信号，并在场景驱动的城市移动和智慧旅游应用中进一步验证该方法。