一种混合图-序列框架，用于融合基于位置的兴趣点（POI）推荐中的长期和短期偏好

《Scientific Reports》：A hybrid graph-sequential framework for fusing long-term and short-term preferences in location-based POI recommendation

　　

摘要

一对一推荐系统在提升用户体验和促进旅游行业中的明智决策方面发挥了关键作用。随着数字技术在旅行过程中的发展，个性化的方法有助于提高客户满意度、增加互动，并实现更为可持续的旅游方式。然而，当前的推荐系统在模拟用户长期偏好与短期旅行意图之间的关系方面存在一定局限性。本研究旨在利用这一不足，提出了一种基于图神经网络（Graph Neural Networks, GNN）和基于Transformer的序列模型的混合模型，该模型能够自适应地学习并结合用户的长期协作偏好与短期行为。所提出的方法包括数据预处理以纳入时间和地理特征，特征选择以识别关键用户属性和兴趣点（POI）的特性，以及在一个混合框架内的模型训练。通过对Gowalla基于位置的社会网络（LBSN）数据集进行实证评估，该数据集可作为旅游相关移动行为的代理基准，同时使用NDCG和HR@K等标准推荐评估指标进行测试。结果表明，所提出的框架的平均NDCG@5值为0.7776，显著优于基线模型LightGCN和SASRec，并实现了最高的Precision@5值以及出色的冷启动韧性。这种混合框架在处理动态用户行为时更具灵活性，更具可解释性，且比现有方法更具可扩展性。本研究通过提出一个统一框架来促进位置感知的个性化推荐研究，该框架能够同时建模用户的长期和短期移动偏好，具有在旅游推荐场景中应用的潜力。