《ISPRS International Journal of Geo-Information》：A Global Spatio-Temporal Relationship- and Dynamic Friendship-Aware POI Recommendation Method
编辑推荐：
兴趣点（Point-of-Interest, POI）推荐在基于位置的社会网络（Location-Based Social Networks, LBSNs）中利用签到记录预测用户的下一步访问。作为影响用户决策的关键因素，地理和社会情境被纳入以提供更高质量的推荐
兴趣点（Point-of-Interest, POI）推荐在基于位置的社会网络（Location-Based Social Networks, LBSNs）中利用签到记录预测用户的下一步访问。作为影响用户决策的关键因素，地理和社会情境被纳入以提供更高质量的推荐服务。然而，现有方法存在两个局限性：地理建模仅限于距离阈值，忽略了长距离时空转换；社交图谱保持静态，未能捕捉未连接用户之间的动态行为相似性。为解决这些问题，研究人员提出了GSTRDFA（全局时空关系与动态友谊感知）模型，该模型包含三个层次。首先，构建时空知识图谱（Spatio-Temporal Knowledge Graphs, STKGs），编码四种关系类型：全局时空与局部地理空间的POI-POI链接、动态用户-用户友谊以及静态社交联系。其次，四种专用编码器——STSEncoder（时空状态嵌入）、GeoEncoder（地理卷积）、DFEncoder（图注意力网络）和SocEncoder（GraphSAGE）——沿这些STKG关系传播和聚合用户与POI嵌入。第三，基于GRU的序列预测器使用融合嵌入将候选POI与用户匹配。在Foursquare数据集（NYC、JK、CA）上的评估表明，GSTRDFA优于现有方法，在Acc@1/5/10和MRR上提升了0.24%–3.31%。主要贡献包括：（1）通过STKGs统一空间、时间和动态社会信号；（2）联合建模全局时空转换和动态友谊；（3）实现平衡的短/长距离和短/长期转换预测。
**论文解读：GSTRDFA——基于全局时空关系与动态友谊感知的兴趣点推荐方法**
**一、研究背景与问题**
在人工智能与泛在感知技术推动下，基于位置的社会网络（Location-Based Social Networks, LBSNs）已发展为融合空间感知与智能决策的综合平台，为用户提供精准的位置服务。兴趣点（Point-of-Interest, POI）推荐作为LBSNs的核心组件，通过实时捕捉影响用户决策的多元因素，其性能直接决定了Foursquare、Gowalla等应用的用户体验与商业价值。传统POI推荐方法或依赖矩阵分解（Matrix Factorization, MF）建模用户-物品交互，或利用循环神经网络（Recurrent Neural Network, RNN）、Transformer、大语言模型（Large Language Model, LLM）等序列模型直接预测下一POI。然而，用户决策往往是地理邻近性、社会影响、时间规律等多重主客观因素复杂交织的结果，现有方法普遍忽略POI间地理空间关系与用户间社会链接对决策的显著影响。知识图谱（Knowledge Graph, KG）技术可将无序非结构化的关系数据转化为可解释的图表示，并可与图神经网络（Graph Neural Network, GNN）结合实现关系传播与向量空间学习。尽管基于KG的方法已推动POI推荐进展，仍存在两大关键挑战：（1）POI间地理距离约束：地理建模局限于距离阈值，忽略长距离时空转换；（2）用户间社会链接非实时性：静态社交图谱无法捕捉非连接用户间的动态行为相似性。
**二、研究内容与贡献**
针对上述空白，研究人员提出STKG增强模型GSTRDFA（全局时空关系与动态友谊感知），其核心创新在于系统统一四种异质关系——全局/局部地理关系和动态/静态社会关系——于单一图神经架构中。具体而言：为弥补POI-POI关系缺陷，设计两种互补关系：全局时空关系（捕捉超越地理邻近性的序列转换模式）与局部地理空间关系（保留短距离转换约束）；为弥补用户-用户关系缺陷，建立动态友谊（基于近期共同访问同一POI的历史构建）与静态社会链接（保留长期用户协议）。模型包含表示层、传播层与预测层：表示层构建四种先验知识图谱（静态社交图、动态友谊图、全局时空图、局部地理图）并生成用户、POI、时空状态的嵌入向量；传播层采用四种专用编码器——STSEncoder（基于时空状态嵌入）、GeoEncoder（地理卷积）、DFEncoder（图注意力网络）和SocEncoder（GraphSAGE）——沿不同关系路径传播聚合嵌入；预测层利用时空门控循环单元（Spatio-Temporal Gated GRU, STGRU）序列预测器将融合嵌入与候选POI匹配。在Foursquare标准数据集（NYC、JK、CA）上的评估显示，GSTRDFA在Acc@1/5/10和MRR上相对最优基线取得0.24%–3.31%的相对提升。
**三、主要关键技术方法**
（1）**时空状态（Spatio-Temporal State, STS）划分**：将签到时间范围划分为时间切片，经纬度坐标划分为地理网格，生成时空状态集合，以间接表示全局时空POI关系。关系类型包括时间邻近、空间邻近和时空邻近，构建全局时空关系图。（2）**局部地理关系构建**：基于距离阈值（NYC和JK设为1 km，CA设为3 km）采用DisenPOI方法构建POI间局部地理图。（3）**动态友谊构建**：针对每次签到，在过去时间窗口（设为7天）内访问过相同POI的用户集构成动态友谊图，确保推理时仅用最后已知签到即可构建。（4）**四编码器架构**：STSEncoder基于Transformer与ResNet增强时空状态嵌入；GeoEncoder采用地理卷积（GeoConv）捕获地理相似性；DFEncoder使用融入时间间隔的多头注意力GAT（图注意力网络）建模动态友谊；SocEncoder采用两层GraphSAGE传播静态社会链接。（5）**STGRU序列预测**：在标准GRU中引入时间间隔与地理距离作为影响因子，配以可学习动态权重调节重置与更新过程。（6）**对抗负采样与损失优化**：构建正负样本子集（交互存在但关系缺失，或交互缺失但关系存在），采用BPR（贝叶斯个性化排序）与Huber损失加权组合，以Adam优化器最小化总损失。数据集来源为Foursquare公开数据集（NYC、JK、CA），筛选保留至少5次签到的用户，按80%/10%/10%用户时间顺序划分训练/验证/测试集。
**四、研究结果**
（1）**跨模型评估**：①社交增强模型（LBSN2Vec++、DSGNN）在NYC和CA上优于纯序列模型，但JK上因社交链接极端稀疏而表现欠佳。②地理增强模型（GeoSAN、GETNext）在所有数据集上显著优于纯序列模型，且地理增强通常优于社交增强，表明用户移动模式主要受地理邻近性约束。③扩散/LLM模型（Diff-DGMN、ZeroPOIRec）代表新方向，但受数据稀疏性制约，在JK上表现较弱。④传统基线中Graph-FB、KGNext、SNPM表现突出，因其显式利用KG建模丰富关系；SNPM动态图构建优于静态KG。GSTRDFA联合建模四种关系，在所有数据集和指标上全面超越所有基线。
（2）**跨数据集评估**：社交感知模型在社交密度较高的NYC和CA表现更好；地理感知模型在CA表现最优，表明中等POI密度更利于地理因素利用；扩散模型对数据稀疏敏感，LLM零样本方法在极度稀疏的JK上性能下降；GSTRDFA通过全局与局部地理关系联合建模缓解高POI密度与分布不均问题，在三个数据集上均保持稳健最优。
（3）**消融实验**：①POI-POI模块：移除GeoEncoder导致MRR降低5.1%，移除STSEncoder导致12.5%下降，移除GSTRAE整体降低16.2%，表明全局时空与局部地理联合建模效果显著。②用户-用户模块：移除SocEncoder降低3.2%，移除DFEncoder降低6.9%，移除DFAE整体降低9.8%，动态友谊建模贡献大于静态社会链接。③全模块移除导致31.5%的灾难性下降，证实所有编码器协同贡献，其中STSEncoder最为关键。
（4）**超参数敏感性**：嵌入维度128时达到最优平衡；时间间隔7天最优（与人类周周期性行为规律一致，工作日通勤+周末探索模式）；距离阈值在NYC/JK设为1 km、CA设为3 km最优，验证了STSEncoder的主导作用。
（5）**案例研究**：动态友谊案例表明，GSTRDFA能超越地理距离约束，通过朋友共享行为模式准确预测地理遥远POI；全局时空关系案例显示，STSEncoder将目标POI排名从第7位提升至第3位，有效增强中距离预测精度。
**五、结论与意义**
研究结论：GSTRDFA在全部指标上持续优于现有最先进方法。三个关键发现：第一，全局时空编码器通过时空状态粒度捕捉宏观长距离移动模式，缓解数据稀疏性并提升中长距离转换预测精度而不牺牲短距离性能；第二，动态友谊编码器识别用户间实时行为相似性，有效预测地理信号弱的长距离低频POI；第三，全局/局部地理关系与动态/静态社会关系的联合建模产生互补效益，每种关系捕捉用户移动的不同方面，组合实现推荐准确率的全面提升。研究证实平衡空间尺度（全局vs局部）与社会动态（动态vs静态）是有效POI推荐的关键。局限性与未来方向：实验基于2011-2012年Foursquare基准，未来将在近期城市移动数据集（如YJMob100K）上验证；JK数据集过滤后仅41用户、28 POI、42条测试序列，主要作为极端稀疏下的压力测试；未来方向包括多粒度时空状态划分、空间范围感知的动态友谊构建、将框架扩展到流行病传播预测和旅游路线规划等更广应用，以及进行距离分层评估以量化模型在不同地理距离尺度上的空间有效性。
