CoTDN：一种用于兴趣点（POI）推荐的反事实时间偏差校正网络

《Expert Systems with Applications》：CoTDN: A counterfactual temporal debiasing network for POI recommendation

　　

• •
  我们提出了一种用于兴趣点（POI）推荐的反事实时间偏差校正网络。
• •
  模型中明确考虑了偏好中介和直接的时间效应。
• •
  设计了一种反事实偏差校正机制来减轻时间偏差。

引言

基于位置的社会网络的快速增长产生了大量的时空签到数据（Zhang等人，2025b），从而推动了关于兴趣点（POI）推荐的研究。这项任务旨在根据用户的历史签到序列预测他们的下一个目的地（Sun, Gao, Yu, & Huang, 2025）。与在线购物行为不同，现实世界中的人类移动性本质上是动态的，并与复杂的空间和时间因素紧密相连。在这些因素中，时间背景起着关键作用。它包括一天中的不同时间段、工作日和周末以及节假日周期，这些因素显著影响了用户的潜在行为意图和目标POI的可用性（Chen, Huang, Zhang, Wang, Lin, Chang, Wan, 2025a, Wang, Zhao, Ma, Wang, Zhu, Liu, 2026）。

现有研究主要关注用户轨迹中的序列模式和时空依赖性（Hai, Wang, Liu, Meng, Shang, Sheng, 2026, Liu, Ding, Zhu, Tang, Yu, Jiang, Guo, 2023, Song, Ren, Lu, 2025a）。早期方法依赖于马尔可夫链来模拟连续POI之间的转换概率（Rendle, Freudenthaler, & Schmidt-Thieme, 2010），而最近的研究越来越多地采用深度学习架构，包括循环神经网络（RNN）及其变体，以捕捉用户的短期和长期偏好（Ma, Wang, Zhao, Yan, & Tang, 2024）。同时，基于图的方法，包括图神经网络（GNN）和超图模型，利用协同信号来建模POI之间的语义相似性和序列趋势（Li, Chou, Liang, Lin, & Hsieh, 2025）。此外，基于扩散的模型也出现了，通过迭代细化POI表示来捕捉复杂的时空交互（Pan等人，2025b）。尽管这些方法将时间信息纳入表示学习，但它们在很大程度上忽略了用户偏好学习过程中由时间因素引入的混淆偏差。具体来说，这些时间偏差源于两个关键方面：

(1) 与用户偏好的因果时间相关性。 大多数现有模型通过简单的连接将时间特征纳入用户表示，基本上捕捉了时间背景和POI访问之间的统计依赖性。然而，这些方法常常将特定时间 period 和 POI 类别之间的统计相关性误认为是用户意图的因果指标。例如，如图1(a)所示，在午餐时间，像SR-GNN（Wu等人，2019）这样的基线模型倾向于机械地过度推荐餐馆给已经完成中午用餐的用户。这种偏差是由训练数据中这种时间背景下餐馆访问的高频率所驱动的。实际上，这些方法过于强调捕捉时间和POI转换之间的统计关联，而忽略了这种相关性是否真正反映了用户偏好，或者是由非个性化的时间模式造成的。

(2) 将时间约束与用户偏好混为一谈。 时间不仅通过塑造用户偏好来影响他们的行为，还直接限制了现实世界中的POI访问。现有方法往往无法充分建模这种直接约束。例如，如图1(b)所示，一个用户可能白天经常去健身房，表明他有很强的偏好，但晚上没有记录任何签到。传统方法通常将这些未观察到的夜间互动视为负面样本，从而可能推断出用户在这些时段没有兴趣。然而，夜间没有签到的原因可能是健身房关闭了，这代表了一个物理约束，而不是用户偏好的变化。因此，将这种环境约束视为负面偏好信号可能会在模型中引入时间偏差。

这些局限性表明，现有方法主要捕捉观察数据中的统计规律性。然而，个性化偏好信号可能与直接的时间效应混在一起，使得这些方法无法在推理过程中可靠地区分偏好中介信号和虚假的时间相关性。因此，需要一种基于因果关系的时间因素处理方法，以明确建模它们对预测的直接影响，并将偏好中介信号与时间偏差的观察结果区分开来。

为了解决这些局限性，我们提出了一种用于POI推荐的反事实时间偏差校正网络（CoTDN）。CoTDN基于这样的核心前提：时间背景在用户移动性中起着双重作用。它塑造了依赖于环境的用户偏好，同时也通过非个性化的时间模式和外部时间约束直接影响观察到的签到行为。为了建模这两条路径，CoTDN首先使用一个具有时间感知的偏好编码器，根据当前的时间背景捕捉用户的连续兴趣，同时结合地理转换信号来增强移动性建模。然后，一个具有时间感知的注意力机制选择性聚合与目标时间背景高度相关的历史行为，生成一个对环境敏感的用户偏好表示。此外，CoTDN引入了一个双分支的时间感知预测器，分别从观察数据中建模偏好中介和直接的时间组成部分。在推理时，一个反事实时间偏差消除器会减弱模型估计的直接时间成分，生成去偏的POI推荐排名分数。本工作的主要贡献总结如下：

•

我们从因果关系的角度重新审视了POI推荐，并确定了时间因素是观察签到数据中混淆偏差的关键来源。

•

在我们的因果分析指导下，我们提出了CoTDN，这是一个端到端的反事实偏差校正框架，能够明确区分偏好中介信号和直接时间效应，从而实现更准确的POI推荐。

•

我们为CoTDN设计了一个具有时间感知的因果架构，包括一个时间感知的注意力机制来提取与环境相关的历史行为，以及一个反事实偏差校正策略来在推理过程中消除直接时间效应。

•

我们在三个真实世界数据集上进行了广泛的实验。结果表明，CoTDN的性能优于现有的最先进方法。

部分片段

相关工作

相关文献大致可以分为三个主要流派：POI推荐、时间感知的POI推荐和因果推荐。

初步介绍

在本节中，我们首先正式化了本文研究的POI推荐问题。然后我们介绍了一个因果图来描述时间背景在用户访问行为中的双重作用。接下来，我们阐明了图的範圍和关键识别假设。最后，我们强调了时间去混淆对于无偏偏好估计的动机。

提出的CoTDN模型

CoTDN的总体架构如图3所示。给定用户的POI访问序列和目标时间背景 t_c，CoTDN首先通过编码特定于环境的连续行为并选择性地聚合相关历史行为来学习具有时间感知的偏好表示。然后，一个双分支的时间感知预测器分别基于观察到的签到数据建模偏好中介的间接效应 T?→?M?→?V 和直接的时间效应 T?→?V。

实验

为了评估CoTDN，我们首先介绍了数据集、基线和指标，然后进行实验以解决以下研究问题：

•

RQ1： 提出的CoTDN与最先进的基线方法在POI推荐方面的表现如何?

•

RQ2： CoTDN的每个组成部分在POI推荐中的作用有多大?

•

RQ3： 关键超参数如何影响整体推荐性能?

•

RQ4： CoTDN在异构用户中的鲁棒性如何?

讨论

与现有的时间感知POI推荐方法相比，CoTDN的关键区别不在于是否包含时间信息，而在于如何建模其影响。大多数现有方法将时间背景视为辅助特征，并学习时间和观察到的访问之间的相关性。这种处理可能会将个性化偏好与非个性化的时间模式或外部约束混在一起。相比之下，CoTDN明确区分了偏好中介的

结论和未来工作

在本文中，我们从因果关系的角度重新审视了POI推荐，并证明了时间因素在用户移动性中起着双重作用。一方面，时间背景调节了用户依赖于环境的偏好；另一方面，它通过时间约束和非个性化的时间模式直接影响观察到的签到行为。为了区分这两种效应，我们提出了CoTDN，一种用于POI推荐的反事实时间偏差校正网络。CoTDN结合了

CRediT作者贡献声明

Lei Chen：概念化、数据整理、撰写——原始草稿。Bowen Tang：方法论、软件、验证、撰写——审阅和编辑。Weichao Liang：概念化、撰写——审阅和编辑。

利益冲突声明

作者声明他们没有已知的竞争财务利益或可能影响本文工作的个人关系。

Lei Chen|Bowen Tang|Weichao Liang