STR-LBSN：面向基于位置的社会网络的基于时空角色的异质超图嵌入

《Information Processing & Management》：STR-LBSN: Spatio-temporal Role-based Heterogeneous Hypergraph Embedding for location-based social networks

　　

基于位置的社会网络（LBSNs）包含丰富的社会、空间和时空信息。然而，大多数现有嵌入方法过度简化了底层的超图结构，用单一的静态嵌入表示每个用户，并且未能建模社会关系与移动行为之间的耦合。为了解决这些局限性，我们提出了 STR-LBSN，一种面向基于位置的社会网络的时空角色驱动异质超图嵌入框架。STR-LBSN 将用户随时间演变的行为角色建模为隐马尔可夫模型（HMM）中的隐藏状态，并从解码的角色分配构建以角色为中心的超图。基于此结构，STR-LBSN 通过余弦空间中的有偏随机游走和异质采样学习多角色表示，同时平衡社会上下文和时空移动模式。在七个真实世界 LBSN 数据集上的大量实验表明，STR-LBSN 在几乎所有设置下均取得了十二种最先进基线方法中最高的平均性能。具体而言，在好友推荐任务中，STR-LBSN 在精确率、召回率、F1 分数和 NDCG 等四个评估指标上实现了大幅相对提升，在稀疏数据集上尤为显著。在兴趣点（POI）推荐和活动推荐任务中，其在 Hit@5、Hit@10 和 Hit@20 方面的平均性能提升约为 5% 至 30%。此外，全面的消融实验和参数敏感性分析支持了主要建模组件的有效性，并检验了 STR-LBSN 对关键超参数的鲁棒性。

引言
移动和位置感知技术已成为普遍存在，使得 Foursquare、Gowalla 和 Brightkite 等基于位置的社会网络（LBSNs）成为用户活动的主要枢纽，并从日常生活中产生了大量高价值的数字足迹。这些丰富的多维数据集提供了全面的信号，包括社会关系、访问地点（兴趣点，POIs）、签到序列和时空信息，这些信号隐式地捕捉了人类移动性、社会影响和环境因素之间错综复杂的相互作用。因此，LBSNs 已成为各种下游应用的主要数据源，如好友推荐（Ding et al., 2024）、城市地理研究（Qiu et al., 2025, Zhou et al., 2024）、人类移动性分析（Du et al., 2025）和社会网络分析（Sun et al., 2025, Wang et al., 2026）。这使得 LBSN 数据上的有效表征学习成为一个具有深远影响的关键研究挑战。
传统方法提取手工特征（如同位率（Cho et al., 2011, Scellato et al., 2011）或共同邻居（Backstrom & Leskovec, 2011）），严重依赖领域知识，通常难以很好地推广到不同的应用。图表征学习的最新进展表明，基于拓扑接近度和属性相似性等图信息，自动学习用户移动性和友谊关系的特征并将节点嵌入到低维向量空间中是非常有效的。然而，最先进的方法仍有很大改进空间。
首先，大多数现有方法仍然假设每个用户表现出单一、固定的行为模式，因此采用静态单状态表示。然而，常识和先前的研究表明，同一个个体可能在不同的时间和情况下扮演不同的角色（例如，工作、家庭和社会生活），导致截然不同的移动轨迹和社会共现模式（Clark, 2000, Goffman, 1959）。当用户仅由一个嵌入向量表示时，这些异质的、依赖角色的行为不可避免地会被平均在一起，导致上下文稀释和信息丢失，从而阻碍下游任务中的角色感知推理。虽然这一局限性已在先前的 LBSN 角色建模工作中得到认可（Trung et al., 2022），但现有的角色分割主要由社会关系驱动，这在 LBSNs 中可能是不够的，因为角色转换往往由时空规律和活动语义而非单纯的友谊关系所主导（Small and Adler, 2019, Van Dülmen and Kl?rner, 2022）。在实践中，两个角色可能拥有非常相似的社会圈子，但却对应完全不同的移动上下文（例如，在办公室会见相同的朋友与在健身房会见相同的朋友）。对于社会信号较弱的用户，即使友谊信息提供的区分能力有限，他们的不同角色仍然可以通过签到序列和时空习惯从签到序列中清晰分离出来。
图 1 提供了一个说明性示例，突出了单嵌入表示的局限性。考虑用户 U3（Emily），她在同一个 LBSN 中表现出两种完全不同的行为模式。在较早的时间段内，她经常与 U4 和 U5 出现在与工作或休闲相关的 POI（例如，办公室、保龄球馆），反映了工作/社交角色。在较晚的时间段内，她经常与 U2 共同位于住宅或家庭相关的 POI，代表家庭角色。如果 Emily 仅由一个用户节点和统一嵌入表示，这些不同的依赖角色的模式将被平均在一起，使模型难以区分不同的上下文——例如，在工作时间推荐办公楼与下班后推荐健身房。这一观察结果促使我们采用为每个用户引入多个角色节点的方法，每个角色捕捉独特的行为上下文。
此外，传统的超图表示方法通常通过将有向边划分为更小的经典边来进行嵌入学习，从而将 LBSNs 中的超图结构简化为经典图结构。虽然这种简化在计算上更有效率，但也会导致信息丢失和性能下降。最近提出的超图嵌入技术大多关注结构均匀的超图，其中所有超边包含相同数量的节点（Yang et al., 2022, Zhang, Zhou et al., 2022, Zhu and Zhao, 2022）。这一局限性使得这些方法难以充分利用 LBSNs 的超图多模态结构，而 LBSNs 表现出复杂的时空行为模式和多样化的节点连接。
更重要的是，大多数现有用于基于位置的社会网络（LBSNs）的嵌入方法忽略了社会关系与移动行为之间的内在耦合。例如，用户的下一个兴趣点（POI）往往受以前访问过的地点影响；用户也可能表现出强烈的时空规律性，例如在一天中相似的时间访问同一个 POI；此外，如果两个用户是朋友并经常访问相同的 POIs，他们很可能拥有相似的兴趣和习惯，在这种情况下，一个用户经常访问的 POIs 可以作为对另一个用户的有效推荐。然而，最近的超图嵌入技术通常无法考虑这些现实依赖关系。具体而言，许多现有方法（Yang et al., 2019, Yang et al., 2022, Y. Zhang et al., 2025）采用一种采样策略，在随机游走过程中不加区分地遍历签到超边和友谊边，导致嵌入信息在整个超图中均匀扩散，而未能充分建模社会关系与时空移动模式之间的结构化相互作用。
为了解决这些挑战，本工作的目标是开发一个统一的嵌入框架，该框架在时空上下文中建模细粒度的用户角色及其时间演变。所提出的框架需要保留 LBSN 数据在异质图中的高阶和多模态结构，同时策略性地捕捉社会关系与时空移动行为之间的结构化耦合，以支持各种下游任务的准确性能。
为此，我们提出了 STR-LBSN（面向基于位置的社会网络的时空角色驱动异质超图嵌入），一个解决上述挑战的统一嵌入框架。总体而言，本工作的主要贡献总结如下。
1. 问题识别。我们指出了现有 LBSN 嵌入方法中的三个关键局限性：(i) 稀释依赖角色行为模式的单嵌入表示，(ii) 丢失高阶多模态结构的超图简化，以及 (iii) 无法充分建模社会关系与时空移动之间结构化耦合的不加区分的图遍历。我们提出了 STR-LBSN，一个统一的基于角色的框架，从三个互补方面解决这些挑战：时空角色感知、多模态超图构建和有偏随机游走采样。
2. 方法论创新。(i) 将用户角色建模为时间依赖的 HMM 隐藏状态，采用 Baum-Welch 参数估计和基于 BIC 的角色数选择，使得能够从时空特征而非社会拓扑中发现角色。(ii) 通过基于 Viterbi 的签到分配和用于用户间角色连接的匈牙利匹配构建角色超图，保留多模态结构。(iii) 具有角色图遍历和签到探索的有偏随机游走策略建模社会 - 移动耦合。保留原创性和角色间多样性约束鼓励具有区分力的独特角色嵌入。
3. 实验验证。在多个真实世界 LBSN 数据集上的大量实验表明，STR-LBSN 在好友推荐、POI 推荐和活动推荐等关键任务上，相比十二种最先进的基线方法取得了最佳或极具竞争力的性能。此外，全面的超参数敏感性分析和消融实验验证了所提框架主要建模组件的有效性。
本文剩余部分如下：第 2 节回顾相关工作。第 3 节呈现问题定义。第 4 节描述角色超图的构建。第 5 节概述了在角色超图上执行的随机游走策略以及用于学习整体 LBSN 节点嵌入的表征学习技术。实验结果提供在第 6 节，第 7 节总结了本文。

章节片段
相关工作
在 LBSNs 中，用户通过在 POI 签到生成细粒度的时空行为数据。这些记录连同社会链接形成了一个复杂的异质系统，涉及用户、地点、时间、活动和社会关系。对于此类数据的有效表征学习对于下游任务（如好友推荐、POI 推荐和活动预测）至关重要。本节从两个方面回顾相关研究：通用图嵌入方法和 LBSN
LBSN 设置与符号
LBSN：基于位置的社会网络（LBSN）是一个在线社交系统，其中用户交互与地理标记活动相耦合。形式上，LBSN 可以表示为元组 $G=(U,P,E,C)$，其中 $U$ 是用户集合，$P$ 是兴趣点（POIs）集合，$E \subseteq U \times U$ 表示用户之间的社会关系。每个签到是一个时空记录 $c=(u,t,p,cat) \in C$，表示用户 $u \in U$ 在时间 $t$ 访问具有语义类别 $cat$ 的 POI $p \in P$。因此，LBSN 共同包含 (i) 角色超图的构建
角色超图的构建
我们提出了一个基于 HMM 的框架来发现 LBSNs 中的多个用户角色（Baum & Petrie, 1966）。这里，角色表示从时空签到模式推断出的重复潜在行为状态，而不是外部标注的社会身份。HMM 之所以适用，是因为签到行为是可观察的，而潜在的角色是隐藏的，并且因为它捕捉了角色状态之间的时间依赖性。与从社会角色 - 基于异质图游走和嵌入学习的 MSC-LBSN（Trung et al., 2022）不同
基于角色的异质图游走和嵌入学习
本节通过有偏角色图游走和异质表征学习从角色超图学习嵌入。与 LBSN2Vec++（Yang et al., 2022）不同，STR-LBSN 使用移动性比率 $\alpha$ 来平衡社会和移动性信号，同时角色特征相似度和 Jaccard 重叠引导行为一致的图游走。两个余弦空间约束进一步鼓励具有区分力的独特角色嵌入。
数据集
我们使用从公开的 Foursquare 数据集（Yang et al., 2019）和 Gowalla 数据集（Liu et al., 2014）构建的七个长期基于位置的社会网络（LBSN）数据集，两者均已被先前的 LBSN 嵌入研究广泛采用（Trung et al., 2022, Yang et al., 2022）。每个数据集对应于一个城市级子网络，由用户签到记录、POI 信息（包括类别）、时间戳和用户友谊关系组成。每个签到记录
结论
在本文中，我们提出了 STR-LBSN，一种面向基于位置的社会网络的时空角色感知嵌入框架。所提出的框架解决了现有 LBSN 表征学习中的三个基本挑战：保留高阶多模态结构、建模社会关系与时空移动之间的耦合，以及缓解由单向量用户表示引起的上下文稀释。

CRediT 作者贡献声明
Yi Sun：写作 – 审阅与编辑，写作 – 原稿撰写，可视化，验证，监督，软件，资源，项目管理，方法，调查，资金获取，形式分析，数据整理，概念化。Hongrui Zhang：写作 – 原稿撰写，可视化，监督，调查，数据整理，概念化。Zhiwei Xu：写作 – 审阅与编辑，可视化，验证，监督，方法，形式分析，数据整理
基金
本研究部分得到天津市科技重大专项（资助号：24ZXKJGX00070）、国家自然科学基金（资助号：62272248）、北京 - 天津 - 河北自然科学基金合作项目（资助号：25JJJJC0016）、新疆生产建设兵团科技计划项目（资助号：2026AB015, 2024AB080, 和 2023CB005）以及第二批天山人才培训计划的支持。
利益冲突声明
作者声明他们没有任何已知的竞争性经济利益或个人关系，这些利益或关系可能被认为会影响本论文中报告的工作。
Yi Sun|Hongrui Zhang|Zhiwei Xu|Zhaoyun Guo|Limengzi Yuan|Ronghua Zhang|Changzheng Liu|Tao Li