همبستگی فاصله زمانی نابرابر فضایی-زمانی شبکه خودتوجهی برای توصیه POI بعدی

به عنوان هسته شبکه‌های اجتماعی مبتنی بر مکان (LBSN)، وظیفه اصلی توصیه‌های نقطه مورد علاقه (POI) بعدی، پیش‌بینی POI احتمالی بعدی از طریق اطلاعات زمینه از مسیرهای ثبت نام تاریخی کاربران است. به خوبی شناخته شده است که اطلاعات زمینه ای مکانی – زمانی نقش مهمی در تحلیل رفتارهای ورود کاربران دارد. علاوه بر این، اطلاعات بین POI یک همبستگی غیر پیش پا افتاده برای مدل سازی کاربرانی که از تنظیمات برگزیده بازدید می کنند، فراهم می کند. متأسفانه، تأثیر چنین اطلاعات همبستگی و اطلاعات فاصله زمانی نابرابر مکانی بین POIها بر انتخاب کاربر POI بعدی، به ندرت در نظر گرفته می شود. بنابراین، ما یک حیاط زمانی و مساوی c را پیشنهاد می کنیمorrelation-aware s elf- a ttention nمدل etwork (STUIC-SAN) برای توصیه POI بعدی. به طور خاص، ابتدا از روش رگرسیون خطی برای به دست آوردن همبستگی فاصله زمانی نابرابر فضایی بین هر دو POI از توالی‌های ورود کاربران استفاده می‌کنیم. به طور متوالی، ما یک مکانیسم توجه خود آگاه از همبستگی فاصله زمانی نابرابر فضایی-زمانی طراحی می کنیم که قادر است به طور جامع اولویت های همبستگی فاصله زمانی نابرابر فضایی-زمانی شخصی کاربران را با ترکیب عوامل متعدد، از جمله اطلاعات POI، اطلاعات همبستگی فاصله زمانی نابرابر فضایی-زمانی به تصویر بکشد. بین POIها و اطلاعات موقعیتی مطلق POIهای مربوطه. بر این اساس، توصیه POI بعدی را انجام می دهیم. در نهایت، ما ارزیابی عملکرد جامعی را با استفاده از مجموعه داده‌های دنیای واقعی در مقیاس بزرگ از دو شبکه اجتماعی مبتنی بر مکان انجام می‌دهیم، یعنی: Foursquare و Gowalla. نتایج تجربی روی دو مجموعه داده نشان می‌دهد که STUIC-SAN پیشنهادی نسبت به روش‌های توصیه‌شده بعدی POI در رابطه با دو معیار ارزیابی رایج عمل می‌کند.

کلید واژه ها:

توصیه POI بعدی ؛ همبستگی فاصله زمانی نابرابر فضایی ; توجه به خود ؛ رگرسیون خطی

1. مقدمه

با محبوبیت دستگاه های هوشمند تلفن همراه و توسعه LBSN ها مانند Foursquare، Gowalla و Yelp، کاربران می توانند POI های ترجیحی را از طریق دستگاه های تلفن همراه و خدمات مبتنی بر مکان پیدا کنند، اطلاعات ورود خود را در پلتفرم های شبکه های اجتماعی منتشر کنند و تجربه خود را به اشتراک بگذارند. پس از بازدید از POI توصیه‌های POI می‌توانند به کاربران کمک کنند تا به سرعت POIهایی را که به آن‌ها علاقه دارند پیدا کنند، تجربه کاربران را بهبود بخشند، و به ارائه‌دهندگان POI کمک کنند تا اولویت‌های کاربران را سریع درک کنند و کیفیت خدمات را به شیوه‌ای هدفمند بهبود بخشند. بنابراین، توصیه POI به تدریج توجه گسترده محققان را به خود جلب کرده است. از آنجایی که کاربران هنگام بازدید از POI زمان بندی قوی نشان می دهند، لیست توصیه ها با اطلاعات مربوط به ورود تغییر می کند. به عنوان بسط توصیه عمومی POI [ 1]، توصیه POI بعدی می‌تواند به‌دقت POIهایی را استنباط کند که کاربران در لحظه بعد با توجه به خط سیر تاریخی ورود کاربران از آنها بازدید خواهند کرد و در نتیجه کمک مفیدی به کاربران و بازرگانان ارائه می‌کنند. بنابراین، توصیه POI بعدی به یکی از کانون های تحقیقاتی در زمینه های دانشگاهی و صنعتی تبدیل شده است [ 2 ].

در توصیه بعدی POI، بیشتر مطالعات بر روی بهره‌برداری از الگوهای توالی تحرک کاربران پنهان شده در مسیرهای ثبت نام تاریخی کاربران تمرکز دارند. در مورد روش‌های پیشنهادی متوالی POI، روش‌های مبتنی بر زنجیره مارکوف [ 3 ] عمدتاً در مراحل اولیه استفاده می‌شوند. با این حال، آزمایش‌ها نشان می‌دهند که چنین روش‌هایی در سناریوهای پراکنده تأثیر بسیار خوبی دارند، اما در گرفتن ویژگی‌های توالی پیچیده ناکام هستند. بعدها، محققان سعی کردند دقت توصیه POI را با استفاده از شبکه عصبی بازگشتی (RNN) [ 4 ] با مکانیسم های حافظه بهبود بخشند. به منظور کاهش مشکل گرادیان ناپدید شدن در RNN سنتی، روش‌های پیشنهادی متوالی POI مبتنی بر حافظه کوتاه‌مدت بلند مدت (LSTM) [ 5 ] و واحد بازگشتی دروازه (GRU) [ 6 ]] یکی پس از دیگری پیشنهاد شده اند که تأثیراتی در کسب وابستگی های بلند مدت کاربران دارند. در سال‌های اخیر، با الهام از Transformer ترجمه ماشینی، محققان از مکانیسم توجه به خود برای توصیه‌های متوالی POI استفاده کردند [ 7 ]. آزمایش‌ها نشان می‌دهند که عملکرد روش‌های پیشنهادی POI به طور قابل‌توجهی بهتر از روش‌های مبتنی بر زنجیره مارکوف و RNN است.

در روش های توصیه POI بعدی، عوامل بیشتری در نظر گرفته می شوند، عامل زمانی [ 8 ، 9 ] و عامل مکانی [ 10 ، 11 ]. برای این منظور، محققان روش‌های مختلف پیشنهادی POI بعدی را بر اساس زمینه مکانی-زمانی برای بهبود عملکرد توصیه پیشنهاد کرده‌اند. اگرچه این روش‌ها نتایج الهام‌بخشی را نشان داده‌اند، اما همچنان دو محدودیت عمده به شرح زیر دارند:

(1) اثر اطلاعات فاصله زمانی نابرابر بین هر دو POI در انتخاب کاربر POI بعدی نادیده گرفته می شود. اکثر مطالعات الگوهای توالی تحرک کاربران را با توجه به توالی های زمانی مربوط به ورود در مسیرهای ورود تاریخی کاربران مدل می کنند. فرض بر این است که یک فاصله زمانی/مکانی (فاصله) برابر بین فعالیت‌های اعلام حضور متوالی در مسیرهای ورود کاربران [ 12 ]، یا با در نظر گرفتن اطلاعات مکانی-زمانی بین POIهایی که فقط در فعالیت‌های اعلام حضور متوالی بازدید شده‌اند، وجود دارد. 13 ] یا فقط در فعالیت‌های غیر متوالی ورود به سیستم [ 14]، و نادیده گرفتن تأثیر فاصله زمانی نابرابر بین POIهای بازدید شده در هر دو فعالیت اعلام حضور متوالی یا غیر متوالی. مطالعات نشان داده اند که فاصله زمانی بین POI متفاوت است و تاثیر متناظر بر انتخاب POI بعدی نیز متفاوت است [ 15 ]. علاوه بر این، کاربران مختلف حداکثر تحمل متفاوتی برای فواصل زمانی و مکانی بین POI دارند [ 10 ]. در واقع، حتی اگر مسیرهای تاریخی ورود کاربران یکسان باشد، زمانی که کاربران از POI مربوطه بازدید می کنند ممکن است متفاوت باشد [ 16 ]. نتایج مشاهده شده از شکل 1پشتیبانی از این که کاربران هنگام انتخاب POI بعدی، ترجیحات متفاوتی برای فواصل زمانی- مکانی داشته باشند. بدیهی است که ترجیحات بازه زمانی مختلف کاربران بر انتخاب POI بعدی توسط کاربران تأثیر دارد.

(2) هنگام توصیه POI بعدی، همبستگی بازه نابرابر مکانی-زمانی در نظر گرفته نمی شود. اکثر روش‌های پیشنهادی POI مبتنی بر زمینه مکانی-زمانی فقط همبستگی مکانی بین POIهای بازدید شده در فعالیت‌های ورود متوالی یا غیر متوالی را تحلیل می‌کنند [ 17 ، 18 ]، در حالی که فاقد تحلیل همبستگی تأثیر بازه زمانی بر فضای مکانی هستند. فاصله بین هر دو POI از ترتیب ورود کاربر. علاوه بر این، همانطور که در شکل 1 نشان داده شده است، User1 ترجیح می دهد زمان بیشتری را برای بازدید از POI با فواصل مکانی بزرگتر صرف کند، در حالی که User2 برعکس این کار را انجام می دهد. بنابراین، ما در نظر می گیریم که هرچه فاصله زمانی بین کاربر بازدیدکننده از POI بیشتر باشد، احتمال بیشتری دارد که از POI با فواصل مکانی بزرگتر بازدید کند و بالعکس.

برای پرداختن به مسائل ذکر شده در بالا، ما یک مدل فضایی-زمانی نابرابر همبستگی آگاه شبکه خودتوجهی (STUIC-SAN) را برای توصیه POI بعدی پیشنهاد می‌کنیم. این مدل اطلاعات POI، اطلاعات همبستگی فاصله زمانی نابرابر فضایی بین POI، و اطلاعات موقعیتی مطلق POIهای متناظر را در توالی ورود کاربران ادغام می کند، ویژگی های ترجیحی همبستگی بازه زمانی نابرابر فضایی-زمانی کاربر را یاد می گیرد و سپس POI بعدی را ایجاد می کند. توصیه ها آزمایش‌های گسترده‌ای بر روی دو مجموعه داده عمومی، یعنی Foursquare و Gowalla برای تأیید اثربخشی STUIC-SAN انجام می‌شود. مشارکت های اولیه ما را می توان به صورت زیر خلاصه کرد.

(1) ما یک رویکرد جدید برای توصیه POI بعدی به نام STUIC-SAN پیشنهاد می کنیم که عملکرد توصیه را به طور قابل توجهی بهبود می بخشد.

(2) ما عمیقاً همبستگی بین فواصل نابرابر مکانی-زمانی را استخراج می‌کنیم و یک روش جاسازی را ایجاد می‌کنیم که اطلاعات POI، اطلاعات همبستگی فاصله زمانی نابرابر فضایی بین POIها و اطلاعات موقعیتی مطلق POIهای مربوطه را در نظر می‌گیرد. این عوامل به عنوان رابطه بین هر دو POI در نظر گرفته می شوند تا به طور جامع ترجیحات همبستگی فاصله زمانی نابرابر فضایی-زمانی کاربران را مدل کنند.

(3) ما یک مدل شبکه خودتوجه آگاه از همبستگی طراحی می‌کنیم تا ویژگی‌های ترجیحی همبستگی فاصله زمانی نابرابر فضایی-زمانی شخصی‌سازی شده کاربران را بیاموزیم، که می‌تواند به طور خودکار ارتباط ورودی‌های مختلف ذکر شده در مشارکت (2) را با مدل در هر مرحله اندازه‌گیری کند و سپس وزن توجه ورودی ها را متناسب با آن تنظیم کنید.

(4) برای تأیید اثربخشی مدل پیشنهادی، آزمایش‌های گسترده‌ای را بر اساس دو مجموعه داده در دنیای واقعی انجام می‌دهیم. نتایج تجربی نشان می‌دهد که STUIC-SAN پیشنهادی از جدیدترین روش‌های پیشنهادی POI بعدی بهتر عمل می‌کند.

ادامه این مقاله به شرح زیر سازماندهی شده است. بخش 2 کارهای مربوط به توصیه POI بعدی را بررسی می کند. بخش 3 مقدمات و تجزیه و تحلیل داده ها را ارائه می دهد. ما جزئیات مدل پیشنهادی STUIC-SAN را در بخش 4 معرفی می کنیم. در مرحله بعد، مدل پیشنهادی خود را با مدل‌های پیشنهادی POI بعدی موجود مقایسه می‌کنیم و نتایج تجربی و همچنین تهدیدهای اعتبار را در بخش 5 تجزیه و تحلیل می‌کنیم . در نهایت، این مقاله را به پایان می‌رسانیم و کارهای آینده را در بخش 6 ترسیم می‌کنیم.

2. کارهای مرتبط

2.1. توصیه POI بعدی متوالی

بیشتر داده‌های ثبت‌نام تاریخی کاربران در LBSNها به صورت توالی ارائه می‌شوند. بنابراین، مدل‌سازی متوالی اطلاعات ورود کاربران می‌تواند به طور موثر ویژگی‌های توالی مکان‌های ورود کاربران را به تصویر بکشد، در نتیجه عملکرد توصیه‌های POI بعدی را بهبود می‌بخشد. وظیفه اصلی توصیه بعدی POI این است که POI بعدی را بر اساس فعالیت‌های ثبت نام قبلی کاربران توصیه کند. روش‌های توصیه‌های متوالی POI بعدی را می‌توان تقریباً به دو دسته زیر تقسیم کرد.

(1) توصیه POI بعدی بر اساس زنجیره مارکوف. در مرحله اولیه، اکثر روش‌ها از زنجیره مارکوف مرتبه اول [ 19 ، 20 ] برای توصیه POI بعدی استفاده می‌کردند، تنها با در نظر گرفتن آخرین فعالیت ورود کاربران، و کسب اولویت‌های بازدید کاربران جامع نبود. بنابراین، او و همکاران. [ 21 ] یک زنجیره مارکوف با مرتبه بالا را برای در نظر گرفتن فعالیت های اخیر بررسی به منظور به دست آوردن اولویت های بازدید نسبتاً کامل کاربران، و سپس توصیه POI بعدی اتخاذ کرد. با این حال، روش‌های پیشنهادی بعدی POI که در بالا ذکر شد، نمی‌توانند اولویت‌های بازدید طولانی‌مدت کاربران را به دست آورند، و عملکرد توصیه زمانی که مجموعه داده کم است ایده‌آل نیست.

(2) توصیه POI بعدی بر اساس یادگیری عمیق. RNN برای پردازش داده های توالی با اطلاعات زمینه ای غنی بسیار موثر است، بنابراین بیشتر روش های توصیه POI بعدی متوالی بر اساس RNN و مدل های مختلف آن است. به عنوان مثال، لو و همکاران. [ 22 ] یک رویکرد توصیه POI متوالی بر اساس عوامل پنهان ارائه کرد که الگوهای متوالی POI و کاربرانی را که از اولویت‌ها برای توصیه POI بعدی بازدید می‌کنند، ترکیب می‌کند. با این حال، به دلیل ناپدید شدن مشکل گرادیان RNN سنتی، مدل توسعه‌یافته LSTM از RNN برای توصیف مؤثر ترجیحات بازدید طولانی‌مدت کاربران ایجاد شد. بنابراین، Cui و همکاران. [ 13] از زمینه برای مدل‌سازی POIهای غیر متوالی استفاده کرد، اثر زمانی را در ماژول بلندمدت بر اساس مدل LSTM به‌دست آورد، و چهار دنباله کوتاه‌مدت را در ماژول کوتاه‌مدت ساخت تا تأثیر عوامل مختلف را به دست آورد تا توصیه های POI بعدی را انجام دهید. در مقایسه با مدل زنجیره مارکوف، RNN و مدل‌های مختلف آن می‌توانند به طور موثر مشکل وابستگی طولانی‌مدت را کاهش دهند، اما مدل‌های آنها کاملاً به محاسبات سریال وابسته هستند و توانایی موازی ضعیف است.

در همین حال، ترانسفورماتور می تواند عملیات موازی را تحقق بخشد، اطلاعات جهانی را به دست آورد و به طور موثر مشکلات فوق را حل کند. بنابراین، محققان مکانیسم خودتوجهی را برای توصیه های متوالی اعمال کردند و به نتایج خوبی دست یافتند [ 23 ، 24 ]. به عنوان مثال، لیو و همکاران. [ 6 ] یک مدل GRU آگاه از طبقه بندی را بر اساس مکانیسم توجه به خود پیشنهاد کرد، که می تواند به طور انتخابی از مکانیسم توجه به خود برای تمرکز بر اطلاعات مسیر بررسی تاریخی مربوطه استفاده کند و سپس توصیه POI را انجام دهد. هوانگ و همکاران [ 25] یک مدل شبکه توجه عمیق مبتنی بر آگاهی اجتماعی را برای توصیه POI بعدی پیشنهاد کرد که از مکانیسم توجه به خود برای مدل‌سازی تأثیرات متوالی و اجتماعی به روشی یکپارچه استفاده کرد. لیم و همکاران [ 26 ] یک مدل کاوش- بهره برداری جدید پیشنهاد کرد که از راه رفتن های تصادفی به عنوان یک گزینه توجه به خود پنهان شده برای استفاده از ساختارهای نمودار ترجیحی مکانی-زمانی و یافتن همسایگان جدید POI مرتبه بالاتر در طول کاوش به عنوان POI های نامزد استفاده می کند. تحقیقات فوق نشان می‌دهد که استفاده از مکانیسم توجه به خود در Transformer برای توصیه‌های بعدی POI مؤثرتر از مدل‌های RNN سنتی است.

با این حال، اکثر روش‌های فوق فقط اطلاعات متوالی بین POIها را حفظ می‌کنند، یا مستقیماً فاصله زمانی یا فاصله زمانی بین POI‌های بازدید شده در فعالیت‌های اعلام حضور متوالی یا غیرمتوالی را روی یک مقدار تنظیم می‌کنند، بدون توجه به تأثیر نابرابر مکانی-زمانی. همبستگی فاصله ای بین POIهای متناظر در انتخاب POI بعدی توسط کاربران، و فقدان تحلیل همبستگی تأثیر فاصله زمانی نابرابر زمانی بین هر دو POI بر بازه مکانی. در تحقیق خود، ما رگرسیون خطی را برای تجزیه و تحلیل اثر همبستگی فاصله زمانی نابرابر زمانی بین هر دو POI در بازه مکانی اتخاذ می‌کنیم و تأثیر همبستگی فاصله زمانی نابرابر مکانی را بر انتخاب POI بعدی با مکانیسم توجه به خود می‌آموزیم. ،

2.2. توصیه POI بعدی بر اساس زمینه مکانی-زمانی

در LBSNها، زمینه مکانی-زمانی در توالی‌های ورود کاربران می‌تواند اولویت‌های بازدید کاربران را به دقت توصیف کند، بنابراین توجه گسترده محققان را به خود جلب می‌کند. برای مثال، دینگ و همکاران. [ 27 ] از ویژگی‌های ترتیب زمانی و مکانی ورود کاربران برای مدل‌سازی تنظیمات برگزیده ویژگی‌های زمانی کاربران، تقسیم مهرهای زمانی ورود کاربران به دوره‌های زمانی، و شبیه‌سازی تنظیمات ترجیحی کاربران برای POI در یک دوره زمانی خاص، استفاده کرد، اما مدل نادیده گرفته شد. تاثیر ترجیحات بلند مدت کاربران بنابراین، دوان و همکاران. [ 28] یک مدل RNN کوتاه‌مدت عمیق با مکانیزم توجه حافظه پیشنهاد کرد، که ویژگی‌های توالی و ویژگی‌های مکانی-زمانی را در نمایش یادگیری خود ثبت کرد و سپس ترجیحات کاربران را برای POI بعدی مدل‌سازی کرد. ژائو و همکاران [ 29 ] شبکه‌های دروازه‌دار مکانی-زمانی را برای مدل‌سازی الگوهای متوالی شخصی‌شده ترجیحات بلندمدت و کوتاه‌مدت کاربران برای توصیه‌های POI بعدی پیشنهاد کرد. با توجه به اینکه همه فعالیت‌های ثبت‌نام تاریخی کاربران تأثیر یکسانی بر رفتار ورود در لحظه بعد ندارند، هوانگ و همکاران. [ 30] یک شبکه حافظه بلند مدت و کوتاه مدت مکانی-زمانی برای مدل سازی اطلاعات زمینه مکانی-زمانی پیشنهاد کرد و آن را با مدل LSTM بر اساس مکانیسم توجه ترکیب کرد تا به طور انتخابی از زمینه مکانی-زمانی استفاده کند تا توصیه های بعدی POI انجام شود.

علاوه بر این، برخی از مطالعات، اطلاعات زمینه مکانی-زمانی را با اطلاعات اجتماعی کاربران برای توصیه POI بعدی ترکیب کرده‌اند. به عنوان مثال، دوطلب و همکاران. [ 31 ] یک مدل فاکتورسازی ماتریس احتمال اجتماعی فضایی-زمانی پیشنهاد کرد که از شباهت POI و شباهت کاربران، عوامل تأثیر اجتماعی یکپارچه، عوامل تأثیر فضایی و عوامل تأثیر طبقه POI در مدل‌سازی شباهت استفاده می‌کرد و از مدل‌سازی شباهت برای به دست آوردن POIهای ترجیحی کاربران استفاده می‌کرد. دای و همکاران [ 32] اطلاعات اجتماعی را بر اساس تأثیر مکانی-زمانی توالی‌های ثبت‌نام تاریخی کاربران، و الگوهای متوالی شخصی‌سازی‌شده کاربران را از طریق جاسازی مشترک و شبکه عصبی مکانی-زمانی مبتنی بر LSTM یکپارچه کرد، بنابراین POI‌های شخصی‌سازی شده را برای کاربران توصیه کرد. علاوه بر این، محققان همچنین از زمینه مکانی و زمانی برای کاهش پراکندگی بالای داده‌های ورود کاربران استفاده کردند. به عنوان مثال، Xi و همکاران. [ 33 ] یک مدل Bi-STDDP پیشنهاد کرد که می‌تواند وابستگی‌های مکانی-زمانی دوطرفه و اولویت‌های پویا کاربران را برای شناسایی مکان‌های گمشده ورود که کاربران در یک زمان خاص از آنها بازدید کرده‌اند، ادغام کند. ما و همکاران [ 34] از شبکه عصبی LSTM و برآورد چگالی هسته برای مدل‌سازی ترجیحات بازدید کاربران، یکپارچه‌سازی اطلاعات بافت مکانی-زمانی، اطلاعات مکان‌ها و عوامل دسته‌بندی استفاده کرد و POI‌های بعدی را به کاربران توصیه کرد.

روش های ذکر شده در بالا، اطلاعات زمینه مربوط به کاربر را از ابعاد مختلف تجزیه و تحلیل می کنند و عملکرد توصیه را تا حدی بهبود می بخشند. با این حال، تحقیق فوق فاقد استخراج عمیق اطلاعات مکانی-زمانی بین هر دو POI از توالی های ورود کاربران است و تأثیر اطلاعات بازه نابرابر مکانی-زمانی و همبستگی فاصله زمانی نابرابر مکانی-زمانی بین هر دو را نادیده می گیرد. POI در انتخاب کاربر POI بعدی. در مقابل، کار ما اطلاعات همبستگی بازه نابرابر مکانی-زمانی را به عنوان رابطه بین هر دو POI در نظر می‌گیرد و یک مدل شبکه توجه خود آگاه از همبستگی فضایی-زمانی طراحی می‌کند که می‌تواند اطلاعات POI، نابرابر مکانی-زمانی را با هم ترکیب کند. اطلاعات همبستگی فاصله بین POI،

3. مقدمات و تجزیه و تحلیل داده ها

در این بخش، ابتدا فرمولی از وظیفه پیشنهادی POI بعدی خود ارائه می کنیم و نمادهای کلیدی مورد استفاده در این مقاله را در جدول 1 فهرست می کنیم و سپس ویژگی های مجموعه داده ها را تجزیه و تحلیل می کنیم.

3.1. مقدماتی

در این بخش به تعاریف برخی از اصطلاحات می پردازیم. فرض کن که

U = \{u_{1}, u_{2}, \dots, u_{|U|}\}

نشان دهنده مجموعه کاربران و

L = \{l_{1}, l_{2}, \dots, l_{|L|}\}

نشان دهنده مجموعه POI، جایی است که

|U|

تعداد کل کاربران است و

|L|

تعداد کل POI هایی است که همه کاربران بازدید کرده اند.

تعریف 1.

POI. در LBSN ها، POI مکان های مکانی خاصی را نشان می دهد که حاوی اطلاعات جغرافیایی در زندگی واقعی است، مانند رستوران، مغازه، کافه و غیره.

تعریف 2.

فعالیت ثبت نام برای یک فعالیت ثبت نام

r_{e}

کاربر

u_{i}

، ما آن را به عنوان یک سه گانه نشان می دهیم:

r_{e} = (l_{e}, t_{e}, g_{e})

، که به معنای آن کاربر است

u_{i}

از POI بازدید کرده است

l_{e}

در زمان

t_{e}

، در حالی که

g_{e} = (l o n_{e}, l a t_{e})

طول و عرض جغرافیایی را نشان می دهد

l_{e}

تعریف 3.

مسیر تاریخی ورود سیر تاریخی ورود کاربر

u_{i}

توسط

t r a (u_{i}) = \{r_{1}, r_{2}, \dots, r_{m}\}

، و m تعداد فعالیت های ورود به سیستم است

t r a (u_{i})

تعریف 4.

ترتیب ورود ما مسیر تاریخچه ورود کاربر را تنظیم کردیم

t r a (u_{i}) = \{r_{1}, r_{2}, \dots, r_{m}\}

به یک دنباله چک در طول ثابت

s e q (u_{i}) = \{r_{1}, r_{2}, \dots, r_{n}\}

، که در آن n نشان دهنده حداکثر طول دنباله است.

تعریف 5.

توالی زمانی و توالی مکانی. با توجه به ترتیب ورود کاربر

s e q (u_{i}) = \{r_{1}, r_{2}, \dots, r_{n}\}

، دنباله زمانی مربوطه

t (u_{i}) = \{t_{1}, t_{2}, \dots, t_{n}\}

و توالی فضایی

g (u_{i}) = \{g_{1}, g_{2}, \dots, g_{n}\}

تولید می شوند.

تعریف 6.

وظیفه توصیه بعدی POI از همبستگی فاصله زمانی نابرابر فضایی-زمانی. با توجه به ترتیب ورود کاربر

s e q (u_{i}) = \{r_{1}, r_{2}, \dots, r_{n}\} \in t r a (u_{i})

، هدف از توصیه بعدی POI پیش بینی محتمل ترین POI های آن کاربر است

u_{i}

در یک زمان مشخص بازدید خواهد کرد.

3.2. تجزیه و تحلیل اولیه

هنگام مدل‌سازی اولویت بازدید کاربر برای توصیه POI آگاه از همبستگی فاصله زمانی نابرابر، ما دو عامل مهم را در نظر می‌گیریم: اطلاعات بازه نابرابر مکانی-زمانی و همبستگی فاصله زمانی نابرابر مکانی بین هر دو POI. به خوبی تشخیص داده شده است که فاصله زمانی-مکانی بین POI ها نابرابر است، بنابراین در اینجا ما بر تجزیه و تحلیل عامل همبستگی در دو مجموعه داده عمومی LBSN، به عنوان مثال، Foursquare و Gowalla تمرکز می کنیم.

نتایج مشاهده شده از شکل 2 و شکل 3 نشان می دهد که عامل همبستگی که در نظر گرفتیم تأثیر خاصی بر انتخاب کاربران برای POI بعدی دارد. توجه داشته باشید که در اینجا، ما عمدتاً تجزیه و تحلیل بین POI ها را در فعالیت های متوالی بررسی نشان می دهیم. تجزیه و تحلیل در فعالیت های غیر متوالی ورود مشابه است، بنابراین به دلیل محدودیت فضا، تجزیه و تحلیل بیشتری ارائه نمی کنیم.

به طور خاص، همانطور که در شکل 2 نشان داده شده است ، با تجزیه و تحلیل داده های ورود کاربران از Foursquare ( شکل 2 a) و Gowalla ( شکل 2 ب)، متوجه می شویم که کاربران تمایل دارند از POI با فواصل مکانی نسبتاً کوچک (مانند نزدیک دفتر) بازدید کنند. یا خانه) به دلیل زمان آزاد محدود در روزهای هفته، در حالی که ممکن است به دلیل وقت آزاد فراوان، ترجیح دهند از POI با فواصل مکانی نسبتاً زیاد در تعطیلات آخر هفته بازدید کنند. برای مشخص بودن، شکل 2(1) آمار مربوط به فواصل مکانی بین POIها را در روزهای هفته دو مجموعه داده نشان می دهد. مشاهده می شود که اکثر کاربران از دو مجموعه داده (61.95٪، 57.61٪) فاصله مکانی بیش از 25 کیلومتر بین POI ها ندارند. در میان آنها، 32.71٪ و 36.98٪ از کاربران از POI ها در فاصله 5 کیلومتری بازدید می کنند، که نشان می دهد فاصله زمانی بین کاربرانی که در روزهای هفته از POI بازدید می کنند نسبتاً کم است. به طور مشابه، شکل 2 (2) آمار مربوط به فاصله زمانی بین POI ها را در آخر هفته نشان می دهد. می بینیم که اکثر کاربران از دو مجموعه داده (61.14٪، 60.53٪) فاصله فضایی بیش از 25 کیلومتر بین POI دارند. در میان آنها، 43.22٪ و 56.38٪ از کاربران از POI های بیش از 25 کیلومتر بازدید می کنند، که نشان می دهد کاربران بیشتر در تعطیلات آخر هفته از POI هایی با فواصل فضایی نسبتاً بزرگ بازدید می کنند. علاوه بر این، شکل 2(3) نتایج آماری مقایسه فاصله فضایی بین POI در روزهای هفته و آخر هفته را نشان می دهد. مشاهده می شود که بیش از 59 درصد از کاربران از دو مجموعه داده در تعطیلات آخر هفته با فاصله زمانی بیشتری نسبت به روزهای هفته از POI بازدید می کنند. بنابراین، ما در نظر گرفتیم که فاصله زمانی بین POI ها تأثیر خاصی بر فاصله زمانی انتخاب کاربران POI بعدی دارد.

ما به طور کیفی همبستگی فاصله زمانی نابرابر فضایی بین POI ها را از Foursquare تجزیه و تحلیل می کنیم. ما با محاسبه ضریب همبستگی پیرسون، همبستگی فاصله زمانی و فاصله مکانی بین POI ها را اندازه گیری می کنیم. شکل 3(1)-(4) نتایج چهار کاربر را که به طور تصادفی از Foursquare انتخاب شده اند نشان می دهد. همانطور که انتظار می رود، فاصله زمانی و فاصله زمانی بین POI ها تقریباً همبستگی مثبت دارند. به عبارت دیگر، زمانی که فاصله زمانی بین بازدید کاربر از POI کم باشد، فاصله زمانی بین POI ها نیز نسبتاً کوچک است و بالعکس. یعنی فاصله زمانی کاربران برای انتخاب POI بعدی با بازه زمانی محدود می شود. بنابراین، فاصله زمانی- مکانی بین POI ها همبستگی خاصی دارد و چنین همبستگی تأثیر خاصی بر انتخاب کاربر از POI بعدی دارد. این نتایج نشان می‌دهد که همبستگی بازه زمانی مکانی بین POI نقش مهمی در گرفتن ترجیحات همبستگی بازه زمانی مکانی شخصی کاربران دارد.

4. روش پیشنهادی

در این بخش، معماری کلی STUIC-SAN را توضیح می دهیم (توجه داشته باشید که فاصله زمانی و فاصله زمانی در مدل ما به طور پیش فرض نابرابر هستند). همانطور که در شکل 4 نشان داده شده استمدل STUIC-SAN عمدتاً از چهار ماژول تشکیل شده است: (1) لایه مدل‌سازی ترجیحی، که برای ساخت ماتریس‌های بازه نابرابر مکانی-زمانی کاربران با توجه به اطلاعات همبستگی فاصله زمانی بین هر دو POI از ورود کاربران استفاده می‌شود. دنباله هایی به گونه ای که به طور جامع تنظیمات همبستگی بازه زمانی- مکانی شخصی سازی شده توسط کاربران را مدل سازی کند. (2) لایه تعبیه ترجیحی، که برای یادگیری بازنمایی متراکم اطلاعات POI، اطلاعات همبستگی فاصله زمانی مکانی بین POIها، و اطلاعات موقعیتی مطلق POIهای متناظر در ترتیب ورود کاربر استفاده می شود. (3) مدل ترانسفورماتور، که POI های نسبتاً مهم را از ترتیب ورود کاربر جمع آوری می کند و وزن های مختلف را برای هر POI تنظیم می کند تا نمایش POI مربوطه را به روز کند.تی . سپس، POIهای نامزد بر اساس نمرات ترجیحی مربوطه مرتب می شوند و POI های با رتبه k برتر توصیه می شوند.

4.1. لایه مدلسازی اولویت همبستگی فاصله زمانی نابرابر فضایی-زمانی شخصی شده توسط کاربر

به دست آوردن دقیق اطلاعات همبستگی فاصله زمانی نابرابر مکانی بین POI برای توصیه POI بعدی حیاتی است. با در نظر گرفتن تأثیر اطلاعات همبستگی فاصله زمانی نابرابر فضایی بر رفتارهای ورود کاربران، ما اطلاعات همبستگی فاصله زمانی نابرابر زمانی بین هر دو POI را به عنوان رابطه بین POI مربوطه مدل می‌کنیم. بر این اساس، ماتریس های بازه نابرابر زمانی شخصی سازی شده کاربران بر اساس توالی های زمانی متناظر تولید شده توسط توالی های ورود کاربران ساخته می شوند. متعاقباً، کاربران بر اساس نتایج مقایسه میانگین فاصله زمانی بین POIها از هر ترتیب ورود کاربر، و میانگین فاصله زمانی بین POIها از توالی های ورود همه کاربران طبقه بندی می شوند. سپس، ما از رگرسیون خطی برای به دست آوردن همبستگی بازه‌ای نابرابر مکانی-زمانی انواع مختلف کاربران استفاده می‌کنیم و حداکثر فاصله مکانی هر کاربر را برای ساخت ماتریس بازه نابرابر فضایی شخصی‌شده کاربر مربوطه محاسبه می‌کنیم. در مرحله بعد، فرآیند به دست آوردن ماتریس های بازه نابرابر فضایی-زمانی شخصی شده کاربران را با جزئیات شرح می دهیم.

4.1.1. ساخت ماتریس های بازه نابرابر زمانی شخصی سازی شده توسط کاربران

این بخش فرعی عمدتاً برای ساخت ماتریس‌های بازه زمانی نابرابر زمانی شخصی‌شده کاربران بر اساس توالی‌های زمانی متناظر تولید شده از توالی‌های ورود کاربران استفاده می‌شود. برای هر ترتیب ورود کاربر، روش مشابه پیشنهاد شده در [ 15 ] را برای انجام پردازش یکسان در هر مهر زمانی از POI مربوطه اتخاذ می کنیم. یعنی فاصله زمانی بین هر دو POI را بر حداقل فاصله زمانی به جز 0 تقسیم می کنیم تا به نسبت مساوی آن را کاهش دهیم. در همین حال، با توجه به اینکه فاصله زمانی بین هر دو POI بسیار زیاد است، عملیات کلیپ در تمام فواصل زمانی پس از کاهش برای مدل‌سازی بهتر فاصله زمانی نابرابر زمانی شخصی‌شده بین POI انجام می‌شود.

به طور خاص، ما دنباله زمانی مربوطه را تولید می کنیم $t (u_{i}) = \{t_{1}, t_{2}, \dots, t_{n}\}$ با توجه به کاربر $u_{i}$ ترتیب ورود، و سپس محاسبه فاصله زمانی بین هر دو POI، که با نشان داده شده است $r_{i j}^{t_{u_{i}}} = ∥t_{i} - t_{j}∥$ ، و $r_{i j}^{t_{u_{i}}} \in R_{u_{i}}^{t}$ ، جایی که $R_{u_{i}}^{t}$ مجموعه ای از فواصل زمانی در ترتیب ورود کاربر را نشان می دهد $u_{i}$ ، و $r_{m i n}^{t_{u_{i}}} = M i n (R_{u_{i}}^{t})$ حداقل فاصله زمانی کاربر را نشان می دهد $u_{i}$ . سپس، هر عنصر در مجموعه $R_{u_{i}}^{t}$ با فرمول (1) به نسبت مساوی کوچک می شود.

r تی تو من من ج = ⌊ ∥ تی من - تی j ∥ r تی تو من m i n ⌋

(1)

بنابراین، ماتریس فاصله زمانی نابرابر شخصی شده است $Δ^{t_{u_{i}}} \in N^{n \times n}$ کاربر $u_{i}$ به صورت بیان می شود

Δ تی تو من = ⎡⎣⎢⎢⎢⎢ r تی تو من 11 ⋮ r تی تو من n 1 \dots ⋱ \dots r تی تو من 1 n ⋮ r تی تو من n n ⎤⎦⎥⎥⎥⎥

(2)

توجه داشته باشید که عناصر روی مورب اصلی در ماتریس

Δ^{t_{u_{i}}}

همه 0 هستند.

همانطور که در بالا ذکر شد، این مورد را در نظر می گیریم که فاصله زمانی بین هر دو POI بسیار زیاد است. بنابراین، ما حداکثر آستانه را تعیین می کنیم

k^{t}

برای ماتریس

Δ^{t_{u_{i}}}

، و هر عنصر در ماتریس را تنظیم کنید

r_{i j}^{t_{u_{i}}} = M i n (k^{t}, r_{i j}^{t_{u_{i}}})

. بنابراین، ماتریس

Δ^{t_{u_{i}}}

بیشتر به صورت بیان می شود

Δ_{c l i p p e d}^{t_{u_{i}}} = c l i p (Δ^{t_{u_{i}}})

، در حالی که

c l i p (\cdot)

نشان می دهد که هر عنصر در ماتریس با توجه به حداکثر آستانه مربوطه بریده شده است

k^{t}

4.1.2. ساخت ماتریس های بازه نابرابر فضایی شخصی سازی شده توسط کاربران

کار اصلی این بخش، به دست آوردن ماتریس‌های بازه‌ای نابرابر فضایی شخصی‌شده کاربران با توجه به همبستگی بازه زمانی مکانی بین هر دو POI است. با توجه به همبستگی بین فواصل زمانی و مکانی POI نشان داده شده در شکل 2 و شکل 3، ما در نظر می گیریم که فاصله زمانی بین کاربرانی که از POI بازدید می کنند تحت تأثیر بازه زمانی مربوطه قرار می گیرد. بنابراین، ما کاربران را بر اساس میانگین فاصله زمانی بین POIها از هر ترتیب ورود کاربر و میانگین فاصله زمانی بین POIها از توالی های ورود کاربران، طبقه بندی می کنیم و از رگرسیون خطی برای به دست آوردن همبستگی فاصله زمانی- مکانی از انواع مختلف استفاده می کنیم. از کاربران سپس، حداکثر فاصله مکانی هر کاربر را به عنوان حداکثر فاصله مکانی در ماتریس بازه نابرابر فضایی شخصی سازی شده توسط کاربر مربوطه محاسبه می کنیم. بر این اساس، ماتریس های بازه نابرابر فضایی شخصی سازی شده کاربران ساخته می شوند.

به طور خاص، دنباله فضایی مربوطه را به دست می آوریم $g (u_{i}) = \{g_{1}, g_{2}, \dots, g_{n}\}$ تولید شده از کاربر $u_{i}$ ترتیب ورود، و سپس محاسبه فاصله مکانی بین هر دو POI، که با نشان داده شده است $r_{i j}^{s_{u_{i}}} = H a v e r s i n e (G P S_{i}, G P S_{j})$ ، و $r_{i j}^{s_{u_{i}}} \in R_{u_{i}}^{s}$ ، جایی که $R_{u_{i}}^{s}$ مجموعه ای از فواصل مکانی در ترتیب ورود کاربر را نشان می دهد $u_{i}$ . بنابراین، ماتریس فاصله نابرابر فضایی شخصی شده است $Δ^{s_{u_{i}}} \in N^{n \times n}$ کاربر $u_{i}$ به صورت بیان می شود

Δ س تو من = ⎡⎣⎢⎢⎢ r س تو من 11 ⋮ r س تو من n 1 \dots ⋱ \dots r س تو من 1 n ⋮ r س تو من n n ⎤⎦⎥⎥⎥

(3)

در مرحله بعد، کاربران را بر اساس میانگین فاصله زمانی بین POIها از هر ترتیب ورود کاربر و میانگین فاصله زمانی بین POIها از توالی های ورود همه کاربران طبقه بندی می کنیم. در میان آنها، میانگین فاصله زمانی هر کاربر با نشان داده می شود $r_{m e a n}^{t_{u_{i}}} = M e a n (R_{u_{i}}^{t})$ ، و میانگین فاصله زمانی همه کاربران با نشان داده می شود $r_{m e a n}^{t} = M e a n (\sum_{i = 1}^{U} R_{u_{i}}^{t})$ . سپس، میانگین فاصله زمانی کاربر را با هم مقایسه می کنیم $u_{i}$ با میانگین فاصله زمانی همه کاربران برای طبقه بندی کاربران. علاوه بر این، تعداد کاربران را در زمان شمارش می کنیم $r_{m e a n}^{t_{u_{i}}} > r_{m e a n}^{t}$ ، $r_{m e a n}^{t_{u_{i}}} = r_{m e a n}^{t}$ ، $r_{m e a n}^{t_{u_{i}}} < r_{m e a n}^{t}$ به ترتیب، و متوجه شوید که تقریباً هیچ کاربری با آن وجود ندارد $r_{m e a n}^{t_{u_{i}}} = r_{m e a n}^{t}$ از دو مجموعه داده بنابراین، با توجه به نتایج مقایسه مربوطه، کاربران به دو دسته تقسیم می شوند که در فرمول (4) نشان داده شده است.

{آر تی تو من ∣∣ آر تی تو من \in اس تی s m a l l آر س تو من ∣∣ آر س تو من \in اس س s m a l l r تی تو من m e a n < r تی m e a n ⎧⎩⎨ آر تی تو من ∣∣ آر تی تو من \in اس تی l arg e آر س تو من ∣∣ آر س تو من \in اس س l arg e r تی تو من m e a n > r تی m e a n

(4)

جایی که $S_{s m a l l}^{t}$ و $S_{s m a l l}^{s}$ نشان دهنده مجموعه های بازه زمانی و فاصله زمانی کاربران با $r_{m e a n}^{t_{u_{i}}} < r_{m e a n}^{t}$ ، به ترتیب. متقابلا، $S_{l a r g e}^{t}$ و $S_{l a r g e}^{s}$ مجموعه ای از بازه زمانی و فاصله زمانی کاربران را با $r_{m e a n}^{t_{u_{i}}} > r_{m e a n}^{t}$ ، به ترتیب.

بر اساس طبقه بندی فوق از کاربران، ما از روش رگرسیون خطی [ 35 ] برای به دست آوردن همبستگی بازه زمانی مکانی بین هر دو POI از توالی های ورود مربوط به دو نوع کاربر استفاده می کنیم و از فرمول (5) برای بهینه سازی استفاده می کنیم. هدف اصلی

(w * ، ب *) = ارگ دقیقه (w, b) \sum i = 1 j (w * اس تی من + b - اس س من) 2

(5)

که در آن j تعداد عناصر مجموعه را نشان می دهد $S^{t}$ یا $S^{s}$ . $S_{i}^{t} \in S^{t}$ یک عنصر در مجموعه بازه زمانی یک دسته از کاربران را نشان می دهد. به همین ترتیب، $S_{i}^{s} \in S^{s}$ عنصری را در مجموعه بازه های مکانی دسته ای از کاربران نشان می دهد. w و b به ترتیب نشان دهنده شیب و قطع در معادله رگرسیون خطی هستند. همانطور که در فرمول های (6) و (7) نشان داده شده است، برای حل مدل از خطای میانگین مربعات کوچک سازی استفاده می کنیم.

w = \sum j i = 1 اس س من ( اس تی من - اس تی ¯¯¯¯ ) \sum j i = 1 اس تی 2 من - 1 j ( \sum j i = 1 اس تی 2 من ) 2

(6)

b = 1 j \sum i = 1 j (S s i - w S t i)

(7)

جایی که $\bar{S^{t}}$ نشان دهنده میانگین فواصل زمانی در مجموعه است $S^{t}$ .

برای هر نوع کاربر، مقادیر مربوط به w , b را به دست می آوریم که با نشان داده شده است $w_{s m a l l}$ ، $b_{s m a l l}$ ، $w_{l a r g e}$ ، $b_{l a r g e}$ ، به ترتیب. با در نظر گرفتن تفاوت ترجیحات بازه زمانی کاربران برای بازدید از POI، ما بیشتر حداکثر فاصله زمانی مربوط به هر کاربر را با توجه به حداکثر فاصله زمانی هر کاربر، همانطور که در فرمول (8) نشان داده شده است، به روشی دقیق تر محاسبه می کنیم.

⎧⎩⎨⎪⎪ R e g (k s s m a l l) = w s m a l l r t u i m a x + b s m a l l, r t u i m e a n < r t m e a n R e g (k s l a r g e) = w l a r g e r t u i m a x + b l a r g e, r t u i m e a n > r t m e a n

(8)

جایی که $R e g (\cdot)$ عملیات رگرسیون خطی را نشان می دهد، $k_{s m a l l}^{s}$ حداکثر فاصله مکانی ماتریس را نشان می دهد $Δ^{s_{u_{i}}}$ از هر کاربر با $r_{m e a n}^{t_{u_{i}}} < r_{m e a n}^{t}$ ; $k_{l a r g e}^{s}$ حداکثر فاصله مکانی ماتریس را نشان می دهد $Δ^{s_{u_{i}}}$ از هر کاربر با $r_{m e a n}^{t_{u_{i}}} > r_{m e a n}^{t}$ ; و $r_{m a x}^{t_{u_{i}}} = M a x (R_{u_{i}}^{t})$ نشان دهنده حداکثر فاصله زمانی بین هر دو POI از ترتیب ورود کاربر است $u_{i}$ . پس از آن، هر عنصر در ماتریس $Δ^{s_{u_{i}}}$ به عنوان مشخص می شود $r_{i j}^{s_{u_{i}}} = M i n (k^{s}, r_{i j}^{s_{u_{i}}})$ . بنابراین، ماتریس بازه نابرابر فضایی شخصی شده کاربر $u_{i}$ بیشتر به عنوان نشان داده شده است $Δ_{c l i p p e d}^{s_{u_{i}}} = c l i p (Δ^{s_{u_{i}}})$ .

4.2. ترجیح همبستگی بازه نابرابر فضایی-زمانی ذوب لایه جاسازی

لایه جاسازی برای رمزگذاری اطلاعات POI، اطلاعات همبستگی فاصله زمانی مکانی بین POI و اطلاعات موقعیتی مطلق POIهای متناظر در هر دنباله ورود کاربر به عنوان نمایش های پنهان استفاده می شود. ابتدا یک ماتریس تعبیه شده ایجاد می کنیم $M^{L} \in R^{|L| \times d}$ برای POI، که در آن $|L|$ تعداد POI و d نشان دهنده بعد پنهان است. سپس، برای سیر تاریخی ورود کاربر $u_{i}$ ، ما از یک بردار صفر ثابت به عنوان جاسازی برای اقلام بالشتک استفاده می کنیم و مسیر ورود کاربر را به اولین n فعالیت ثبت نام قطع می کنیم یا آن را تکمیل می کنیم. در مورد POI از اولین n فعالیت ورود، عملیات جستجوی embedding n جاسازی POI قبلی را بازیابی می کند و آنها را روی هم می چیند تا یک ماتریس جاسازی ایجاد کند. $E^{L} \in R^{n \times d}$ همانطور که در فرمول (9) نشان داده شده است.

E L = ⎡⎣⎢⎢⎢⎢ I 1 I 2 ⋮ I n ⎤⎦⎥⎥⎥⎥

(9)

جایی که $I_{i} \in R^{d}$ نشان دهنده نمایش تعبیه شده POI بازدید شده در فعالیت ورود i-امین از ترتیب ورود کاربر است.

از آنجایی که مکانیسم توجه به خود نمی تواند مستقیماً موقعیت POI را از ترتیب ورود کاربر به دست آورد، ما از دو ماتریس جاسازی موقعیتی قابل یادگیری مختلف استفاده می کنیم. $M_{K}^{P} \in R^{n \times d}$ و $M_{V}^{P} \in R^{n \times d}$ که به ترتیب کلیدها و مقادیر را در مکانیسم توجه به خود نشان می دهند. این روش برای مکانیسم توجه به خود بدون نیاز به تبدیل های خطی اضافی مناسب تر است [ 7 ]. پس از عملیات بازیابی، ماتریس های تعبیه موقعیتی مطلق را به دست می آوریم $E_{K}^{P} \in R^{n \times d}$ ، $E_{V}^{P} \in R^{n \times d}$ از ترتیب ورود کاربر، همانطور که در فرمول (10) نشان داده شده است.

E P K = ⎡⎣⎢⎢⎢⎢⎢ p K 1 p K 2 ⋮ p K n ⎤⎦⎥⎥⎥⎥⎥ E P V = ⎡⎣⎢⎢⎢⎢⎢ p V 1 p V 2 ⋮ p V n ⎤⎦⎥⎥⎥⎥⎥

(10)

مشابه تعبیه موقعیت مطلق، ما همان عملیات را برای تعبیه فاصله زمانی و تعبیه فاصله زمانی انجام می دهیم. به طور خاص، ما از فناوری جاسازی کلمه برای رمزگذاری فواصل زمانی و ایجاد دو ماتریس تعبیه بازه زمانی استفاده می کنیم. $M_{K}^{T} \in R^{k^{t} \times d}$ ، $M_{V}^{T} \in R^{k^{t} \times d}$ . به طور مشابه، ماتریس های تعبیه فاصله فضایی را به دست می آوریم $M_{K}^{S} \in R^{k^{s} \times d}$ ، $M_{V}^{S} \in R^{k^{s} \times d}$ . سپس، پس از بازیابی ماتریس بازه زمانی بریده شده $Δ_{c l i p p e d}^{t_{u_{i}}}$ و ماتریس فاصله مکانی $Δ_{c l i p p e d}^{s_{u_{i}}}$ ، ماتریس های تعبیه بازه زمانی متناظر را به دست می آوریم $E_{K}^{T} \in R^{n \times n \times d}$ ، $E_{V}^{T} \in R^{n \times n \times d}$ و همچنین ماتریس های تعبیه فاصله فضایی $E_{K}^{S} \in R^{n \times n \times d}$ ، $E_{V}^{S} \in R^{n \times n \times d}$ از ترتیب ورود کاربر، همانطور که در فرمول های (11) و (12) نشان داده شده است.

E T K = ⎡⎣⎢⎢⎢ r t K 11 ⋮ r t K n 1 \dots ⋱ \dots r t K 1 n ⋮ r t K n n ⎤⎦⎥⎥⎥ E T V = ⎡⎣⎢⎢⎢ r t V 11 ⋮ r t V n 1 \dots ⋱ \dots r t V 1 n ⋮ r t V n n ⎤⎦⎥⎥⎥

(11)

E S K = ⎡⎣⎢⎢⎢ r s K 11 ⋮ r s K n 1 \dots ⋱ \dots r s K 1 n ⋮ r s K n n ⎤⎦⎥⎥⎥ E S V = ⎡⎣⎢⎢⎢ r s V 11 ⋮ r s V n 1 \dots ⋱ \dots r s V 1 n ⋮ r s V n n ⎤⎦⎥⎥⎥

(12)

4.3. مدل ترانسفورماتور همبستگی آگاه فضایی-زمانی نابرابر

در این بخش، مدل ترانسفورماتور آگاه از همبستگی فاصله زمانی نابرابر فضایی-زمانی را توضیح می دهیم. اطلاعات POI، اطلاعات همبستگی بازه زمانی مکانی بین POI، و اطلاعات موقعیتی مطلق POIهای متناظر در هر ترتیب ورود کاربر را به عنوان ویژگی همبستگی بین هر دو POI در نظر می گیرد. ادغام ویژگی و به روز رسانی POI از هر ترتیب ورود کاربر از طریق شبکه خودتوجهی آگاه از همبستگی فاصله زمانی نابرابر مکانی-زمانی و از طریق شبکه فید فوروارد نقطه‌ای، افزودن یک لایه کاملاً متصل برای بهبود انجام می‌شود. توانایی تعمیم مدل

4.3.1. همبستگی فضایی-زمانی نابرابر شبکه خودآگاهی

با الهام از مکانیسم توجه به خود، ما یک مدل توسعه یافته از مکانیسم توجه خود را پیشنهاد می کنیم. این مدل فاصله زمانی- مکانی بین هر دو POI را به عنوان رابطه بین POIهای مربوطه در نظر می گیرد. خروجی هر مرحله از مدل می تواند POI های مربوط به مرحله فعلی را جمع آوری کند و به طور تطبیقی وزن های مختلفی به هر POI بدهد تا نمایش هر POI به روز شود.

به طور خاص، با توجه به ماتریس جاسازی POI $E^{L} = (I_{1}, I_{2}, \dots, I_{n})$ ، جایی که $I_{i} \in R^{d}$ ، پس از شبکه توجه به خود، یک دنباله جدید را خروجی می دهد $NS = (n s_{1}, n s_{2}, \dots, n s_{n})$ ، جایی که $n s_{i} \in R^{d}$ ، برای اطمینان از اینکه هر عنصر در دنباله جدید نه تنها حاوی اطلاعات خاص خود است، بلکه تأثیر سایر POIهای ترتیب ورود کاربر بر مرحله فعلی را نیز در نظر می گیرد. مورد من _ $n s_{i}$ توالی خروجی به عنوان مجموع وزنی از جاسازی POIهای تبدیل شده خطی، تعبیه فاصله زمانی، و جاسازی فاصله زمانی بین POIها، و همچنین جاسازی موقعیتی مطلق POIهای متناظر در دنباله ورود کاربر همانطور که در فرمول نشان داده شده است، محاسبه می شود. 13).

n س من = \sum j = 1 n آ من ج (من j دبلیو V + r تی V من ج + r س V من ج + پ V j)

(13)

که در آن n حداکثر طول دنباله وارد شده را نشان می دهد، $I_{j}$ نشان دهنده تعبیه شدن است $PO I_{j}$ ، $W^{V}$ نشان دهنده ماتریس طرح ریزی مقادیر مربوطه در ماتریس تعبیه شده POI است. $r_{i j}^{t_{V}}$ و $r_{i j}^{s_{V}}$ به ترتیب تعبیه فاصله زمانی و تعبیه فاصله زمانی بین POI ها را نشان می دهد و $p_{j}^{V}$ نشان دهنده جاسازی موقعیتی مطلق POIهای متناظر در ترتیب ورود کاربر است. $a_{i j}$ نشان دهنده ضریب وزنی است که با تابع soft-max نشان داده شده در فرمول (14) محاسبه می شود.

آ من ج = انقضا ه من ج \sum n r = 1 انقضا ه من آر

(14)

جایی که $e_{i j}$ نشان دهنده امتیاز توجه است که با در نظر گرفتن جامع اطلاعات POI، اطلاعات بازه زمانی مکانی بین POIها و اطلاعات موقعیتی مطلق POIهای متناظر در ترتیب ورود کاربر در فرمول (15) محاسبه می شود.

ه من ج = من من دبلیو س ( من j دبلیو ک + r تی ک من ج + r س ک من ج + پ ک j ) تی د -\sqrt

(15)

جایی که $W^{Q} \in R^{d \times d}$ و $W^{K} \in R^{d \times d}$ ماتریس‌های طرح‌بندی پرس‌و‌جوها و کلیدهای مربوطه را به ترتیب در ماتریس‌های تعبیه‌کننده POI دنباله ورود کاربر نشان می‌دهد. عامل مقیاس $\frac{1}{\sqrt{d}}$ برای جلوگیری از زیاد بودن مقدار محصول داخلی است، که ممکن است باعث ناپدید شدن گرادیان پس از تابع soft-max شود.

4.3.2. شبکه فید فوروارد Point-Wise

همانطور که در بخش 4.3.1 توضیح داده شد ، شبکه خودتوجهی آگاه از همبستگی فاصله زمانی نابرابر از یک روش مبتنی بر ترکیب خطی برای ترکیب اطلاعات POI، اطلاعات بازه زمانی و اطلاعات بازه مکانی بین POIها و همچنین موقعیت مطلق استفاده می کند. اطلاعات POI مربوطه در ترتیب ورود کاربر. با الهام از ایده در [ 14 ]، ما دو تبدیل خطی را با ReLU به عنوان تابع فعال‌سازی پس از هر شبکه‌ی خودتوجهی آگاه از همبستگی فضایی-زمانی نابرابر اعمال می‌کنیم، در نتیجه مدل خود را غیرخطی می‌کنیم.

FFN (n س من) = م a x (0 ، n س من دبلیو 1 + ب 1) دبلیو 2 + ب 2

(16)

جایی که $W_{1}, W_{2} \in R^{d \times d}$ ماتریس های وزنی هستند و $b_{1}, b_{2} \in R^{d}$ اصطلاحات جانبداری هستند

پس از انباشته شدن شبکه های توجه به خود و شبکه های پیشخور، ممکن است مشکلاتی مانند برازش بیش از حد مدل، ناپدید شدن شیب ها و زمان آموزش بیش از حد رخ دهد. بنابراین، با الهام از مرجع [ 36 ]، ما نرمال سازی لایه، منظم سازی حذف و اتصالات باقیمانده را برای حل این مشکلات همانطور که در فرمول (17) نشان داده شده است، اتخاذ می کنیم.

ن اس من = n س من + D p (FFN (L N (ن س من))))

(17)

جایی که $L N (n s_{i})$ با فرمول (18) محاسبه می شود.

L N (ن س من) = α ⊙ n س من - μ σ 2 + ε —-\sqrt + β

(18)

که در آن ⊙ نشان دهنده محصول از نظر عنصر است. $α$ و $β$ به ترتیب ضریب مقیاس و اصطلاح سوگیری را نشان می دهند. $μ$ و $σ$ نشان دهنده میانگین و واریانس $n s_{i}$ ، به ترتیب، در حالی که $ε$ هنگامی که واریانس 0 است از محاسبات نامعتبر جلوگیری می کند.

4.4. توصیه POI بعدی

این بخش امتیازهای ترجیحی را محاسبه می‌کند که POI‌های بعدی ممکن است بر اساس نمایش‌های ترجیحی مربوطه بازدیدکننده از POI که توسط مدل ترانسفورماتور همبستگی آگاه با فاصله زمانی نابرابر فضایی-زمانی به دست آمده است، بازدید شوند. پس از انباشتن N بلوک های خودتوجهی، نمایش ترکیبی اطلاعات POI، اطلاعات فاصله زمانی مکانی بین POI و اطلاعات موقعیت مطلق POI مربوطه را در هر دنباله ورود کاربر به دست می آوریم. به منظور توصیه POI بعدی به یک کاربر، از فرمول (19) برای محاسبه امتیاز ترجیحی کاربر برای POI استفاده می کنیم. $l_{i}$ ، POIهای نامزد را بر اساس امتیازهای ترجیحی مربوطه مرتب کنید، سپس لیستی از POIها را با امتیازهای ترجیحی بالاتر به کاربر توصیه کنید.

s c o ل من ، تی = ن اس تی م L ل من

(19)

جایی که $N S_{t}$ نمایش ترکیبی از جاسازی POI بازدید شده در اولین بار t در ترتیب ورود کاربر، جاسازی فاصله زمانی- مکانی بین POI های ذکر شده در بالا و POI های بازدید شده در زمان t +1، و همچنین جاسازی موقعیتی مطلق مربوطه را نشان می دهد. ترتیب ورود $M_{l_{i}}^{L}$ تعبیه POI است $l_{i}$ .

4.5. بهینه سازی مدل

هدف از این بخش بهینه سازی مدل پیشنهادی ما است. با توجه به تاریخچه مسیر ورود کاربر $t r a (u_{i}) = \{r_{1}, r_{2}, \dots, r_{m}\}$ ، ما یک دنباله چک در طول ثابت ایجاد می کنیم $s e q (u_{i}) = \{r_{1}, r_{2}, \dots, r_{n}\}$ ، و بیشتر دنباله زمانی مربوطه را تولید کنید $t (u_{i}) = \{t_{1}, t_{2}, \dots, t_{n}\}$ و همچنین توالی فضایی $g (u_{i}) = \{g_{1}, g_{2}, \dots, g_{n}\}$ ، و تعریف کنید $l = \{l_{1}, l_{2}, \dots, l_{k}\}$ به عنوان خروجی مورد انتظار از مدل. از آنجایی که اطلاعات تعامل بین کاربران و POI ها داده های ضمنی است، ما نمی توانیم به طور مستقیم امتیازات ترجیحی POI های نامزد را بهینه کنیم. علاوه بر این، خروجی مدل ما لیستی از POI های رتبه بندی شده است. بنابراین، ما یک روش نمونه گیری منفی را برای بهینه سازی رتبه بندی POI های نامزد اتخاذ می کنیم. به طور خاص، برای هر خروجی مثبت مورد انتظار $l_{i}$ ، یک نمونه منفی $l_{i}^{'} \notin s e q (u_{i})$ به طور تصادفی انتخاب شده و برای ایجاد یک جفت اولویت گرفته می شود $T S = \{(s e q (u_{i}), t (u_{i}), g (u_{i}), l_{i}, l_{i}^{'})\}$ . ما کسر خروجی مدل را از طریق تابع soft-max نرمال می کنیم و از آنتروپی متقاطع باینری به عنوان تابع ضرر در فرمول (20) استفاده می کنیم.

- \sum s e q (u i) \sum t \in [1, \dots n] [l o g (σ (s c o l i, t)) + l o g (1 - σ (s c o l' i, t))] + λ ∥ Θ ∥ 2 F

(20)

جایی که $Θ = \{M^{L}, M_{K}^{P}, M_{V}^{P}, M_{K}^{T}, M_{V}^{T}, M_{K}^{S}, M_{V}^{S}\}$ مجموعه ای از ماتریس های تعبیه شده است، ${∥\cdot∥}_{F}$ نشان دهنده هنجار فروبنیوس است و $λ$ پارامتر منظم سازی است.

سپس از بهینه ساز Adam [ 37 ] برای بهینه سازی مدل خود استفاده می کنیم. از آنجایی که هر نمونه آموزشی

T S = \{(s e q (u_{i}), t (u_{i}), g (u_{i}), l_{i}, l_{i}^{'})\}

می تواند به طور مستقل ساخته شود، ما از مینی دسته SGD برای بهبود کارایی آموزش استفاده می کنیم.

5. آزمایشات

در این بخش، آزمایش‌هایی را برای ارزیابی اثربخشی مدل پیشنهادی STUIC-SAN بر روی دو مجموعه داده دنیای واقعی با تلاش برای پاسخ به چهار سؤال تحقیقاتی زیر انجام می‌دهیم.

RQ1. آیا رویکرد ما از روش‌های موجود در کار توصیه بعدی POI بهتر عمل می‌کند؟

RQ2. آیا اطلاعات بازه زمانی شخصی سازی شده و همبستگی فاصله زمانی مکانی بر عملکرد توصیه مدل تأثیر می گذارد؟

RQ3. پارامترهای مدل، مانند بعد پنهان، حداکثر طول توالی، حداکثر فاصله زمانی و حداکثر فاصله مکانی، چگونه بر عملکرد توصیه تأثیر می‌گذارند؟

RQ4. تاثیر پردازش همبستگی بازه زمانی مختلف بر عملکرد توصیه چیست؟

5.1. راه اندازی آزمایشی

5.1.1. جمع آوری و پیش پردازش داده ها

ما مدل پیشنهادی را بر روی دو مجموعه داده LBSN در دسترس عموم [ 38 ]، Foursquare و Gowalla، به ترتیب با تراکم 0.13% و 0.22% ارزیابی کردیم. مجموعه داده Foursquare شامل داده‌های ورود کاربران از آوریل 2012 تا سپتامبر 2013 است. در حالی که مجموعه داده Gowalla شامل داده‌های ورود کاربران از فوریه 2009 تا اکتبر 2010 است. هر فعالیت ورود به هر کاربر از هر دو مجموعه داده، پنج تایی است. متشکل از شناسه کاربر، شناسه POI، و طول و عرض جغرافیایی POI، و همچنین مُهر زمانی بازدید مربوطه.

برای دو مجموعه داده، ابتدا کاربران غیرفعالی را که کمتر از 5 POI را بررسی کرده‌اند، حذف می‌کنیم و POIهای شروع سردی که کمتر از 5 کاربر بازدید کرده‌اند را حذف می‌کنیم، زیرا داده‌های بی‌معنی هستند. ما بیشتر آمار مجموعه داده های پیش پردازش شده را در جدول 2 خلاصه می کنیم . در مرحله بعد، فعالیت‌های ورود هر کاربر را از هر دو مجموعه داده بر اساس مُهرهای زمانی بازدیدکننده مربوطه رتبه‌بندی می‌کنیم. برای اطمینان از اینکه مهر زمانی اولین فعالیت اعلام حضور مرتب شده هر کاربر از 0 شروع می‌شود، پس از مرتب‌سازی بر اساس کوچک‌ترین مُهر زمانی در میان فعالیت‌های اعلام ورود کاربر، مهر زمانی هر فعالیت ورود را کم می‌کنیم. برای nفعالیت های چک در هر دنباله ورود کاربر، ما آنها را به سه قسمت تقسیم می کنیم، یعنی مجموعه آموزشی، مجموعه اعتبار سنجی و مجموعه تست. تعداد مجموعه آموزشی است

n - 3

، با اولی

n^{'} \in [1, n - 3]

بررسی فعالیت های به عنوان دنباله ورودی و

[2, n - 2]

از POI به عنوان برچسب بازدید شد. مجموعه اعتبارسنجی از اولین استفاده می کند

n - 2

فعالیت های ورود به عنوان دنباله ورودی و (

n - 1

)-st بازدید شده POI به عنوان برچسب. مجموعه تست از اولین استفاده می کند

n - 1

فعالیت های ورود به عنوان دنباله ورودی و n- امین نقطه بازدید شده به عنوان برچسب. تقسیم مجموعه‌های داده از این علیت پیروی می‌کند که هیچ داده‌ای در آینده در پیش‌بینی داده‌های آینده استفاده نمی‌شود.

5.1.2. معیارهای ارزیابی

به منظور ارزیابی عملکرد توصیه، دو معیار ارزیابی رایج مورد استفاده [ 25 ، 39 ] را اتخاذ می کنیم: NDCG@k و Recall@k ، که در آن k تعداد POI های توصیه شده است. NDCG@k موقعیت POIهای واقعی را در نظر می گیرد و وزن های بیشتری را به POI در موقعیت های بالاتر اختصاص می دهد. Recall@k برای محاسبه نسبت نمونه های مثبت واقعی از POI های توصیه شده در بین تمام نمونه های مثبت استفاده می شود. در مدل ما، NDCG@k نشان می‌دهد که آیا POIهایی که کاربران واقعاً به آنها مراجعه می‌کنند، در بالای لیست‌های توصیه مربوطه قرار می‌گیرند یا خیر. Recall@kنشان می دهد که آیا POI هایی وجود دارد که کاربران واقعاً در میان POI های توصیه شده برتر از آنها بازدید می کنند. این معیارها به صورت زیر محاسبه می شوند:

N D C G @ k = 1 | U | \sum u \in U D C G u @ k I D C G u @ k

(21)

D C G u @ k = \sum i = 1 k 2 r i - 1 l o g 2 ( i + 1 )

(22)

جایی که $r_{i}$ ارتباط درجه بندی شده POI در موقعیت i است. ما از ارتباط باینری ساده برای کار خود استفاده می کنیم، یعنی، $r_{i} = 1$ اگر POI در لیست POI های توصیه شده واقعاً توسط کاربر بازدید شده باشد و در غیر این صورت 0. $I D C G_{u} @ k$ حداکثر را نشان می دهد $D C G_{u} @ k$ در یک رتبه بندی ایده آل

R e c a l l @ k = 1 | U | \sum u \in U \sum k i = 1 r i | V u |

(23)

جایی که $|V_{u}|$ تعداد POI های مثبت در لیست توصیه شده به کاربر u را نشان می دهد. اینجا، $|V_{u}| = 1$ .

5.1.3. رویکردهای پایه

در مورد RQ1، ما آن را با رویکردهای پایه نماینده زیر مقایسه می کنیم.

UCF [ 40 ]: یک روش فیلتر مشترک مبتنی بر ماتریس کاربر-POI، که با توجه به همبستگی بین POI توصیه می کند.

FPMC [ 41 ]: این روش روش‌های فاکتورسازی زنجیره مارکوف و ماتریس را ترکیب می‌کند، که می‌تواند به طور همزمان اطلاعات زمانی و اطلاعات ترجیحی طولانی‌مدت کاربر را جمع‌آوری کند و سپس توصیه‌های POI را انجام دهد.

ST-RNN [ 42 ]: این مدل RNN را گسترش می دهد تا زمینه زمانی و اطلاعات مکانی را در یک شبکه عصبی تکراری برای توصیه POI بعدی یکپارچه کند.

ARNN [ 43 ]: این مدل از اطلاعات معنایی، اطلاعات مکانی و اطلاعات بازدید کاربر برای ایجاد یک نمودار دانش استفاده می‌کند، همسایگان POI را از طریق یک پیاده‌روی تصادفی بر اساس مسیر متا به دست می‌آورد، و LSTM را برای مدل‌سازی نظم توالی برای بهبود عملکرد توصیه‌ها اتخاذ می‌کند.

LSTPM [ 44 ]: روشی جدید برای مدل‌سازی ترجیحات بلندمدت و کوتاه‌مدت کاربران، که از LSTM برای مدل‌سازی ترجیحات بلندمدت کاربران و رابطه جغرافیایی بین POIهایی که اخیراً توسط کاربران بازدید شده‌اند، استفاده می‌کند و سپس توصیه‌های POI بعدی را ارائه می‌کند.

TiSASRec [ 15 ]: روشی مبتنی بر مکانیسم توجه به خود که تأثیر فواصل زمانی مختلف را بر پیش‌بینی مورد بعدی بررسی می‌کند و توصیه‌ای را در ترکیب با اطلاعات موقعیتی مطلق اقلام و فاصله زمانی بین موارد ارائه می‌کند.

جدول 3 رویکردها را با در نظر گرفتن عوامل مختلف در آزمایشات ما خلاصه می کند. به طور کلی، این روش‌ها را می‌توان به چهار دسته تقسیم کرد: اول، روش‌های سنتی توصیه فیلترینگ مشترک، به عنوان مثال، UCF. دوم، روش های مبتنی بر زنجیره مارکوف، مانند FPMC. سوم، روش های مبتنی بر RNN، مانند ST-RNN، ARNN، و LSTPM. و چهارم، روش های مبتنی بر مکانیسم خود توجهی، مانند TiSASRec.

5.1.4. پیکربندی

همه آزمایش‌ها بر روی رایانه شخصی با 2.90 گیگاهرتز Intel(R) Core (TM) i7، 16 گیگابایت رم و در حال اجرا بر روی ویندوز 10 مایکروسافت (64 بیت) انجام شد. کد مورد استفاده در آزمایشات ما در پایتون 3.6 نوشته شده است. در عین حال، ما از TensorFlow 1.2.0 به عنوان چارچوب یادگیری ماشین برای آزمایش ها استفاده کردیم. ما در مجموع دو شبکه خودتوجهی آگاه از همبستگی فاصله زمانی نابرابر فضایی-زمانی را روی هم قرار دادیم و پارامترهای فوق را در مجموعه اعتبار سنجی به خوبی تنظیم کردیم. بعد نهفته دبرای دو مجموعه داده روی 50 تنظیم شد. برای هر POI هدف، تعداد نمونه های منفی 100 تنظیم شد. ما از بهینه ساز Adam با بتای پیش فرض استفاده کردیم. نرخ یادگیری اولیه روی 0.001 و نرخ ترک تحصیل برای جلوگیری از تطبیق بیش از حد روی 0.2 تنظیم شد. اندازه هر دسته در این مدل 200 در نظر گرفته شد. تنظیمات سایر فراپارامترها در جدول 4 نشان داده شده است. کد منبع مدل پیشنهادی برای دانلود در دسترس عموم است (در 28 اوت 2022) https://github.com/huang-0724/STUIC-SAN.git .

5.2. نتایج و بحث

5.2.1. مقایسه عملکرد توصیه

برای RQ1، ما اثربخشی هفت روش را با پارامترهای تنظیم شده روی دو مجموعه داده مقایسه می‌کنیم. میانگین و انحراف معیار NDCG@k و Recall@k همه روشها در جدول 5 و جدول 6 گزارش شده است. اعدادی که به صورت پررنگ در جدول 5 و جدول 6 نشان داده شده اند بهترین عملکرد هر ستون را در جداول مربوطه نشان می دهند.

از نتایج نشان داده شده در جدول 5 و جدول 6 می توان مشاهدات زیر را انجام داد.

اول، مدل پیشنهادی ما، STUIC-SAN، از نظر دو معیار در دو مجموعه داده، از سایر مدل‌ها بهتر عمل می‌کند. به طور خاص، در مقایسه با بهترین روش پایه، عملکرد STUIC-SAN روی مجموعه داده چهار ضلعی در Recall@10 حدود 6.57% و بیش از 6.87% بهبود نسبی در NDCG@10 بهبود یافته است . سود عملکرد در مجموعه داده Gowalla نیز به طور مشابه بالا است. این نتایج اساساً رقابت پذیری مدل ما را نشان می دهد.

دوم، روش‌هایی که تأثیر زمانی را در نظر می‌گیرند بهتر از روش‌هایی که تأثیر زمانی ندارند، کار می‌کنند. بدیهی است که FPMC بهتر از UCF عمل می کند. بهبود عملکرد FPMC ممکن است به دلیل استفاده از مدل زنجیره مارکوف باشد، که عامل زمانی را برای مدل‌سازی توالی ورود کاربران به کار می‌گیرد و عملکرد خوبی را در مقایسه با الگوریتم فیلتر مشترک سنتی نشان می‌دهد.

علاوه بر این، روش‌هایی که از تأثیر فضایی استفاده می‌کنند، عموماً بهتر از روش‌های بدون تأثیر فضایی عمل می‌کنند. واضح است که ST-RNN، ARNN و LSTPM عملکرد بهتری نسبت به FPMC دارند. ST-RNN در مقایسه با FPMC بسیار بهبود یافته است زیرا ST-RNN از RNN برای مدل‌سازی زمینه مکانی-زمانی استفاده می‌کند و عملکرد خوبی را در مقایسه با روش‌های مبتنی بر زنجیره مارکوف و مدل فاکتورسازی ماتریس نشان می‌دهد. در مقایسه با ST-RNN، ARNN اطلاعات معنایی POI ها را بر اساس ادغام زمینه مکانی-زمانی برای به دست آوردن POI های مرتبط بیشتر برای گسترش POI های نامزد توصیه شده یکپارچه می کند. LSTPM یک ماژول گسترده فضایی را برای به دست آوردن ترجیحات کوتاه مدت کاربران با استفاده کامل از رابطه فضایی بین POIهای غیر متوالی پیشنهاد می کند. بنابراین، ARNN و LSTPM در مقایسه با ST-RNN بهبود خالصی به دست می آورند.

سوم، افزایش عملکرد را می توان به استخراج عمیق اطلاعات مکانی-زمانی و مکانیسم توجه به خود نیز نسبت داد. با در نظر گرفتن نتایج تجربی از مجموعه داده های چهار ضلعی به عنوان مثال، می توان دریافت که عملکرد TiSASRec بهتر از روش های مبتنی بر مدل RNN، مانند ST-RNN، ARNN و LSTPM است. دلیل آن این است که روش‌های مبتنی بر RNN معمولاً از مسیرهای کوتاه پس از برش استفاده می‌کنند تا از مسیرهای طولانی با اطلاعات دوره‌ای بلندمدت از POIهای بازدیدکننده. بنابراین، با توجه به کاستی‌های خود مدل RNN، برای روش‌های مبتنی بر RNN دشوار است که تأثیر دقیق POI بازدید شده در هر فعالیت ورود را از مسیر تاریخچه ورود کاربر مربوطه در انتخاب POI بعدی دریافت کنند. ، در حالی که مکانیسم توجه به خود می تواند به طور موثر ترجیحات طولانی مدت کاربران را مدل کند. بنابراین، TiSASRec می‌تواند وابستگی طولانی‌مدت کاربران به تعاملات آیتم‌ها را با استفاده از مکانیسم توجه به خود به‌طور دقیق به دست آورد و اطلاعات تعاملات اقلام مربوطه را به صورت انتخابی ترکیب کند. علاوه بر این، TiSASRec عمیقاً اطلاعات زمانی را استخراج می کند و اطلاعات بازه زمانی را به عنوان ترجیحات بازدید کاربران برای بهبود عملکرد توصیه مدل می کند.

در نهایت، عملکرد مدل STUIC-SAN پیشنهادی ما به طور قابل‌توجهی بهتر از TiSASRec در هر دو مجموعه داده است، زیرا به طور جامع اطلاعات فاصله زمانی نابرابر بین هر دو POI را در نظر می‌گیرد. علاوه بر این، نتایج تجربی نشان می‌دهد که اطلاعات فاصله زمانی نابرابر بین هر دو POI به گرفتن بهتر اطلاعات مکانی-زمانی برای استنباط دقیق ترجیحات همبستگی بازه زمانی نابرابر مکانی-زمانی کاربران کمک می‌کند تا عملکرد توصیه POI بعدی را بهبود بخشد.

5.2.2. اثربخشی اجزای مختلف

برای RQ2، به منظور تجزیه و تحلیل اثرات ماژول های مختلف در مدل ما بر عملکرد توصیه POI بعدی، آزمایش های فرسایشی را در این بخش انجام می دهیم.

ما اثربخشی مؤلفه‌های مختلف بر عملکرد، از جمله تأثیر توالی در مسیر ورود کاربران، و همچنین تأثیرات فاصله زمانی نابرابر، فاصله نابرابر فضایی و همبستگی فاصله زمانی نابرابر مکانی-زمانی را بررسی می‌کنیم. علاوه بر این، برای تأیید بیشتر مزایای حاصل از هر مؤلفه، ما انواع زیر را از STUIC-SAN می سازیم.

STUIC-SE: این مدل تنها تأثیر توالی در مسیرهای بررسی تاریخی کاربران را در نظر می گیرد. به عبارت دیگر، مدل فقط حاوی اطلاعات موقعیتی مطلق POIهای متناظر است، و فرض می‌کند که یک فاصله زمانی/مکانی برابر بین POI در فعالیت‌های بررسی متوالی وجود دارد.

STUIC-TE: مدل فقط تأثیر بازه زمانی نابرابر را در نظر می گیرد. بنابراین، فرمول های (13) و (15) را به صورت زیر بازتعریف می کنیم:

n s i = \sum j = 1 n a i j (I j W V + r t V i j + p V j)

(24)

e i j = I i W Q ( I j W K + r t K i j + p K j ) T d --\sqrt

(25)

STUIC-SP: این مدل اطلاعات بازه نابرابر فضایی را بر اساس مدل STUIC-TE بدون در نظر گرفتن اطلاعات همبستگی فاصله زمانی نابرابر مکانی بین هر دو POI یکپارچه می کند. بنابراین، ما یک حداکثر فاصله مکانی یکپارچه را تنظیم می کنیم

k^{s}

برای انجام عملیات کلیپ مربوطه.

ویژگی های مدل های مختلف در جدول 7 نشان داده شده است. همانطور که در جدول 8 نشان داده شده است، از متریک NDCG@k استفاده می کنیم تا اثربخشی سه مؤلفه جدید طراحی شده را بر روی دو مجموعه داده نشان دهیم . توجه داشته باشید که نتایج در Recall@k مشابه نتایج در NDCG@k است، بنابراین ما اثرات اجزای مختلف را بر روی NDCG@k به دلیل محدودیت فضا تجزیه و تحلیل کردیم.

از جدول 8 مشاهده می شود که از بین سه نوع STUIC-SAN، STUIC-SE بیشترین کاهش عملکرد را در مقایسه با STUIC-TE و STUIC-SP در هر دو مجموعه داده تجربه می کند. این به این دلیل است که STUIC-SE فاکتورهای همبستگی بازه نابرابر فضایی-زمانی را که به ویژه برای توصیه POI بعدی مهم هستند، در نظر نمی گیرد، در نتیجه ترجیحات همبستگی بازه نابرابر فضایی-زمانی شخصی شده کاربران را نمی توان با دقت به دست آورد. افت قابل توجه NDCG@k سهم مثبت اطلاعات بازه نابرابر مکانی-زمانی و اطلاعات همبستگی بازه نابرابر مکانی-زمانی را که در مدل STUIC-SAN ما برای افزایش عملکرد یکپارچه شده است تأیید می کند.

علاوه بر این، عملکرد STUIC-TE بهتر از STUIC-SE است، زیرا STUIC-TE می تواند فواصل زمانی نابرابر زمانی بین هر دو نقطه نقطه را از ترتیب ورود کاربران به دست آورد و تنظیمات بازه زمانی نابرابر زمانی کاربران را به طور دقیق برای انتخاب POI بعدی شبیه سازی کند. با استفاده از مکانیسم توجه به خود، که قابل اعتمادتر از STUIC-SE است، که فقط اطلاعات توالی را در نظر می گیرد.

علاوه بر این، عملکرد STUIC-SP بهتر از STUIC-TE با ادغام اطلاعات فاصله نابرابر فضایی بین POI است. دلیل آن این است که در کار توصیه POI بعدی، انتخاب کاربر POI بعدی تحت تأثیر فاصله فضایی بین POI فعلی و POI بعدی قرار می گیرد. بنابراین، ادغام موثر اطلاعات فاصله نابرابر فضایی بین POI برای بهبود عملکرد توصیه مفید است.

در مقابل، عملکرد STUIC-SAN پیشنهادی ما بهتر از STUIC-SE، STUIC-TE و STUIC-SP است، که همچنین نشان می دهد که با در نظر گرفتن کامل اطلاعات بازه نابرابر مکانی-زمانی و اطلاعات همبستگی بازه نابرابر فضایی-زمانی بین POI می توان کمک می کند تا ترجیحات همبستگی بازه ای نابرابر فضایی-زمانی شخصی شده کاربران را بهتر به تصویر بکشد تا عملکرد توصیه POI بعدی را بهبود بخشد. توجه داشته باشید که مؤلفه‌ها با یکدیگر تضاد ندارند و می‌توان از آنها برای یادگیری مشترک ترجیحات همبستگی بازه‌ای نابرابر فضایی-زمانی شخصی‌شده کاربران استفاده کرد.

5.3. تجزیه و تحلیل حساس پارامترها

برای RQ3، ما اثرات پارامترهای مدل مختلف بر عملکرد STUIC-SAN را در این بخش تجزیه و تحلیل می‌کنیم. در اینجا، ما بر روی چهار پارامتر حیاتی تمرکز می‌کنیم، یعنی تعداد بعد پنهان d ، حداکثر طول دنباله n ، حداکثر فاصله زمانی

k^{t}

و حداکثر فاصله مکانی

k^{s}

. سپس، اثرات چهار پارامتر را بر روی NDCG@k تجزیه و تحلیل می‌کنیم . توجه داشته باشید که نتایج در Recall@k مشابه نتایج NDCG@k است.

5.3.1. اثر بعد پنهان

در این بخش فرعی، بررسی می‌کنیم که STUIC-SAN چقدر به تعداد بعد پنهان d حساس است ، در حالی که سایر پارامترهای فوق را بدون تغییر نگه می‌دارد. همانطور که در شکل 5 نشان داده شده است ، عملکرد ابتدا با افزایش d به طور چشمگیری رشد می کند ، سپس نسبتاً آهسته بهبود می یابد. این به این دلیل است که d نشان دهنده پیچیدگی مدل است. به طور خاص، مدل با d بزرگ برای به تصویر کشیدن مجموعه داده ها بسیار پیچیده است، در حالی که مدل با d کوچک برای توصیف مجموعه داده ها کافی نیست. بنابراین، تعداد بعد نهفته را در این مقاله 50 قرار می دهیم.

5.3.2. اثر حداکثر طول دنباله

برای نشان دادن اثرات حداکثر طول دنباله n ، ما n را از 10 تا 100 تغییر می دهیم در حالی که سایر پارامترهای فوق را بدون تغییر نگه می داریم. شکل 6 نتایج را نشان می دهد. با افزایش n ، می بینیم که هر دو منحنی به آرامی رشد می کنند و سپس به تدریج روی دو مجموعه داده صاف می شوند. دلیل آن این است که وقتی طول دنباله خیلی بزرگ است، بسیاری از POI های بی معنی برای آموزش بردار نمایش نقطه هدف مورد استفاده قرار می گیرند، در حالی که وقتی طول دنباله خیلی کوچک است، به طور دقیق زمینه مکانی-زمانی را به تصویر نمی کشد. بنابراین، ما حداکثر طول دنباله ای را که می تواند بهترین عملکرد را در دو مجموعه داده به دست آورد، به عنوان تنظیمات پیش فرض در بخش 5.1.4 انتخاب می کنیم.

5.3.3. اثر حداکثر فاصله زمانی

به منظور نشان دادن اثرات حداکثر فاصله زمانی

k^{t}

، ما مقادیر حداکثر فواصل زمانی دو مجموعه داده را به صورت 512، 1024، 2048، 4096، 8192، 12000 قرار دادیم، در حالی که سایر پارامترهای فوق را بدون تغییر نگه می داریم. همانطور که در شکل 7 نشان داده شده است ، با افزایش حداکثر بازه زمانی، هر دو منحنی روندهای متفاوتی را در دو مجموعه داده نشان می دهند. این به این دلیل است که حداکثر فواصل زمانی مختلف اثرات متفاوتی بر عملکرد توصیه می‌گذارند. مشاهده می شود که حداکثر بازه زمانی که می تواند بهترین عملکرد را در Foursquare به دست آورد 4096 است، در حالی که برای Gowalla 8192 است. بنابراین، مقادیری را انتخاب می کنیم که می توانند بهترین عملکرد را به عنوان حداکثر بازه های زمانی متناظر در دو مجموعه داده به دست آورند. .

5.3.4. اثر حداکثر فاصله مکانی

در این بخش، اثرات حداکثر فاصله مکانی را بیشتر نشان می‌دهیم

k^{s}

. با در نظر گرفتن تفاوت در فاصله نابرابر فضایی کاربران از دو مجموعه داده، مقادیر متفاوت حداکثر فواصل مکانی را از دو مجموعه داده تنظیم کردیم در حالی که سایر پارامترهای فوق را بدون تغییر نگه داشتیم. شکل 8 نتایج عملکرد را در دو مجموعه داده نشان می دهد. مشابه انتخاب حداکثر بازه زمانی، حداکثر بازه های مکانی را به ترتیب 5000 و 15000 قرار می دهیم که می تواند بهترین عملکرد را در دو مجموعه داده به دست آورد.

5.4. اثر پردازش همبستگی بازه زمانی مختلف مکانی-زمانی

برای RQ4، در مورد تأثیر پردازش همبستگی بازه زمانی مختلف بر توصیه‌های این بخش بحث می‌کنیم. ما در مورد سه روش زیر بحث می کنیم.

STUIC-SP: حداکثر بازه زمانی و حداکثر فاصله زمانی بدون در نظر گرفتن اطلاعات همبستگی بازه زمانی مکانی بین POIها، همانطور که در بخش 5.2.2 توضیح داده شد، روی یک مقدار واحد تنظیم می شوند .

STUIC-LE: کاربران با استفاده از طول توالی ورود کاربر و میانگین طول توالی همه کاربران از هر مجموعه داده طبقه‌بندی می‌شوند تا معادله رگرسیون خطی همبستگی فاصله زمانی نابرابر فضایی با طول‌های توالی مختلف به دست آید.

STUIC-SAN: پردازش بازه نابرابر مکانی-زمانی که ما اتخاذ می کنیم، همانطور که در بخش 4.1.2 توضیح داده شده است.

ما اثربخشی سه روش ذکر شده در بالا را بر روی دو مجموعه داده در شکل 9 نشان می دهیم. در بین سه روش، STUIC-SP بیشترین کاهش عملکرد را در مقایسه با STUIC-LE و STUIC-SAN در هر دو مجموعه داده تجربه می کند، در حالی که STUIC-SAN بهترین عملکرد را دارد. این به این دلیل است که STUIC-SP اطلاعات همبستگی بازه زمانی مکانی بین POI ها را نادیده می گیرد و حداکثر بازه زمانی را در ماتریس های بازه زمانی نابرابر زمانی شخصی سازی شده کاربران روی یک مقدار یکپارچه تنظیم می کند. در همین حال، عملیات مشابهی را برای حداکثر فاصله مکانی انجام می دهد. بنابراین، گرفتن اولویت‌های همبستگی بازه زمانی- مکانی شخصی شده توسط کاربران کافی نیست. بر اساس STUIC-SP، STUIC-LE و STUIC-SAN همبستگی بین فاصله زمانی و مکانی را در نظر می گیرند و کاربران را بر اساس طول توالی ورود کاربران و همچنین میانگین فاصله زمانی بین هر دو POI تقسیم می کنند. به ترتیب، و سپس از طریق روش رگرسیون خطی، همبستگی فاصله زمانی مکانی بین هر دو POI را از توالی ورود کاربران مربوط به دسته‌های مختلف کاربران بدست آورید. در مقایسه با STUIC-LE، STIUC-SAN می‌تواند مستقیم‌تر همبستگی بین بازه زمانی و فاصله زمانی کاربرانی را که از POI بازدید می‌کنند شبیه‌سازی کند تا توصیه‌های POI بعدی را بهتر انجام دهد.

5.5. تهدید به اعتبار

در این بخش، برخی از تهدیدات بالقوه برای اعتبار مطالعه خود را مورد بحث قرار می دهیم. تهدیدها برای اثربخشی تحقیق ما شامل سه جنبه است: انتخاب داده، تنظیم آزمایشی، و انتخاب اطلاعات کمکی.

سوگیری انتخاب داده ها یکی از رایج ترین تهدیدها برای اعتبار است. در کار بعدی توصیه POI، باید الگوهای بازدید کاربران را با توجه به توالی ورود کاربران مربوطه شبیه سازی کنیم تا تنظیمات برگزیده بازدید شخصی کاربران را مدل سازی کنیم. بنابراین، ما آن کاربران غیرفعال و POI های نامحبوب را حذف می کنیم. علاوه بر این، به منظور تسهیل در پردازش مسیرهای ورود به تاریخ کاربران، ما مسیرهای ثبت ورود تاریخی همه کاربران را روی یک طول ثابت تنظیم کردیم (به تجزیه و تحلیل در بخش 5.3.2 مراجعه کنید.). ما همچنین از روش نمونه گیری منفی که معمولاً در سیستم توصیه استفاده می شود برای بهبود عملکرد و کارایی توصیه استفاده می کنیم. علاوه بر این، ما همچنین آزمایش‌هایی را با حداکثر فواصل زمانی مختلف و حداکثر فواصل مکانی بین هر دو POI کاربر از دو مجموعه داده انجام می‌دهیم تا فواصل زمانی و مکانی مناسب را برای ایجاد نمایش‌های ترجیحی شخصی‌شده کاربران انتخاب کنیم. بنابراین، ما باید بپذیریم که عملکرد توصیه مدل ما بدون حداکثر فواصل زمانی و مکانی مناسب کاهش خواهد یافت (به تجزیه و تحلیل در بخش 5.3.3 و بخش 5.3.4 مراجعه کنید).

در آزمایش خود، انواع مختلفی از روش‌های پایه را بر اساس تنظیمات پیش‌فرض فراپارامتر آنها آموزش دادیم. همانطور که می دانیم، چندین ترفند ضمنی نیز وجود دارد، به عنوان مثال، تنظیم دقیق، در رویکردهای پایه مبتنی بر شبکه های عصبی عمیق. بنابراین، ما نمی‌توانیم اطمینان حاصل کنیم که این روش‌ها می‌توانند به همان عملکرد نشان‌داده‌شده در مقالات اصلی خود روی دو مجموعه داده دست یابند.

در مدل خود، ما عمدتاً همبستگی فاصله زمانی نابرابر مکانی بین هر دو POI را از توالی‌های ورود کاربران استخراج می‌کنیم و سپس از مکانیسم توجه به خود برای انجام توصیه‌های POI بعدی استفاده می‌کنیم. با این حال، ما نمی‌توانیم اطلاعات وسیله نقلیه را از مسیرهای تاریخ ورود کاربران از مجموعه داده‌هایی که معمولاً در توصیه‌های POI بعدی استفاده می‌شود، به‌دست آوریم، و همچنین نمی‌توانیم تضمین کنیم که کاربران از همان فاصله مکانی در یک واحد زمان بازدید کنند. بنابراین، ما در نظر می گیریم که هر کاربر از هر دو مجموعه داده از POI در مسیر ورود کاربر مربوطه با وسیله حمل و نقل یکسان یا مشابه بازدید می کند.

علاوه بر این، ما نمی‌توانیم اطلاعات زمان خروج کاربران را از مجموعه داده‌های عمومی به‌دست آوریم، اما اگر دستگاه‌های اعلام ورود که کاربران اتخاذ کرده‌اند، بتوانند فناوری محلی‌سازی داخلی حساس‌تری را اعمال کنند [ 45 ]، آن‌گاه می‌توانیم مدت زمان صرف شده برای هر POI را با توجه به به زمان‌های ورود و خروج مربوطه به منظور شبیه‌سازی دقیق‌تر ترجیحات کاربران برای فواصل زمانی نابرابر در هنگام بازدید از POI، در نتیجه دقت توصیه‌های POI بعدی بهبود می‌یابد.

در مدل ما، تنظیمات برگزیده بازدید کاربران بر اساس توالی ورود به تاریخ کاربران شبیه‌سازی می‌شود، بنابراین همه POI‌های بعدی که به کاربران توصیه می‌شود، مواردی هستند که کاربران قبلاً بازدید کرده‌اند تا POI‌های جدید. در کار آینده، ما می‌توانیم مجموعه نامزدی را برای کاربران غنی‌سازی کنیم تا POI بعدی را انتخاب کنند و تنوع توصیه‌ها را با ادغام اطلاعات شباهت بین POI بهبود ببخشیم. برای مثال، می‌توانیم POIهایی را از همان دسته بر اساس اطلاعات شباهت معنایی بین POIها توصیه کنیم، یا POIهای مجاور را با توجه به اطلاعات شباهت فضایی بین POIها توصیه کنیم.

با توسعه سریع LBSN ها، کاربران هر روز مقدار زیادی داده ورود تولید می کنند. همانطور که همه ما می دانیم، هرچه ماتریس تعامل کاربر-POI متراکم تر باشد، می توانیم تنظیمات برگزیده بازدید کاربران را با دقت بیشتری شبیه سازی کنیم و بنابراین توصیه های دقیق تری ارائه دهیم. با این حال، مدل STUIC-SAN ما ماتریس‌های بازه‌ای نابرابر زمانی و مکانی را برای هر کاربر ایجاد می‌کند تا به توصیه‌های شخصی دست یابد. در صورت استفاده از مجموعه داده های بزرگ [ 46 ]، زمان اجرای مدل تا حدی تاخیر را تجربه خواهد کرد. در کار آینده، ما سعی خواهیم کرد تا برخی از مدل‌های سبک وزن، به عنوان مثال، LightMove [ 47 ] را در روش‌های خود بگنجانیم تا کارایی مدل را بدون کاهش دقت توصیه‌ها بهبود بخشیم.

6. نتیجه گیری و کار آینده

در سال های اخیر، توصیه POI بعدی توجه بیشتری را در زمینه های LBSN و سیستم های توصیه به خود جلب کرده است. در این مقاله، ما یک شبکه خودتوجهی آگاه از همبستگی فاصله زمانی نابرابر فضایی-زمانی (STUIC-SAN) را برای بهبود عملکرد توصیه POI بعدی پیشنهاد می‌کنیم. به طور خاص، STUIC-SAN از روش رگرسیون خطی برای تجزیه و تحلیل اثر بازه نابرابر زمانی بر فاصله نابرابر فضایی بین هر دو نقطه نقطه از توالی‌های ورود کاربران استفاده می‌کند و تأثیر همبستگی فاصله زمانی نابرابر فضایی-زمانی را در انتخاب POI بعدی توسط کاربران از طریق مکانیسم توجه به خود به گونه ای که ترجیحات همبستگی فاصله زمانی نابرابر فضایی-زمانی شخصی سازی شده کاربران را بهتر مدلسازی کند و سپس عملکرد توصیه POI بعدی را بهبود بخشد. علاوه بر این، ما آزمایش‌هایی را روی دو مجموعه داده در دسترس عموم (یعنی Foursquare و Gowalla) برای تأیید اثربخشی STUIC-SAN انجام دادیم. نتایج تجربی تأیید می کند که STUIC-SAN از روش های پیشرفته در مورد دو معیار معمول استفاده می کند، یعنی:NDCG@k ، Recall@k .

برای کارهای آینده، ما STUIC-SAN را با در نظر گرفتن اطلاعات بیشتر، مانند اطلاعات همسایه POI، اطلاعات دسته‌بندی، و دفعات ورود کاربر، غنی‌تر و بهینه‌سازی خواهیم کرد، که می‌تواند تنظیمات برگزیده بازدید شخصی کاربران را با دقت بیشتری مدل‌سازی کند تا عملکرد بهتری ارائه دهد. توصیه POI بعدی علاوه بر این، ما سعی خواهیم کرد این را با مدل سبک وزن ترکیب کنیم تا کارایی توصیه بر اساس اطمینان از صحت توصیه POI بهبود یابد.

منابع

گائو، اچ. تانگ، جی. هو، ایکس. لیو، اچ. بررسی اثرات زمانی برای توصیه مکان در شبکه های اجتماعی مبتنی بر مکان. در مجموعه مقالات هفتمین کنفرانس ACM در مورد سیستم های توصیه کننده، هنگ کنگ، چین، 12 تا 16 اکتبر 2013. صص 93-100. [ Google Scholar ]
چن، ک. یانگ، اچ. لیو، ام. King, I. جایی که دوست دارید بروید بعدی: توصیه های پی در پی نقطه ای از علاقه. در مجموعه مقالات بیست و سومین کنفرانس بین المللی مشترک هوش مصنوعی، پکن، چین، 5 تا 9 اوت 2013. صص 2605-2611. [ Google Scholar ]
او، جی. لی، ایکس. لیائو، ال. Song، D. استنباط یک مدل پیشنهادی شخصی شده بعدی با الگوهای رفتار پنهان. در مجموعه مقالات سی امین کنفرانس Aaai در مورد هوش مصنوعی، فینیکس، AZ، ایالات متحده آمریکا، 12 تا 17 فوریه 2016; صص 137-143. [ Google Scholar ]
شیا، بی. لی، ی. لی، کیو. Li, T. شبکه عصبی بازگشتی مبتنی بر توجه برای توصیه مکان. در مجموعه مقالات دوازدهمین کنفرانس بین المللی سیستم های هوشمند و مهندسی دانش، نانجینگ، چین، 24 تا 26 نوامبر 2017؛ صص 1-6. [ Google Scholar ]
وو، ی. لی، ک. ژائو، جی. یادگیری ترجیحی بلند مدت و کوتاه مدت برای توصیه POI بعدی. در مجموعه مقالات بیست و هشتمین کنفرانس بین المللی ACM در مدیریت اطلاعات و دانش، پکن، چین، 3 تا 7 نوامبر 2021؛ صص 2301–2304. [ Google Scholar ]
لیو، ی. پی، ا. وانگ، اف. یانگ، ی. ژانگ، ایکس. وانگ، اچ. دای، اچ. چی، ال. Ma, R. یک مدل GRU مبتنی بر طبقه بندی آگاه برای توصیه POI بعدی. بین المللی جی. اینتل. سیستم 2021 ، 36 ، 3174-3189. [ Google Scholar ] [ CrossRef ]
وانگ، سی. McAuley، J. توصیه متوالی خود توجه. در مجموعه مقالات کنفرانس بین المللی IEEE 2018 در مورد داده کاوی (ICDM)، سنگاپور، 17 تا 20 نوامبر 2018؛ ص 197-206. [ Google Scholar ]
وانگ، ایکس. لیو، ی. ژو، ایکس. لنگ، ز. Wang, X. مدل‌سازی اولویت‌های بلندمدت و کوتاه‌مدت بر اساس توجه چند سطحی برای توصیه‌های POI بعدی. ISPRS Int. J. Geo-Inf. 2022 ، 11 ، 323. [ Google Scholar ] [ CrossRef ]
علی، م. راف، دی. ACres، F. یک مدل رتبه‌بندی مشترک منظم دو مرحله‌ای حساس به زمان برای توصیه‌های نقطه‌نظر. IEEE Trans. بدانید. مهندسی داده 2019 ، 32 ، 1050-1063. [ Google Scholar ]
ژانگ، ی. لیو، جی. لیو، ا. ژانگ، ی. لی، ز. ژانگ، ایکس. لی، کیو. مدلسازی تأثیر جغرافیایی شخصی برای توصیه POI. IEEE Intell. سیستم 2020 ، 35 ، 18-27. [ Google Scholar ] [ CrossRef ]
زو، ز. او، X. Zhu، AX یک روش حاشیه نویسی خودکار برای کشف اطلاعات معنایی مکان های جغرافیایی از شبکه های اجتماعی مبتنی بر مکان. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 487. [ Google Scholar ] [ CrossRef ]
ژائو، ک. ژانگ، ی. یین، اچ. وانگ، جی. ژنگ، ک. ژو، ایکس. زینگ، سی. کشف الگوهای بعدی برای توصیه POI بعدی. در مجموعه مقالات بیست و نهمین کنفرانس مشترک بین المللی هوش مصنوعی، یوکوهاما، ژاپن، 7 تا 15 ژانویه 2020؛ صص 3216–3222. [ Google Scholar ]
لو، ی. Huang, J. GLR: یک مدل نمایش نهفته مبتنی بر نمودار برای توصیه های پی در پی POI. ژنرال آینده. محاسبه کنید. سیستم 2020 ، 102 ، 230-244. [ Google Scholar ] [ CrossRef ]
کوی، کیو. ژانگ، ی. Wang, J. CANS-Net: شبکه مدل‌سازی غیر متوالی آگاه از زمینه برای توصیه‌های بعدی. arXiv 2021 ، arXiv:abs/2104.02262. [ Google Scholar ]
لی، جی. وانگ، ی. McAuley، J. توجه به خود آگاه از فاصله زمانی برای توصیه های متوالی. در مجموعه مقالات سیزدهمین کنفرانس بین المللی جستجوی وب و داده کاوی، هیوستون، TX، ایالات متحده، 3 تا 7 فوریه 2020؛ صص 322-330. [ Google Scholar ]
یانگ، جی. کای، ی. KReddy، C. پیش‌بینی زمان ورود مکانی-زمانی با تحلیل بقا مبتنی بر شبکه عصبی مکرر. در مجموعه مقالات بیست و هفتمین کنفرانس مشترک بین المللی هوش مصنوعی، استکهلم، سوئد، 9 تا 19 ژوئیه 2018؛ صفحات 2976-2983. [ Google Scholar ]
ژائو، پی. لو، ا. لیو، ی. خو، جی. لی، ز. ژوانگ، اف. شنگ، VS; ژو، ایکس. بعد کجا برویم: یک شبکه فضایی-زمانی برای توصیه POI بعدی. IEEE Trans. بدانید. مهندسی داده 2022 ، 34 ، 2512-2524. [ Google Scholar ] [ CrossRef ]
لو، ی. لیو، کیو. Liu, Z. STAN: شبکه توجه مکانی-زمانی برای توصیه مکان بعدی. در مجموعه مقالات WWW ’21: مجموعه مقالات کنفرانس وب 2021، لیوبلیانا، اسلوونی، 19 تا 23 آوریل 2021. صص 2177–2185. [ Google Scholar ]
او، س. جیانگ، دی. لیائو، ز. هوی، SCH; چانگ، ک. لیم، EP; لی، اچ. توصیه پرس و جو وب از طریق پیش بینی پرس و جو متوالی. در مجموعه مقالات بیست و پنجمین کنفرانس بین المللی مهندسی داده IEEE 2009، شانگهای، چین، 29 مارس تا 2 آوریل 2009. ص 1443-1454. [ Google Scholar ]
فنگ، اس. لی، ایکس. زنگ، ی. کنگ، جی. Chee, YM; یوان، Q. تعبیه متریک رتبه بندی شخصی برای توصیه POI جدید بعدی. در مجموعه مقالات بیست و چهارمین کنفرانس بین المللی هوش مصنوعی، جزیره پوکت، تایلند، 26-27 ژوئیه 2015; ص 2069–2075. [ Google Scholar ]
او، ر. نیش، سی. وانگ، ز. مک‌آولی، جی ویستا: یک مدل آگاهانه بصری، اجتماعی و زمانی برای توصیه هنری. در مجموعه مقالات دهمین کنفرانس ACM در مورد سیستم‌های توصیه‌کننده، بوستون، MA، ایالات متحده آمریکا، 15 تا 19 سپتامبر 2016. صص 309-316. [ Google Scholar ]
لو، ی. شی، دبلیو. گائو، اچ. چانگ، ک. هوانگ، جی. در توصیه های پی در پی نقطه ای از علاقه. شبکه جهانی وب 2018 ، 22 ، 1151–1173. [ Google Scholar ] [ CrossRef ]
لی، آر. شن، ی. Zhu, Y. توصیه نقطه مورد علاقه بعدی با توجه به زمینه زمانی و چند سطحی. در مجموعه مقالات کنفرانس بین المللی IEEE 2018 در مورد داده کاوی (ICDM)، سنگاپور، 17 تا 20 نوامبر 2018؛ صص 1110–1115. [ Google Scholar ]
لیو، ی. Wu, A. روش توصیه POI با استفاده از یادگیری عمیق در شبکه های اجتماعی مبتنی بر مکان. سیم. اشتراک. اوباش محاسبه کنید. 2021 ، 2021 ، 9120864. [ Google Scholar ] [ CrossRef ]
هوانگ، ال. ممکن است.؛ لیو، ی. او، K. DAN-SNR. ACM Trans. فناوری اینترنت (TOIT) 2021 ، 21 ، 1-27. [ Google Scholar ] [ CrossRef ]
لیم، ن. هوی، بی. Ng، SK; وانگ، ایکس. گوه، ی.ال. ونگ، آر. Varadarajan, J. STP-UDGAT: شبکه توجه نمودار بعدی کاربر فضایی-زمانی- ترجیحی برای توصیه POI بعدی. در مجموعه مقالات بیست و نهمین کنفرانس بین المللی ACM در مدیریت اطلاعات و دانش، مجازی، 19 تا 23 اکتبر 2020؛ صص 845-854. [ Google Scholar ]
دینگ، آر. چن، ز. Li, X. جاسازی متریک فاصله زمانی-مکانی برای توصیه POI خاص زمان. IEEE Access 2018 ، 6 ، 67035–67045. [ Google Scholar ] [ CrossRef ]
Doan، KD; یانگ، جی. KReddy، C. یک مدل عصبی مکانی-زمانی توجه برای توصیه‌های پی در پی نقطه‌ی علاقه. در مجموعه مقالات کنفرانس اقیانوس آرام-آسیا در مورد کشف دانش و داده کاوی، ماکائو، چین، 14 تا 17 آوریل 2019؛ جلد 11441. [ Google Scholar ]
پنگ پنگ، ز. هایفنگ، ز. یانچی، ال. جیاجی، ایکس. Xiaofang، Z. کجا برویم بعدی: یک شبکه فضایی-زمانی برای توصیه POI بعدی. در مجموعه مقالات کنفرانس AAAI در مورد هوش مصنوعی، هونولولو، HI، ایالات متحده، 27 ژانویه تا 1 فوریه 2019؛ صص 5877–5884. [ Google Scholar ]
هوانگ، ال. ممکن است.؛ وانگ، اس. Liu, Y. یک شبکه LSTM فضایی-زمانی مبتنی بر توجه برای توصیه POI بعدی. IEEE Trans. خدمت محاسبه کنید. 2021 ، 14 ، 1585-1597. [ Google Scholar ] [ CrossRef ]
دوطلب، م. Alesheikh, AA یک رویکرد توصیه POI که اطلاعات مکانی-زمانی اجتماعی را در فاکتورسازی ماتریس احتمالی ادغام می کند. بدانید. Inf. سیستم 2021 ، 63 ، 65-85. [ Google Scholar ] [ CrossRef ]
دای، اس. یو، ی. فن، اچ. دونگ، جی. یادگیری بازنمایی فضایی-زمانی با پیوند اجتماعی برای توصیه POI شخصی شده. اطلاعات علمی مهندس 2022 ، 7 ، 1-13. [ Google Scholar ] [ CrossRef ]
شی، دی. ژوانگ، اف. لیو، ی. گو، ج. شیونگ، اچ. او، Q. مدلسازی وابستگی مکانی-زمانی دو جهته و ترجیحات پویای کاربران برای شناسایی ورود POI گمشده. در مجموعه مقالات کنفرانس ملی هوش مصنوعی، هونولولو، HI، ایالات متحده آمریکا، 27 ژانویه تا 1 فوریه 2019؛ صص 5458–5465. [ Google Scholar ]
ممکن است.؛ گان، ام. کاوش چندین اطلاعات مکانی-زمانی برای توصیه نقطه مورد علاقه. محاسبات نرم. 2020 ، 24 ، 18733-18747. [ Google Scholar ] [ CrossRef ]
جین، جی. میشرا، ن. Sharma، SK CRLRM: توصیه مبتنی بر دسته با استفاده از مدل رگرسیون خطی. در مجموعه مقالات سومین کنفرانس بین المللی پیشرفت در محاسبات و ارتباطات، کوچین، هند، 29 تا 31 اوت 2013. ص 17-20. [ Google Scholar ]
واسوانی، ع. Shazeer، NM; پارمار، ن. Uszkoreit، J. جونز، ال. گومز، AN; قیصر، ال. Polosukhin، I. توجه تمام چیزی است که شما نیاز دارید. در مجموعه مقالات سی و یکمین کنفرانس بین المللی سیستم های پردازش اطلاعات عصبی، لس آنجلس، کالیفرنیا، ایالات متحده آمریکا، 4 تا 9 دسامبر 2017؛ صفحات 6000–6010. [ Google Scholar ]
Kingma، DP; با، جی. آدام: روشی برای بهینه سازی تصادفی. در مجموعه مقالات سومین کنفرانس بین المللی برای بازنمایی های یادگیری، اسکاتسدیل، AZ، ایالات متحده آمریکا، 2 تا 4 مه 2015. [ Google Scholar ]
سو، ی. لی، ایکس. لیو، بی. ژا، دی. شیانگ، جی. تانگ، دبلیو. گائو، N. FGCRec: مدل‌سازی ویژگی‌های جغرافیایی با دانه‌ریزی برای توصیه نقطه‌نظر. در مجموعه مقالات کنفرانس بین المللی ارتباطات IEEE 2020 (ICC)، دوبلین، ایرلند، 7 تا 11 ژوئن 2020؛ صص 1-6. [ Google Scholar ]
او، X. لیائو، ال. ژانگ، اچ. نی، ال. هو، ایکس. Chua، TS Neural Collaborative Filtering. در مجموعه مقالات بیست و ششمین کنفرانس بین المللی وب جهانی، پرت، استرالیا، 3 تا 7 آوریل 2017؛ صص 173-182. [ Google Scholar ]
سرور، بی.ام. کاریپیس، جی. آکنستان، ج. ریدل، جی. الگوریتم‌های توصیه فیلتر مشارکتی مبتنی بر آیتم. در مجموعه مقالات دهمین کنفرانس بین المللی وب جهانی، هنگ کنگ، چین، 1 تا 5 مه 2001. ص 285-295. [ Google Scholar ]
رندل، اس. فرودنتالر، سی. Schmidt-Thieme، L. فاکتورسازی زنجیره های مارکوف شخصی شده برای توصیه سبد بعدی. در مجموعه مقالات نوزدهمین کنفرانس بین المللی وب جهانی، رالی، NC، ایالات متحده، 26-30 آوریل 2010; صص 811-820. [ Google Scholar ]
لیو، کیو. وو، اس. وانگ، ال. Tan, T. پیش‌بینی مکان بعدی: مدلی تکرارشونده با زمینه‌های مکانی و زمانی. در مجموعه مقالات سی امین کنفرانس AAAI در زمینه هوش مصنوعی، فینیکس، AZ، ایالات متحده آمریکا، 12 تا 17 فوریه 2016; صص 194–200. [ Google Scholar ]
گوا، کیو. سان، ز. ژانگ، جی. سپس، YL یک شبکه عصبی عودکننده توجه برای توصیه مکان بعدی شخصی شده. در مجموعه مقالات کنفرانس AAAI-20 در مورد هوش مصنوعی، نیویورک، نیویورک، ایالات متحده آمریکا، 7 تا 12 فوریه 2020؛ صص 83-90. [ Google Scholar ]
سان، ک. کیان، تی. چن، تی. لیانگ، ی. نگوین، QVH؛ یین، اچ. کجا برویم بعدی: مدل‌سازی اولویت‌های کاربر بلندمدت و کوتاه‌مدت برای توصیه‌های نقطه‌نظر. در مجموعه مقالات کنفرانس AAAI-20 در مورد هوش مصنوعی، نیویورک، نیویورک، ایالات متحده آمریکا، 7 تا 12 فوریه 2020؛ صص 214-221. [ Google Scholar ]
تکلر، زد. کم، آر. گونای، بی. اندرسن، RK; Blessing، L. یک رویکرد مقیاس پذیر بلوتوث کم انرژی برای شناسایی الگوهای اشغال و نمایه ها در فضاهای اداری. ساختن. محیط زیست 2020 ، 171 ، 106681–106693. [ Google Scholar ] [ CrossRef ]
کم، آر. تکلر، زد. Cheah, L. چارچوب ترکیبی نقطه مورد علاقه (POI). ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 779. [ Google Scholar ] [ CrossRef ]
جئون، جی. کانگ، اس. جو، م. چو، اس. پارک، ن. کیم، اس. Song, C. LightMove: توصیه ای سبک وزن بعدی-POI برای تبلیغات روی پشت بام تاکسی. در مجموعه مقالات سی امین کنفرانس بین المللی ACM در مدیریت اطلاعات و دانش، مجازی، 1 تا 5 نوامبر 2021؛ صص 3857–3866. [ Google Scholar ]

شکل 1. تصویری از رابطه فاصله زمانی نابرابر فضایی موجود در مسیر ورود کاربران.

شکل 2. تصویر رابطه فاصله زمانی نابرابر فضایی موجود در داده های ورود کاربران.

شکل 3. تصاویری از همبستگی فاصله زمانی نابرابر مکانی در توالی ورود کاربران مختلف از Foursquare.

شکل 4. تصویر مدل STUIC-SAN.

شکل 5. تأثیر بعد پنهان d بر عملکرد توصیه.

شکل 6. اثر حداکثر طول دنباله n بر عملکرد توصیه.

شکل 7. اثر حداکثر فاصله زمانی

k^{t}

بر اساس عملکرد توصیه

شکل 8. اثر حداکثر فاصله مکانی

k^{s}

بر اساس عملکرد توصیه

شکل 9. تأثیر پردازش همبستگی بازه زمانی مختلف بر عملکرد توصیه.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

کلید واژه ها:

1. مقدمه

2. کارهای مرتبط

2.1. توصیه POI بعدی متوالی

2.2. توصیه POI بعدی بر اساس زمینه مکانی-زمانی

3. مقدمات و تجزیه و تحلیل داده ها

3.1. مقدماتی

3.2. تجزیه و تحلیل اولیه

4. روش پیشنهادی

4.1. لایه مدلسازی اولویت همبستگی فاصله زمانی نابرابر فضایی-زمانی شخصی شده توسط کاربر

4.1.1. ساخت ماتریس های بازه نابرابر زمانی شخصی سازی شده توسط کاربران

4.1.2. ساخت ماتریس های بازه نابرابر فضایی شخصی سازی شده توسط کاربران

4.2. ترجیح همبستگی بازه نابرابر فضایی-زمانی ذوب لایه جاسازی

4.3. مدل ترانسفورماتور همبستگی آگاه فضایی-زمانی نابرابر

4.3.1. همبستگی فضایی-زمانی نابرابر شبکه خودآگاهی

4.3.2. شبکه فید فوروارد Point-Wise

4.4. توصیه POI بعدی

4.5. بهینه سازی مدل

5. آزمایشات

5.1. راه اندازی آزمایشی

5.1.1. جمع آوری و پیش پردازش داده ها

5.1.2. معیارهای ارزیابی

5.1.3. رویکردهای پایه

5.1.4. پیکربندی

5.2. نتایج و بحث

5.2.1. مقایسه عملکرد توصیه

5.2.2. اثربخشی اجزای مختلف

5.3. تجزیه و تحلیل حساس پارامترها

5.3.1. اثر بعد پنهان

5.3.2. اثر حداکثر طول دنباله

5.3.3. اثر حداکثر فاصله زمانی

5.3.4. اثر حداکثر فاصله مکانی

5.4. اثر پردازش همبستگی بازه زمانی مختلف مکانی-زمانی

5.5. تهدید به اعتبار

6. نتیجه گیری و کار آینده

منابع

قبلیمحتوای موضوعی و استراتژی تجسم برای طراحی نقشه فرهنگ خاص شهر بر اساس تواریخ محلی: مطالعه موردی شهر دنگ فنگ، چین

بعدیاستفاده از شاخص خشکی مبتنی بر ماهواره MODIS برای پایش شرایط خشکسالی در حوضه رودخانه پرل از سال 2001 تا 2021

مطالب مرتبط ...

آموزش مقاله نویسی در رشته ادبیات فارسی

تأثیر همسایگی درونیابی DEM بر عوامل زمین

رگرسیون وزنی جغرافیایی تطبیقی ​​غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

خبرنامه

خبرنامه

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

دسترسی سریع

رگرسیون وزنی جغرافیایی تطبیقی غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب