《Expert Systems with Applications》：Multi-channel Next Point-of-Interest Recommendation with User Multi-dimensional Preferences
编辑推荐：
本文提出MCMDRec模型，通过构建空间衰减矩阵和分层区域索引，结合多通道多任务学习框架，有效解决了下一兴趣点（POI）推荐中用户偏好建模不完整的问题。实验表明该模型在HR@10和NDCG@10指标上最高提升22.11%，为基于位置的社交网络（LBSN）应用提供了创新解决方案。
研究亮点
尽管现有研究已取得显著进展，但以下挑战仍未得到充分解决：首先，充分利用POI之间的空间邻近性和相似性特征仍然困难。虽然POI的地理位置信息反映了它们的空间邻近性和相似性，但这些信息必须通过经纬度唯一标识。然而模型难以直接处理经纬度信息，导致无法有效学习POI之间复杂的空间关系。其次，现有方法大多专注于细粒度层面的用户POI偏好或其长短期偏好建模，却忽视了不同粒度层级下用户多维偏好的联合建模重要性，这导致用户偏好建模不完整。该限制阻碍了粗粒度偏好（如类别偏好和区域偏好）在预测下一POI时的有效利用，从而制约了模型的整体性能和预测准确性。
我们的方法
为解决上述挑战，我们提出了一种基于用户多维偏好联合建模的下一兴趣点推荐方法，命名为MCMDRec（多维偏好多通道下一POI推荐框架）。首先，通过空间衰减矩阵捕捉签到轨迹中非相邻位置之间的非线性空间关联，同时将地理位置信息映射为分层区域索引，构建多层次区域辅助预测任务。这两种策略有效挖掘了POI地理位置信息中隐含的空间邻近性和相似性特征。其次，针对用户偏好建模不完整的问题，我们提出利用多粒度签到信号进行联合建模的方法来捕捉用户多维偏好。具体而言，该方法联合建模细粒度层面的用户长短期偏好和粗粒度层面的类别与区域偏好，从而有效捕捉用户偏好的多维动态变化。最后，为充分利用用户多维偏好信息，我们设计了多通道多任务学习机制，通过约束候选POI的类别和区域范围来优化下一POI预测过程。
创新点
我们模型的关键创新如下：
• 通过构建空间衰减矩阵和分层区域索引，有效挖掘POI固有的空间邻近性和相似性信息
• 通过联合建模细粒度层面的用户长短期偏好和粗粒度层面的类别与区域偏好，有效捕捉用户偏好的多维变化
• 设计多通道多任务学习框架，通过按类别和区域缩小候选POI范围来提升推荐性能，有效缓解数据稀疏性问题
• 在三个真实数据集上的大量实验表明MCMDRec持续优于现有最优方法。在多次运行取平均值并报告标准差后，该模型在三个数据集上分别实现了17.16%、6.22%和14.25%的显著性能提升
兴趣点推荐研究概览
作为一种特殊的序列推荐任务，在深度学习技术发展早期，研究者主要使用循环神经网络（RNN）捕捉用户访问轨迹中的时间特征和历史签到关系依赖性。例如ST-RNN提出了一种整合时空上下文的RNN模型...
结论与展望
我们构建了一个包含多维用户偏好的多通道下一兴趣点推荐框架，旨在解决现有方法中用户偏好建模不完整的问题。我们首先在细粒度层面建模用户的一般偏好和短期兴趣，捕捉其在不同签到时段的行为模式变化；其次独立建模用户在粗粒度层面的类别偏好和区域偏好...
