一种多特征、考虑状态转换的下一兴趣点推荐框架 作者：Oraya Sooknit、Jakkarin Suksawatchon 和 Ureerat Suksawatchon

《Medical Sciences》：A Multi-Feature Transition-Aware Framework for Next POI Recommendation Oraya Sooknit, Jakkarin Suksawatchon and Ureerat Suksawatchon

用户后续位置预测中存在签到日志数据不精确的问题，本研究通过时空邻近性重新加权转移概率，并融合POI类别、空间区域及常规/非常规行为模式三重特征，构建多维度迁移模型。实验表明该方法在Recall@1指标上较基线提升19.01%，且NDCG@1显著优化，验证了时空关联与多特征融合的有效性。

　　

摘要

下一个兴趣点（POI）的推荐系统侧重于根据历史签到数据预测用户接下来的位置。然而，在实际应用中，签到日志中经常包含不确定的记录，这些记录中模糊的空间、时间或行为信息会掩盖用户移动的规律性，从而降低预测效果。为了解决这一问题，本研究首先从历史轨迹中推断用户偏好，并根据时间和空间上的邻近性重新评估各转移状态的重要性。然后，该研究使用三个互补的特征维度来建模转移关系：POI类别、空间区域以及常规与非常规行为模式。通过转移概率分析，系统地研究了用户移动中的特征级依赖性。研究结果表明，这些转移特征对预测性能的贡献程度并不均匀，其中仅基于区域的转移状态在单独使用时效果最佳。尽管如此，将它们结合起来使用能够 consistently 实现最高的准确率，这突显了基于转移状态建模的关键作用。在两个真实世界的数据集上，所提出的框架在顶级准确率（Recall@1）和排名质量（NDCG@1）方面始终表现出先进的性能，并且在较高的阈值下也具有竞争力的效果（?? =3 和 ?? =5）。值得注意的是，在纽约市的数据集上，MTF-POI 的 Recall@1 达到了最高水平（比最强基线高出 19.01%），尽管在 Recall@3 上有所折中，这反映了该框架在设计上注重精确预测用户下一步行动的目标。