POI（point of interest）的推薦氓奈，事實上就是興趣點的推薦，也就是對地理位置的推薦舀奶，在美團育勺，點評等業(yè)務(wù)場景比較適用，于是決定開始看幾篇相關(guān)的論文腹躁。最近在思考如何把看過的論文做個轉(zhuǎn)化南蓬，而不是處于那種看了就忘，忘了又看的狀態(tài)烧颖，所以決定開始寫博客炕淮。當然是比較簡單的。鳖悠。嘻嘻乘综。

1.引言

隨著web2.0時代的到來，location-based social networks (LBSNs)在最近幾年出現(xiàn)了胞皱。許多用戶都會在去玩去吃飯時進行簽到打卡九妈，所以將用戶的這些簽到信息用在個性化推薦萌朱，對于在特定地點對特定用戶進行廣告投遞，和對用戶進行新地點的探索有重要的意義酒贬。

不像傳統(tǒng)的桌面推薦翠霍，比如（電影，音樂等的推薦）零如，POI推薦是將移動用戶和物理地點（觀光地點）等融合起來的锄弱，所以棵癣，面臨了更多挑戰(zhàn)：

1）數(shù)據(jù)稀疏：對POI地點的點評信息是要比對電影音樂等評價的花費要更昂貴的（畢竟你得實際去那一趟），并且很多用戶由于隱私，不愿意簽到河劝。使得POI中的數(shù)據(jù)很稀疏，這使得大部分的協(xié)同過濾方法都GG了牌里。

2）環(huán)境因素：POI推薦不僅要考慮用戶個人的偏好务甥，還有考慮時空上下文

3）冷啟動：無論什么推薦都會有的問題

4）用戶偏好的動態(tài)變化：用戶的喜好是會隨著時間的變化而變化敞临，而捕捉到這種興趣的遷移是十分有意義的。所以POI推薦是基于用戶最近的喜好和用戶所處的時空環(huán)境做推薦的奏黑。

為了應對以上四種挑戰(zhàn)编矾，我們提出了一種新的方法，來將以下四種因素融合起來蹂匹。

1）序列影響：事實證明人類的活動是存在序列模式的凹蜈，比如用戶一般會在機場和酒店間存在序列的check in信息踪区。

2）地理信息：人們趨向于訪問與他們目前所處的POI相近的POI

3）時間循環(huán)因素：人們在一天的活動模式中是存在規(guī)律的。比如早上九點到辦公室静尼，中午12點出現(xiàn)在飯店传泊。所以對于推薦而言眷细，他在午餐時間出現(xiàn)在飯店的概率是比出現(xiàn)在酒吧概率高的。

4）語義因素：Whrrl數(shù)據(jù)集證明同一用戶的check-in信息表現(xiàn)出了語義相似性普舆。

雖然目前很多方法都提出了將上述幾種因素進行融合，但是沒有這樣一種將所有都融合起來的方法（=祖能。=）养铸，并且不能很好擴展模型轧膘。另一方面，目前的方法不能夠很好的支持實時的推薦鳞滨，1）重新訓練模型非常耗費時間椿浓；2）不能夠很好的追蹤用戶喜好的變化扳碍，因為用戶最近的checkin信息會被淹沒在大量的數(shù)據(jù)中。雖然最近有markov-based的文章通過挖掘用戶時序行為模式來進行預測碱蒙，但是沒有考慮除了序列之外的其他幾個因素赛惩。

最近趁餐，embedding 技術(shù)被廣泛地使用到了各個領(lǐng)域，本文在embedding的基礎(chǔ)上季惯，提出了一種graph-based embedding called GE臀突，特別的候学，我們使用二部圖來捕捉POI-POI（序列影響），POI-地理位置（地理因素）隐圾，POI-time slots（時間因素），POI-content words（語義因素）硕盹，然后我們將這四種異質(zhì)的網(wǎng)絡(luò)圖embedding到低維空間中（how?）。最后啊胶，為了追蹤動態(tài)的用戶喜好變化焰坪，最后提出的模型是將用戶最近喜好和時空上下文的embedding結(jié)合起來進行推薦（原文是：To support real-time & context-aware recommendation, the final recommendations are made based on the embeddings of the user’s latest preferences and the spatiotemporal context in the shared latent space.）文章的主要貢獻如下：

1）就目前所知，我們是第一個將上述幾個因素全部考慮進來融合的儒恋。

2）我們提出了一種graph-based的embedding model來學習POI黔漂，時間炬守，地理位置，語義的表示酣藻，然后基于學習到的這些表示鳍置，提出了新奇（税产？感覺有點類似于attention）的模型來進行用戶喜好建模。

3）做了大量的試驗后撤卢，發(fā)現(xiàn)我們的很好放吩。

2.Graph-based embedding model

2.1 problem formulation

文章中用到的符號羽杰。

definition1：（POI）是一個特定的地點。有三個屬性：identifier莉测，geographical location and content唧喉，分別用v,lv,Wv來表示八孝。

definition2：（check-in activity）由五元組組成(u, v, lv, τ, Wv)，其中τ代表用戶u在時間τ訪問了地點v

definition3：（user profile）這里面是一系列由與用戶相關(guān)的check-in activity組成的子姜，并且按時間戳順序排序

definition4：（POI-POI graph）denoted as Gvv = (V ∪ V哥捕，Evv）嘉熊，V是一系列check-in的POIs，Evv是他們之間的邊

definition5：（POI-Region）denoted as Gvr=（V∪R鸽捻，Evr）御蒲，當v在region時诊赊，兩個有連邊

definition6：（POI-time）denoted as Gvt = (V ∪ T, Evt)碧磅，連邊權(quán)重是指在某一時間片中POI訪問的越頻繁權(quán)重越大

definition7：（POI-word）denoted as Gvw = (V ∪ W，Evw)丰榴，

然后通過把這幾個圖embedding到低維的共享的空間四濒，我們就能得到~v, ~r, ~t and ~w的表示。

然后將問題也形式化一下戈二，在給定數(shù)據(jù)集D的情況下喳资，有一個query q=(u,l,τ）仆邓，然后給出topk的 POI。

2.2 模型描述和優(yōu)化

2.2.1 二部圖的表示

受LINE的啟發(fā)（很多都提到了LINE绒北，是時候?qū)W習一波了，好像是能夠從大型的異質(zhì)網(wǎng)絡(luò)中學習embedding）

首先定義一個條件概率（這個用底下的KL散度推一下贴汪，不難）：

因為上述計算很麻煩扳埂，于是采用負采樣來優(yōu)化模型阳懂。

接下來開始將四張圖放在一起聯(lián)合學習embedding，目標函數(shù)和各部分的表示如下

最后進行對用戶喜好的動態(tài)建模 柜思。之前的一樣隱空間模型等對用戶喜好建模都十分耗時岩调，所以本文使用最近用戶訪問的POI的表示來建模，并且隨著時間τ越遠赡盘，該項POI的效果逐漸衰減号枕。

finally。來看下文章如何進行推薦的陨享。文章還是很巧妙的把上述幾種embedding融合在一起了葱淳。（但是文章推薦給用戶的是之前沒有訪問過的POI，這里感覺有點過于強硬赞厕，萬一用戶是呈周期性的想要訪問某個點，所以我感覺應該把之前訪問過的和未訪問過一起加起來計算定硝，并賦予不同權(quán)重給他們皿桑。個人見解哈哈。）

接下來就是實驗部分啦，文章的實驗部分進行的十分詳細唁毒。建議可以去看看蒜茴。不僅使用了基礎(chǔ)的baseline，還將自己提出的算法進行了變種浆西。分別驗證了不同因素對于推薦的影響因素粉私。很強~，就不一一貼了近零，可以自己去找論文看哇诺核。