夏 英，張金鳳

重慶郵電大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，重慶 400065

目前，隨著智能手機(jī)、移動(dòng)互聯(lián)網(wǎng)等技術(shù)的發(fā)展，LBSN 得到廣泛應(yīng)用，如國(guó)外的Gowalla、Foursquare，國(guó)內(nèi)的大眾點(diǎn)評(píng)、美團(tuán)等。在LBSN 平臺(tái)，用戶可對(duì)當(dāng)前訪問的POI（如餐廳、書店、旅游景點(diǎn)等）進(jìn)行簽到、評(píng)論等操作，并能與社交好友分享自己的簽到信息。在LBSN除了用戶簽到信息，還包含社交關(guān)系、興趣點(diǎn)、用戶評(píng)論等海量數(shù)據(jù)，充分挖掘這些數(shù)據(jù)，可以更好地分析用戶的簽到行為，把握用戶群體興趣特征和訪問規(guī)律，有利于提高個(gè)性化POI推薦服務(wù)質(zhì)量。

在LBSN平臺(tái)，POI的規(guī)模龐大且分布廣泛，而每個(gè)用戶訪問并簽到過的POI往往很少，這使得用戶簽到數(shù)據(jù)十分稀疏，給POI推薦帶來挑戰(zhàn)。

針對(duì)用戶簽到數(shù)據(jù)的稀疏性問題，本文提出基于社交關(guān)系和局部地理因素的POI推薦算法，通過融合社交關(guān)系、地理位置信息來豐富有效數(shù)據(jù)，提高推薦質(zhì)量。本文的主要貢獻(xiàn)有以下三點(diǎn)：

（1）在構(gòu)建社交關(guān)系影響模型時(shí)，綜合考慮用戶間的共同簽到和距離關(guān)系，提出一種用戶相似性度量方法，減少相似性計(jì)算誤差。

（2）在構(gòu)建地理因素影響模型時(shí)，通過為每個(gè)用戶劃分一個(gè)局部活動(dòng)區(qū)域，分析用戶所屬區(qū)域內(nèi)尚未訪問POIs 間的簽到相關(guān)性，更加充分地剖析出每個(gè)用戶簽到的地理偏好。

（3）在進(jìn)行興趣點(diǎn)推薦時(shí)，將上述考慮的社交關(guān)系和局部地理因素融合到加權(quán)矩陣分解模型中，構(gòu)建一個(gè)更加符合用戶偏好的POI推薦模型，在一定程度上緩解了數(shù)據(jù)稀疏性問題。實(shí)驗(yàn)表明，本文所提出的算法具有更高的準(zhǔn)確率和召回率。

1 相關(guān)工作

POI推薦是LBSN 中重要的個(gè)性化服務(wù)，旨在為用戶推薦符合他們興趣但尚未訪問過的POI列表。目前，針對(duì)位置社交網(wǎng)絡(luò)的POI推薦已展開大量的研究工作，一些特定場(chǎng)景的應(yīng)用也開始大量涌現(xiàn)，如餐廳推薦[1]、旅游路線推薦[2]等。

目前，大多數(shù)的POI推薦都是通過用戶簽到數(shù)據(jù)結(jié)合豐富的上下文信息來緩解數(shù)據(jù)稀疏性，挖掘用戶對(duì)尚未訪問POIs 的偏好程度。如Cheng 等人[3]采用多中心高斯分布來建模POIs 間距離分布，并結(jié)合社交關(guān)系進(jìn)行POI 推薦。Zhang 等人[4]為避免所有用戶采用統(tǒng)一分布造成的誤差，采用核密度估計(jì)模擬任意兩個(gè)POIs 間的距離分布，構(gòu)建地理因素影響模型。Zhang 等人[5]從位置序列中挖掘順序模式，并將序列影響、社交影響和地理因素影響融合在統(tǒng)一的推薦框架中。Yali等人[6]在基于朋友協(xié)同過濾基礎(chǔ)上，綜合考慮社交關(guān)系和地理位置特征，提出個(gè)性化的興趣點(diǎn)推薦模型。Zhang 等人[7]對(duì)標(biāo)簽、社交和地理因素分別進(jìn)行建模，并將它們?nèi)诤系揭环N矩陣分解方法中。Zhang等人[8]利用BPR模型對(duì)矩陣分解進(jìn)行優(yōu)化，并結(jié)合用戶社交關(guān)系和地理位置信息進(jìn)行POI推薦。

除此之外，也有很多研究利用其他上下文信息進(jìn)行POI推薦，如Gao等人[9]將一天劃分為多個(gè)時(shí)間段，分別構(gòu)建不同時(shí)間段下的User-POI簽到矩陣，然后使用矩陣分解法獲取不同時(shí)間段的用戶偏好。Zhang等人[10]對(duì)用戶評(píng)論進(jìn)行語義分析和情感計(jì)算，根據(jù)用戶的情感傾向預(yù)測(cè)用戶偏好。Wu等人[11]將POI流行度特征融入基于用戶協(xié)同過濾方法中，并結(jié)合社交關(guān)系和地理因素進(jìn)行POI推薦。

盡管通過融合豐富的上下文信息可以有效緩解數(shù)據(jù)稀疏性問題，但現(xiàn)有融合上下文信息的POI推薦算法中仍存在以下一些問題：在研究社交關(guān)系影響時(shí)，用戶相似性影響因素選取往往比較單一，對(duì)于那些擁有較少簽到信息的用戶難以構(gòu)建社交影響模型；在分析地理因素影響時(shí)，現(xiàn)有計(jì)算全局POIs 間地理相關(guān)性的方法不能充分剖析每個(gè)用戶的地理偏好。因此，本文提出融合社交關(guān)系和局部地理因素的POI推薦算法，可以有效地提高推薦的準(zhǔn)確率和召回率。

2 興趣點(diǎn)推薦模型

POI 推薦的任務(wù)是給用戶推薦一個(gè)其感興趣但尚未訪問過的POIs列表。本章通過深入分析社交關(guān)系和地理因素對(duì)用戶簽到行為的影響，構(gòu)建更加符合用戶偏好的POI推薦模型。

2.1 相關(guān)符號(hào)及定義

為方便后續(xù)討論，表1 給出了相關(guān)符號(hào)及其含義。同時(shí)，對(duì)簽到矩陣和簽到熱點(diǎn)進(jìn)行了定義。

表1 相關(guān)符號(hào)描述Table 1 Relevant Symbols description

定義1（簽到矩陣）根據(jù)用戶歷史簽到記錄，構(gòu)建簽到矩陣R||U×||I，矩陣中每個(gè)元素rui表示用戶u對(duì)POIi的簽到次數(shù)。

定義2（簽到熱點(diǎn)）用戶u簽到次數(shù)最高的POI。

2.2 社交關(guān)系影響模型的構(gòu)建

在LBSN中，用戶的簽到行為在一定程度上受到其社交關(guān)系的影響，進(jìn)而促使用戶訪問一些未去過的POIs。例如，在日常生活中去過一個(gè)體驗(yàn)很好的餐廳或書店后，很可能會(huì)邀請(qǐng)或推薦自己的朋友前去，這些都可能使得用戶在相同的POI產(chǎn)生共同簽到，社交用戶間存在一定的行為相似性。因此，考慮用戶的社交關(guān)系對(duì)用戶簽到行為的影響有利于提高POI推薦質(zhì)量。

對(duì)于用戶尚未訪問過的POIs，本文使用基于用戶的協(xié)同過濾方法[12]計(jì)算社交關(guān)系信息對(duì)用戶簽到行為的影響程度，其計(jì)算公式如下：

其中，cvi的定義如下：

其中，sui表示用戶u對(duì)POIi的偏好程度。Fu表示用戶u在社交網(wǎng)絡(luò)上的所有朋友集合，用戶v是用戶u的社交好友，cvi表示好友v對(duì)POIi的簽到情況，simuv表示用戶u和v的相似度。

對(duì)于式（1）中的用戶相似度simuv，不同的研究采用的方法不同[3-6]。大多數(shù)研究中，只考慮了基于共同簽到的用戶相似度，這對(duì)那些擁有較少簽到信息的用戶無法有效計(jì)算其社交偏好。因此，本文考慮在以往基于共同簽到的相似性研究基礎(chǔ)上，同時(shí)通過用戶間距離關(guān)系來度量用戶間的興趣差異，減小用戶相似度的計(jì)算誤差。

一方面，通常認(rèn)為用戶間的共同簽到越多，他們的偏好就越相似。在基于行為相關(guān)性的相似性度量方法中，Jaccard 方法[13]在計(jì)算效率和推薦準(zhǔn)確率上效果更好，基于Jaccard方法計(jì)算用戶簽到相似度公式如下：

其中，Ru和Rv分別表示用戶u和v簽到的POIs集合。

另一方面，考慮到相距較近的用戶擁有更多的共享興趣點(diǎn)，會(huì)產(chǎn)生較多的共同簽到。因此，對(duì)于距離越近的用戶，其簽到行為的相似度越高。本文通過改進(jìn)Sigmod函數(shù)計(jì)算用戶距離相似度。

Sigmod函數(shù)是常見的S型函數(shù)，公式定義如下：

該函數(shù)連續(xù)、光滑、嚴(yán)格單調(diào)，關(guān)于點(diǎn)（0，0.5）中心對(duì)稱，在區(qū)間[-∞,+∞]上呈非線性增長(zhǎng)?；谏鲜黾僭O(shè)中距離相似度隨著用戶間距離應(yīng)呈遞減狀態(tài)，因此考慮改進(jìn)Sigmod 函數(shù)來衡量基于用戶距離的相似度，改進(jìn)后的用戶距離相似度計(jì)算公式如下：

其中，dis(u,v)表示用戶u與v間的距離，其根據(jù)用戶簽到熱點(diǎn)的經(jīng)緯度信息，利用Haversine方法[14]計(jì)算得出。計(jì)算公式如下：

其中，R為地球半徑，φ1和φ2分別表示用戶u和v簽到熱點(diǎn)的緯度，σ1和σ2分別表示用u和v簽到熱點(diǎn)的經(jīng)度。

綜合以上設(shè)計(jì)，本文對(duì)用戶簽到相似度和距離相似度行線性加權(quán)，得到用戶u和v的最終相似度，計(jì)算公式如下：

其中，α為調(diào)節(jié)用戶簽到相似度和距離相似度影響權(quán)重的參數(shù)。

將式（8）代入式（1）即可得到在社交關(guān)系影響下用戶對(duì)興趣點(diǎn)的社交偏好矩陣S。

2.3 局部地理因素影響模型的構(gòu)建

在位置社交網(wǎng)絡(luò)中，地理位置信息是其特有的語境信息，是提升POI 推薦質(zhì)量的重要因素。目前，考慮地理因素影響的模型主要是通過分析用戶所有簽到POIs的分布情況，通過POIs 間距離關(guān)系計(jì)算用戶對(duì)POIs 的簽到概率，如常用的高斯分布[3]及核密度估計(jì)[4]等。為了進(jìn)一步研究地理因素的影響，這里發(fā)現(xiàn)用戶簽到呈現(xiàn)出空間聚類現(xiàn)象[15]，表明用戶喜歡訪問鄰近POIs，如用戶去某個(gè)城市旅行，往往會(huì)對(duì)相鄰區(qū)域集中的POIs 都進(jìn)行訪問，鄰近POIs 間的簽到情況具有一定的關(guān)聯(lián)性[16]。因此，本文考慮為每個(gè)用戶劃分一個(gè)局部活動(dòng)區(qū)域，充分剖析區(qū)域內(nèi)尚未訪問POIs間的簽到相關(guān)性，構(gòu)建更加符合用戶偏好的局部地理因素影響模型。

步驟1劃分用戶活動(dòng)區(qū)域

首先，找到用戶u的簽到熱點(diǎn)，然后為用戶u劃分一個(gè)距離簽到熱點(diǎn)半徑為β的局部活動(dòng)區(qū)域。

步驟2尋找區(qū)域內(nèi)用戶尚未訪問的POIs

在步驟1所劃分用戶活動(dòng)區(qū)域內(nèi)，尋找用戶u尚未訪問的POIs集合，分析與集合中POIi相距小于γ的鄰居POIs的簽到情況。

步驟3計(jì)算地理偏好程度

研究發(fā)現(xiàn)，用戶往往會(huì)對(duì)鄰近POIs進(jìn)行集中訪問，針對(duì)鄰近POIs 的簽到影響已展開相關(guān)研究[16]。其中，Hossein等人[17]認(rèn)為用戶對(duì)鄰近POIs的簽到數(shù)量會(huì)對(duì)用戶u簽到POIi產(chǎn)生一定影響，并構(gòu)建出一個(gè)更加符合用戶偏好的地理偏好模型。因此，本文根據(jù)鄰居POIs的簽到情況，采用文獻(xiàn)[17]中的地理偏好定義，計(jì)算用戶u對(duì)POIi的簽到概率，公式如下：

其中，表示用戶u對(duì)POIi所有鄰居POIs 的簽到數(shù)量，Lu表示用戶u曾訪問過的所有POIs集合。

2.4 融合社交關(guān)系和局部地理因素的興趣點(diǎn)推薦模型

2.4.1 基礎(chǔ)模型

在LBSN 中，用戶社交關(guān)系、地理位置等上下文信息都會(huì)影響用戶的簽到行為，但最主要的是從用戶歷史簽到數(shù)據(jù)中反映出來的用戶自身偏好。在POI推薦中，矩陣分解技術(shù)[18]常用于挖掘用戶的自身偏好。但由于User-POI簽到矩陣中只能觀察到用戶訪問過的POIs，對(duì)于那些用戶尚未訪問過的POIs 會(huì)產(chǎn)生大量的缺失項(xiàng)，因此無法使用一般的矩陣分解技術(shù)來構(gòu)建用戶自身偏好模型。Hu等人[19]首次在大規(guī)模隱式數(shù)據(jù)上提出加權(quán)矩陣分解（Weighted Matrix Factorization，WMF）模型，該模型通過對(duì)用戶已訪問的POIs 分配較大權(quán)重，對(duì)尚未訪問的POIs分配一個(gè)較小權(quán)重來解決User-POI簽到矩陣中存在的缺失項(xiàng)問題。

在POI 推薦中，WMF 方法將User-POI 簽到矩陣分解為兩個(gè)低維隱藏特征矩陣Pm×k和Qn×k，用戶對(duì)POI的自身偏好矩陣即為兩個(gè)隱藏特征矩陣的內(nèi)積。本文基于WMF 模型構(gòu)建用戶自身偏好模型，其目標(biāo)函數(shù)定義如下：

其中，pu和qi分別表示用戶u與POIi對(duì)應(yīng)的隱特征向量，λ表示正則化系數(shù)。wui表示每個(gè)用戶簽到次數(shù)rui對(duì)應(yīng)的權(quán)重，本文采用文獻(xiàn)[20]中權(quán)重設(shè)置方法，加權(quán)矩陣w的權(quán)重系數(shù)設(shè)置如下：

其中，ε是用來控制權(quán)重系數(shù)隨用戶訪問POI 次數(shù)增長(zhǎng)的速率。

2.4.2 模型融合

在2.4.1節(jié)中，WMF模型根據(jù)用戶的簽到頻次信息提取用戶對(duì)POI的自身偏好，但沒有考慮社交關(guān)系和地理位置等影響因素。本文在WMF 模型上進(jìn)行改進(jìn)，將上述考慮的社交關(guān)系和局部地理信息融合到WMF 模型中，構(gòu)建一個(gè)更加符合用戶偏好的POI 推薦模型SLGMF。該模型的目標(biāo)函數(shù)如式（13）所示：

其中，eui表示用戶u對(duì)POIi的最終偏好，‖pu‖2和‖qi‖2分別表示用戶u和POIi的正則化項(xiàng)，加入目的是為了防止過擬合。

本文目標(biāo)函數(shù)采用交替最小二乘法進(jìn)行優(yōu)化，其主要思想是先依次固定矩陣P，優(yōu)化矩陣Q，然后再固定矩陣Q，優(yōu)化矩陣P，反復(fù)交替，不斷修正p和q分量，獲得最優(yōu)矩陣P和矩陣Q。

SLGMF模型的構(gòu)建如算法2所示。

算法2SLGMF模型構(gòu)建

3 實(shí)驗(yàn)評(píng)估

3.1 數(shù)據(jù)集

實(shí)驗(yàn)選取數(shù)據(jù)集Gowalla[21]，Gowalla收集了2009年2 月至10 月期間的所有簽到數(shù)據(jù)、用戶社交關(guān)系和POI信息。為使實(shí)驗(yàn)數(shù)據(jù)更加有效，將數(shù)據(jù)集中用戶和POI簽到數(shù)量少于15條的低價(jià)值數(shù)據(jù)去除。處理后的標(biāo)準(zhǔn)數(shù)據(jù)集共有5 628個(gè)用戶，31 803個(gè)POIs和620 683條簽到記錄，以及46 001條社交關(guān)系。

3.2 評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)選取常用的準(zhǔn)確率(Precision)和召回率(Recall)作為評(píng)價(jià)指標(biāo)來衡量推薦算法的性能，其定義分別如下：

其中，|U|表示用戶數(shù)量，Ru表示為用戶u推薦的POIs列表，Tu表示用戶u曾訪問過的POIs列表。

3.3 對(duì)比方法與參數(shù)設(shè)置

為了驗(yàn)證所提SLGMF 算法的性能，實(shí)驗(yàn)選取兩種均融合社交關(guān)系和地理因素的POI推薦算法：MGMPFM[3]和LORE[5]。另外，為了考察不同因素對(duì)POI 推薦的影響，本文將SLGMF 算法拆分為僅融合社交關(guān)系的推薦算法S-MF和僅融合局部地理因素的推薦算法LG-MF，并進(jìn)行自身對(duì)比。

MGMPFM：利用多中心高斯模型建模地理因素影響，在概率矩陣分解基礎(chǔ)上融合社交和地理位置信息進(jìn)行POI推薦。

LORE：從用戶簽到的位置序列中挖掘出序列模式，并融合社交和地理因素進(jìn)行POI推薦。

S-MF：本文提出的模型，僅融合社交關(guān)系信息的推薦算法。

LG-MF：本文提出的模型，僅融合地理位置信息的推薦算法。

SLGMF：本文提出的模型，基于加權(quán)矩陣分解，綜合考慮社交關(guān)系和局部地理因素的推薦算法。

在參數(shù)設(shè)置上，所選用對(duì)比模型應(yīng)盡量與原文獻(xiàn)保持一致，使各個(gè)算法性能達(dá)到最優(yōu)。對(duì)于本文提出的SLGMF 模型，分別設(shè)置隱藏特征矩陣維度K=25，用戶相似性影響因子α=0.6，地理因素影響因子β=30，γ=12，上述參數(shù)的取值使得推薦效果達(dá)到最優(yōu)。另外，地球半徑R取平均值為6 371。

3.4 實(shí)驗(yàn)結(jié)果與分析

本文在相同數(shù)據(jù)集上對(duì)各個(gè)POI 推薦算法進(jìn)行Top-N（N=5，10，15，20，25，30）推薦，圖1和圖2展示了Top-N推薦的準(zhǔn)確率和召回率?？梢杂^察到準(zhǔn)確率隨著N的增大而減小，召回率隨著N的增大而增大。這是由于返回的POIs 越多，越有可能發(fā)現(xiàn)更多用戶愿意訪問的POIs。

圖1 推薦的準(zhǔn)確率Fig.1 Recommendation precision

圖2 推薦的召回率Fig.2 Recommendation recall

圖1和圖2可以看出，對(duì)比MGMPFM和LORE這兩種均融合社交關(guān)系和地理因素的POI推薦算法，無論N取何值，SLGMF算法在準(zhǔn)確率和召回率上均有所提升，表明了本文所提出SLGMF算法的有效性。

另外，本文將SLGMF 模型拆分為僅融合社交信息的POI 推薦模型和僅融合地理位置信息的POI 推薦模型，通過實(shí)驗(yàn)分析融合單一上下文信息的推薦效果，結(jié)果如圖1和圖2所示。當(dāng)為用戶進(jìn)行Top-5推薦時(shí)，在準(zhǔn)確率上，SLGMF 算法相對(duì)S-MF 算法提升了14.6%，相對(duì)LG-MF 算法提升了11.2%。在召回率上，SLGMF 算法相對(duì)于S-MF 算法提升了24.3%，相對(duì)于LG-MF 算法提升了22.8%。這說明本文在加權(quán)矩陣分解基礎(chǔ)上融合多種上下文信息，確實(shí)可以有效地緩解數(shù)據(jù)稀疏性問題，提高推薦性能，并且融入有效的上下文信息越多，推薦效果越好。除此之外，對(duì)比S-MF和LG-MF算法可以發(fā)現(xiàn)，僅融合地理因素的LG-MF 推薦性能要優(yōu)于僅融合社交因素的S-MF，這表明地理因素對(duì)用戶簽到行為的影響要高于社交因素。

3.5 模型參數(shù)的影響

在2.4.1節(jié)中構(gòu)建用戶自身偏好模型時(shí)，通過WMF將用戶簽到矩陣分解為兩個(gè)維度為K的隱藏特征矩陣P和Q，參數(shù)K的值決定用戶對(duì)POI 的自身偏好程度。本節(jié)選取不同的K值，對(duì)用戶進(jìn)行Top-5 推薦，推薦結(jié)果如圖3所示?？梢钥闯?，當(dāng)維度K=25 時(shí)，SLGMF推薦性能最好，且隨著K的不斷增加，推薦效果開始呈下降狀態(tài)，這是由于模型已經(jīng)出現(xiàn)過擬合的原因。

圖3 參數(shù)K 對(duì)準(zhǔn)確率和召回率的影響Fig.3 Effect of parameters k on precision and recall

在式（8）中計(jì)算用戶最終相似度時(shí)，參數(shù)α決定著距離相似度和簽到相似度的影響程度。為了探究用戶間距離和共同簽到對(duì)用戶簽到行為的影響，實(shí)驗(yàn)選取不同的α值對(duì)用戶u進(jìn)行Top-5 推薦，結(jié)果如圖4 所示?？梢钥闯?，當(dāng)α=0.6 時(shí)，推薦效果最佳，同時(shí)也表明用戶簽到行為相似度受用戶間距離的影響更大。

圖4 參數(shù)α 對(duì)準(zhǔn)確率和召回率的影響Fig.4 Effect of parameter α on precision and recall

在2.3 節(jié)構(gòu)建局部地理因素影響模型時(shí)，為每個(gè)用戶劃分一個(gè)局部活動(dòng)區(qū)域，參數(shù)β是用來控制用戶活動(dòng)范圍，參數(shù)γ用來判別區(qū)域內(nèi)尚未訪問POIi的鄰居POIs。因此，為探究用戶局部簽到規(guī)律，實(shí)驗(yàn)選取不同的β和γ進(jìn)行Top-5推薦，分析局部地理因素對(duì)用戶簽到行為的影響，推薦結(jié)果分別如圖5 和圖6 所示?？梢钥闯?，當(dāng)β=30，γ=12 時(shí)，推薦效果達(dá)到最佳，也可以看出用戶比較傾向訪問離自己較近的POIs。

圖5 參數(shù)β 對(duì)準(zhǔn)確率和召回率的影響Fig.5 Effect of parameters β on precision and recall

圖6 參數(shù)γ 對(duì)準(zhǔn)確率和召回率的影響Fig.6 Effect of parameters γ on precision and recall

4 結(jié)束語

為了解決POI推薦中存在的數(shù)據(jù)稀疏性問題，本文提出一種融合社交關(guān)系和局部地理因素的POI 推薦模型SLGMF。首先，根據(jù)社交關(guān)系中用戶間的共同簽到和距離關(guān)系提出一種用戶相似性度量方法，并基于用戶的協(xié)同過濾得出社交關(guān)系對(duì)用戶簽到行為的影響程度；然后，為每個(gè)用戶劃分一個(gè)局部活動(dòng)區(qū)域，充分剖析區(qū)域內(nèi)尚未訪問POIs 間的簽到相關(guān)性，計(jì)算局部地理因素對(duì)用戶簽到行為的影響程度；最后，基于加權(quán)矩陣分解構(gòu)建用戶自身偏好模型，并結(jié)合上述考慮的社交關(guān)系和局部地理因素，構(gòu)建更加符合用戶偏好的POI推薦模型，有效地緩解數(shù)據(jù)稀疏性問題；在Gowalla數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，結(jié)果表明所提的SLGMF 算法具有良好的推薦性能。

現(xiàn)實(shí)生活中，影響用戶簽到行為的因素除了本文所考慮的社交關(guān)系和地理因素外，還有諸如時(shí)間、評(píng)論文本、圖像等豐富的上下文信息。在未來的研究工作中，將重點(diǎn)考慮如何利用更多的上下文信息來提高POI 推薦性能。