朱建豪，馬文明，王 冰，武 聰

(煙臺大學(xué) 計(jì)算機(jī)與控制工程學(xué)院，山東 煙臺 264005)

0 引 言

在現(xiàn)實(shí)生活中，用戶的簽到行為通常發(fā)生在一個(gè)序列中，推薦系統(tǒng)通過用戶的歷史簽到記錄和當(dāng)前的簽到狀態(tài)，來為用戶推薦接下來可能去的興趣點(diǎn)。目前先進(jìn)的序列推薦算法通過綜合計(jì)算用戶的長期偏好和短期偏好進(jìn)行POI推薦，比如用戶X是一個(gè)體育愛好者，平時(shí)喜歡去籃球場打籃球，當(dāng)他放假準(zhǔn)備行李坐飛機(jī)外出旅游時(shí)，推薦系統(tǒng)會(huì)根據(jù)用戶短期偏好進(jìn)行相關(guān)景點(diǎn)推薦，而不會(huì)根據(jù)用戶長期偏好進(jìn)行籃球場等相關(guān)地點(diǎn)推薦。然而目前序列推薦算法存在一些問題，沒有考慮有效利用用戶簽到地點(diǎn)之間的時(shí)間和空間間隔的信息，不能夠準(zhǔn)確地表達(dá)用戶的偏好，用戶的簽到行為可能為用戶提供了關(guān)鍵信息，比如用戶V星期五公司下班后，習(xí)慣去公司周圍籃球場打籃球，然后在附近餐廳吃飯，到了星期六，用戶會(huì)在家周圍的籃球場打籃球并在附近餐廳吃飯，這種簽到之間的時(shí)間間隔和空間間隔信息會(huì)為用戶推薦在籃球場附近的餐廳以及下一步的行動(dòng)[1,2]。

為此，本文提出一種融合時(shí)空網(wǎng)絡(luò)和自注意力的興趣點(diǎn)序列推薦系統(tǒng)模型(sequential recommendation of point of interest combines spatio-temporal network with self-attention，STSASP)，為用戶推薦一個(gè)POI序列。以經(jīng)緯度表示POI的地理位置，計(jì)算用戶簽到行為之間的時(shí)間間隔以及簽到地點(diǎn)之間的空間間隔，將時(shí)空間隔信息融入門控循環(huán)單元(gated recurrent unit，GRU)模型中，捕捉用戶反饋數(shù)據(jù)的序列性，同時(shí)使用自注意力(self-attention)機(jī)制在簽到序列上為每次簽到分配不同的權(quán)重，反映用戶的長期偏好，最后通過時(shí)空間隔信息為用戶匹配POI序列。

1 相關(guān)工作

傳統(tǒng)的推薦系統(tǒng)分為：基于內(nèi)容的推薦系統(tǒng)和協(xié)同過濾的推薦系統(tǒng)，都是以靜態(tài)方式對用戶反饋數(shù)據(jù)進(jìn)行建模，只能捕獲用戶的一般偏好。隨著時(shí)間的推移，用戶的交互行為和用戶的偏好很有可能發(fā)生改變，傳統(tǒng)的推薦系統(tǒng)忽略了用戶偏好的動(dòng)態(tài)變化，所以傳統(tǒng)的推薦系統(tǒng)不能有效地處理POI推薦問題。

序列推薦系統(tǒng)把用戶歷史數(shù)據(jù)看作一個(gè)動(dòng)態(tài)序列，在用戶項(xiàng)目序列中，通過考慮用戶順序行為和歷史數(shù)據(jù)的相互依賴性預(yù)測用戶的偏好，從而更加精確地進(jìn)行推薦[3]。序列推薦主要有兩種模型：基于馬爾可夫[4]的模型和基于深度學(xué)習(xí)[5]的模型。馬爾可夫模型通過轉(zhuǎn)移概率矩陣預(yù)測下一個(gè)行為的概率，但由于序列數(shù)據(jù)的稀疏性，F(xiàn)PMC[6]模型被提出，該方法將矩陣分解機(jī)和馬爾可夫鏈相結(jié)合提取序列信息，考慮用戶偏好。但是在處理高階順序依賴關(guān)系時(shí)，高階馬爾可夫鏈[7]模型因參數(shù)數(shù)量隨階數(shù)指數(shù)增長，其分析歷史狀態(tài)有限。因此基于深度學(xué)習(xí)的序列推薦系統(tǒng)模型迅速發(fā)展起來，其中循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)[8]最具有代表性并在各個(gè)應(yīng)用上表現(xiàn)良好。然而隨著輸入序列長度的增加，RNN無法學(xué)習(xí)和利用前面的信息，面臨著長期依賴、梯度爆炸問題[9]，文獻(xiàn)[10,11]分別使用長短期記憶模型(long-short term memory，LSTM)和門控循環(huán)單元模型來解決這一問題，它們能夠?qū)τ袃r(jià)值的交互信息進(jìn)行長期記憶，并且可以較好地解決梯度消失和爆炸問題，從而提升網(wǎng)絡(luò)模型的學(xué)習(xí)能力。

進(jìn)一步研究發(fā)現(xiàn)，將時(shí)間和空間信息融入模型中能夠提升推薦結(jié)果。STRNN[12]將時(shí)間和空間信息融入到循環(huán)神經(jīng)網(wǎng)絡(luò)，考慮連續(xù)兩次交互的時(shí)間和距離間隔，通過轉(zhuǎn)移矩陣融合時(shí)空信息。LSTPM[13]聚集用戶最近訪問位置，將地理因素融入RNN中。Time-LSTM[14]在LSTM中加入時(shí)間門。STGN[15]通過添加時(shí)空門進(jìn)一步增強(qiáng)了LSTM結(jié)構(gòu)。但是由于RNN的超強(qiáng)假設(shè)，序列中任何相鄰的交互假設(shè)都是相互依賴的，容易產(chǎn)生錯(cuò)誤的依賴關(guān)系。注意力機(jī)制[16]能夠?yàn)椴煌男蛄袛?shù)據(jù)賦予不同的權(quán)重，有效捕捉用戶長序列數(shù)據(jù)之間的相互依賴。SASRec[17]使用自注意力進(jìn)行序列推薦，DeepMove[18]通過注意層和循環(huán)層學(xué)習(xí)長期周期性和短期序列規(guī)律。ATST-LSTM[19]使用注意力機(jī)制為每個(gè)交互分配不同的權(quán)重，但只考慮了連續(xù)訪問。CSALSR[20]融合自注意力機(jī)制與長短期偏好進(jìn)行序列推薦，但是沒有考慮時(shí)間間隔和空間間隔的信息。

2 時(shí)空網(wǎng)絡(luò)自注意力模型

2.1 問題描述和問題定義

2.1.1 問題描述

在融合時(shí)空網(wǎng)絡(luò)和自注意力的興趣點(diǎn)序列推薦系統(tǒng)模型中，模型通過用戶的歷史簽到序列數(shù)據(jù)，預(yù)測用戶接下來將要去的3個(gè)連續(xù)地點(diǎn)的POI序列，比如用戶去過的簽到序列為 [Pseq1,Pseq2,Pseq3,…,PseqH]， 需要預(yù)測的POI序列為Pj=[PseqH+1,PseqH+2,PseqH+3]。

2.1.2 問題定義

(1)

(2)

(3)

其中，r為地球半徑6371 KM。計(jì)算地點(diǎn)集合P=[P1,P2,P3,…,PM] 中每個(gè)地點(diǎn)與用戶簽到序列C(Ui)=[Pseq1,Pseq2,Pseq3,…,PseqH] 中每個(gè)地點(diǎn)的空間距離，計(jì)算3次來填充矩陣，用E(N)表示；計(jì)算POI序列Pj=[PseqH+1,PseqH+2,PseqH+3] 中每次簽到與簽到序列中 [Pseq1,Pseq2,Pseq3,…,PseqH] 中每次簽到的時(shí)間間隔，計(jì)算M次來填充矩陣，用E(S)表示，E(S),E(N)∈R3*M*H。

2.2 模型結(jié)構(gòu)

本文提出了融合時(shí)空網(wǎng)絡(luò)和自注意力的興趣點(diǎn)序列推薦系統(tǒng)模型，模型的輸入為用戶的歷史簽到數(shù)據(jù)Pseqi=[Ui,Pi,Ti] 和地點(diǎn)數(shù)據(jù)Pi=[Pi,lngi,lati]， 將數(shù)據(jù)通過Embedding層，接著將用戶簽到序列以及時(shí)間間隔和空間間隔信息通過GRU模型，然后通過自注意力機(jī)制對簽到時(shí)序地點(diǎn)進(jìn)行建模，得到用戶簽到序列的更新表示，最后通過興趣點(diǎn)匹配候選地點(diǎn)，模型的輸出為包含3個(gè)連續(xù)地點(diǎn)的POI序列。模型結(jié)構(gòu)如圖1所示。

圖1 模型結(jié)構(gòu)

2.2.1 Embedding層

將用戶歷史簽到數(shù)據(jù)中的用戶、地點(diǎn)和時(shí)間進(jìn)行Embedding，轉(zhuǎn)化為密集Embedding表示，以向量化的形式輸入到網(wǎng)絡(luò)模型中。Embedding層的輸出為C(Ui)=[Pseq1,Pseq2,Pseq3,…,PseqH]。

2.2.2 GRU-SelfAttention層

GRU模型能夠很好地學(xué)習(xí)和利用用戶的歷史簽到序列數(shù)據(jù)，在每一步接收序列中的數(shù)據(jù)輸入和上一個(gè)隱藏層的輸出，并輸出到隱藏層，將用戶簽到序列的時(shí)間間隔和空間間隔信息融入GRU模型中，增加時(shí)間門和空間門后的GRU模型結(jié)構(gòu)如圖2所示。

圖2 GRU模型結(jié)構(gòu)

rt=σ(Wr[ht-1,xt])

(4)

zt=σ(Wz[ht-1,xt])

(5)

Tt=σ(Wt[xt,Δt])

(6)

Dt=σ(Wd[xt,Δd])

(7)

h′t=tanh(Wh′[rt*ht-1,xt*Tt*Dt])

(8)

ht=zt*h′t+(1-zt)*ht-1

(9)

yt=σ(Wyht)

(10)

其中，xt和ht-1分別表示當(dāng)前時(shí)間t的輸入向量和上一時(shí)間t-1的輸入向量，rt和zt分別表示重置門和更新門，通過xt和ht-1來獲取兩個(gè)門的狀態(tài)。Tt和Dt分別表示時(shí)間門和空間門，將用戶簽到地點(diǎn)之間的時(shí)間間隔和空間間隔信息融入到GRU模型中，Tt和Dt分別控制當(dāng)前地點(diǎn)的時(shí)間信息和空間信息對將來POI推薦的影響。其中Δt,Δd分別表示兩個(gè)地點(diǎn)之間的時(shí)間間隔和空間間隔。Δd通過兩個(gè)地點(diǎn)經(jīng)緯度坐標(biāo)的Haversine距離公式計(jì)算得到，Δt通過兩個(gè)地點(diǎn)之間時(shí)間差得到。xt*Tt*Dt表示通過時(shí)間門Tt和空間門Dt控制當(dāng)前地點(diǎn)的時(shí)間和空間信息對于POI推薦的影響。σ和tanh分別代表sigmoid激活函數(shù)和tanh激活函數(shù)，Wr,Wz,Wt,Wd,Wh′,Wy為權(quán)重矩陣，*表示基于矩陣元素中對應(yīng)元素相乘運(yùn)算。rt*ht-1表示通過重置門rt控制上一時(shí)間輸入需保留的信息，再與當(dāng)前輸入進(jìn)行拼接。zt*h′t通過更新門zt控制當(dāng)前時(shí)間輸入的信息量，進(jìn)行選擇性記憶，后半部分再通過1-zt選擇性遺忘上一時(shí)間輸入的信息量。yt∈RH*d表示模型的輸出。

在POI序列推薦的預(yù)測中，用戶的歷史簽到地點(diǎn)中可能只有某些地點(diǎn)對預(yù)測的POI序列有影響，因此，引入注意力機(jī)制，可以幫助模型為用戶簽到數(shù)據(jù)賦予不同的權(quán)重，動(dòng)態(tài)地捕捉每一個(gè)用戶的重點(diǎn)信息。

自注意力機(jī)制是一種特殊的注意力機(jī)制[21]，在動(dòng)態(tài)賦予權(quán)重的同時(shí)，捕捉了用戶反饋數(shù)據(jù)之間的相互依賴，并在長序列的數(shù)據(jù)上表現(xiàn)出色，因此，本文考慮將自注意力機(jī)制應(yīng)用于用戶簽到反饋數(shù)據(jù)，在用戶簽到序列內(nèi)為每次訪問分配不同的權(quán)重。Query,Key,Value分別表示自注意力機(jī)制中的查詢、索引、需要被加權(quán)的數(shù)據(jù)。yt∈RH*d表示GRU模型的輸出，GRU-SelfAttention層的結(jié)構(gòu)如圖3所示。

圖3 GRU-SelfAttention層結(jié)構(gòu)

Q′=WQyt

(11)

K′=WKyt

(12)

V′=WVyt

(13)

(14)

2.2.3 興趣點(diǎn)匹配層

根據(jù)GRU-SelfAttention層輸出的用戶簽到長期偏好表示S(U)∈RH*d， 以及地點(diǎn)矩陣E(P)∈R3*M*d， 時(shí)空間隔矩陣E(S),E(N)∈R3*M*H， 從所有地點(diǎn)中為用戶選出將來可能去的POI序列

(15)

A(U)=Sum(softmax(B(U)))

(16)

Sum運(yùn)算是最后一個(gè)維度的加權(quán)和，將A(U)的維度轉(zhuǎn)化成R3*M。

2.2.4 損失函數(shù)

POI序列推薦屬于隱反饋推薦模型，將用戶沒去過的地點(diǎn)隨機(jī)設(shè)置為負(fù)樣本。給出用戶簽到序列C(Ui)， 候選地點(diǎn)Pj=[PseqH+1,PseqH+2,PseqH+3]∈A(Ui)， 其中j∈[1,M]，Pk表示正樣本，模型使用交叉熵?fù)p失函數(shù)進(jìn)行訓(xùn)練

(17)

2.2.5 算法設(shè)計(jì)

在融合時(shí)空網(wǎng)絡(luò)和自注意力的興趣點(diǎn)序列推薦系統(tǒng)模型中，用戶序列數(shù)據(jù)構(gòu)造和模型訓(xùn)練過程如算法1所示。

算法1：STSASP算法

輸入：用戶簽到數(shù)據(jù)，地點(diǎn)位置信息

輸出：用戶的簽到序列，推薦POI序列

//構(gòu)造訓(xùn)練數(shù)據(jù)

(1)For user in (1, number):

(2) Check-in order by time

(3)Pi=(lngi,lati)

(6)C(Ui)=[Pseq1,Pseq2,Pseq3,…,PseqH]

(7)End

//模型訓(xùn)練

(8)For a in (1, epoch):

(9) For b in (1,batch):

(10) POI=Model(C(Ui),Δt,Δd)

(11) Select the POI sequence from all locations

(12) Loss=Loss(POI，Label)

(13) Recommend POI sequence in different K

(14)Recall@K=(POI，Label)

(15) End

(16)End

在STSASP算法中，首先將輸入的用戶簽到序列數(shù)據(jù)按照時(shí)間順序進(jìn)行升序排序，然后根據(jù)地點(diǎn)的地理位置信息和簽到時(shí)間信息計(jì)算空間距離和時(shí)間間隔，構(gòu)造每一個(gè)用戶的簽到序列。接著將用戶簽到序列信息以及時(shí)空間隔信息送入模型中進(jìn)行訓(xùn)練，計(jì)算損失函數(shù)，從所有的候選地點(diǎn)中為推薦POI序列，通過不同的前K項(xiàng)值來比較實(shí)驗(yàn)結(jié)果，最后以召回率為評價(jià)指標(biāo)和其它算法進(jìn)行對比。本算法的時(shí)間復(fù)雜度T(n)=O(n2)， 空間復(fù)雜度S(n)=O(n)。

3 實(shí) 驗(yàn)

3.1 實(shí)驗(yàn)配置

3.1.1 數(shù)據(jù)集

本文在真實(shí)簽到數(shù)據(jù)集Foursquare[22]和Gowalla[23]上進(jìn)行訓(xùn)練和測試。Foursquare數(shù)據(jù)集是用戶在紐約市長期登機(jī)簽到加密數(shù)據(jù)集。Gowalla數(shù)據(jù)集是社交簽到類應(yīng)用場景下的用戶行為日志。剔除在數(shù)據(jù)集中出現(xiàn)次數(shù)少于10次的地點(diǎn)，將用戶簽到序列中的地點(diǎn)按照簽到時(shí)間順序升序排列。將連續(xù)的時(shí)間戳分為7*24=168維，表示用戶一天或一周的簽到行為，用來反映周期性。將80%數(shù)據(jù)作為訓(xùn)練集，20%數(shù)據(jù)作為測試集。訓(xùn)練時(shí)，將用戶簽到序列前h項(xiàng)作為簽到數(shù)據(jù)，比如 [Pseq1,Pseq2,Pseq3,…,Pseqh]，h后3個(gè)地點(diǎn)作為將要去的包含3個(gè)連續(xù)地點(diǎn)的POI序列，比如 [Pseqh+1,Pseqh+2,Pseqh+3]。 數(shù)據(jù)集的基本數(shù)據(jù)信息：用戶、地點(diǎn)、簽到見表1。

表1 數(shù)據(jù)集基本信息

3.1.2 評價(jià)指標(biāo)

針對上述數(shù)據(jù)集，本文選擇召回率(Recall)作為評價(jià)指標(biāo)，Recall@K表示為用戶推薦前K項(xiàng)中的正樣本在原始正樣本中的比例。為用戶推薦一個(gè)包含3個(gè)連續(xù)地點(diǎn)的POI序列，召回率越高，表示推薦結(jié)果越好

(18)

3.1.3 參數(shù)設(shè)置

本文使用Adam優(yōu)化器進(jìn)行模型優(yōu)化訓(xùn)練，學(xué)習(xí)率為0.003，迭代訓(xùn)練次數(shù)為20，丟棄率Dropout[24]為0.2，每個(gè)batch的大小為1024，模型Embedding的維度為50，負(fù)樣本數(shù)量為10。

3.2 實(shí)驗(yàn)分析

3.2.1 本文實(shí)驗(yàn)

本文首先考慮為用戶推薦不同長度地點(diǎn)的POI序列，POI序列長度分別為1個(gè)地點(diǎn)，包含2個(gè)連續(xù)地點(diǎn)的POI序列，包含3個(gè)連續(xù)地點(diǎn)的POI序列，圖4(a)和圖4(b)分別展示了以召回率@K為評價(jià)指標(biāo)，在Foursquare數(shù)據(jù)集和Gowalla數(shù)據(jù)集上，STSASP模型為用戶推薦不同長度地點(diǎn)的POI序列的表現(xiàn)。

圖4 在Foursquare和Gowalla數(shù)據(jù)集上不同K值的召回率

1個(gè)POI、2個(gè)POI、3個(gè)POI分別表示為用戶推薦1個(gè)POI、2個(gè)連續(xù)地點(diǎn)的POI序列、3個(gè)連續(xù)地點(diǎn)的POI序列。實(shí)驗(yàn)結(jié)果表明，為用戶連續(xù)推薦多個(gè)POI時(shí)，Recall@K會(huì)有一定程度的下降。在POI序列推薦中，順序因素為關(guān)鍵，要求推薦的POI序列是用戶將來連續(xù)要去的地點(diǎn)，并且順序要對應(yīng)正確，所以為用戶推薦3個(gè)地點(diǎn)的POI序列相比與較少地點(diǎn)的POI序列在召回率上會(huì)相應(yīng)下降。不同的K值對于POI序列推薦的結(jié)果是不同的，在Foursquare和Gowalla數(shù)據(jù)集中，隨著K值的增大，為用戶推薦前K項(xiàng)中的正樣本在原始正樣本中的比例也在增大，召回率也會(huì)相應(yīng)的增大。本文最終選擇為用戶推薦1個(gè)包含3個(gè)地點(diǎn)的POI序列。

3.2.2 對比實(shí)驗(yàn)

為了驗(yàn)證STSASP模型的推薦效果，將STSASP模型與其它6種地點(diǎn)推薦算法分別在Foursquare和Gowalla數(shù)據(jù)集上進(jìn)行比較和分析：

(1)BPR[25]。該方法將貝葉斯個(gè)性化排名與矩陣分解相結(jié)合，分析潛在語義信息。

(2)FPMC。該方法將矩陣分解機(jī)和馬爾可夫鏈相結(jié)合，捕獲用戶順序行為。

(3)STRNN。該方法是在循環(huán)神經(jīng)網(wǎng)絡(luò)中融合時(shí)空信息特征的地點(diǎn)推薦算法。

(4)DeepMove。該方法通過注意力循環(huán)網(wǎng)絡(luò)來進(jìn)行地點(diǎn)推薦，捕獲用戶行為周期性。

(5)LSTPM。該方法結(jié)合了長期和短期順序模型進(jìn)行地點(diǎn)推薦。

(6)CSALSR。該方法是融合自注意力機(jī)制和長短期偏好的序列推薦模型。

表2和圖5展示了以召回率@5和召回率@10為評價(jià)指標(biāo)，各方法在Foursquare和Gowalla數(shù)據(jù)集上的表現(xiàn)。

圖5 各方法在Foursquare和Gowalla數(shù)據(jù)集上的表現(xiàn)

表2 各方法在Foursquare和Gowalla數(shù)據(jù)集上的表現(xiàn)

實(shí)驗(yàn)結(jié)果表明，基于深度學(xué)習(xí)的序列推薦系統(tǒng)模型優(yōu)于傳統(tǒng)馬爾可夫序列推薦模型，主要原因是深度學(xué)習(xí)模型通過非線性方式對用戶地點(diǎn)進(jìn)行建模，能夠捕獲到序列中的復(fù)雜關(guān)系，同時(shí)在模型訓(xùn)練過程中，通過正則化、Dropout等技術(shù)避免過擬合，能夠提高模型魯棒性。

STSASP在整體上都優(yōu)于融合自注意力機(jī)制和長短期偏好的CSALSR模型，STSASP在Foursquare數(shù)據(jù)集上為用戶推薦3個(gè)連續(xù)地點(diǎn)的POI序列的召回率@5和召回率@10分別為0.131、0.194，在Gowalla數(shù)據(jù)集上分別為0.103、0.151，相比于CSALSR模型，STSASP在Foursquare數(shù)據(jù)集上和Gowalla數(shù)據(jù)集上的召回率分別提升了19.63%、22.01%和10.75%、11.02%。實(shí)驗(yàn)結(jié)果表明，相比于CSALSR通過融合自注意力機(jī)制和長短期偏好，忽略了時(shí)間間隔和空間間隔信息進(jìn)行序列推薦，STSASP從用戶簽到反饋序列數(shù)據(jù)中提取了有效的時(shí)間和空間信息，更充分地獲取了用戶的偏好，召回率更高，推薦結(jié)果更好。

3.2.3 超參數(shù)分析

Embedding的維度參數(shù)對模型的效果存在影響，保持其它參數(shù)不變，在召回率@20時(shí)，選擇不同維度參數(shù)d在數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)。圖6展示了關(guān)于超參數(shù)分析的實(shí)驗(yàn)結(jié)果。圖6(a)反映了維度參數(shù)d在不同數(shù)據(jù)集上對模型推薦效果的影響，可以發(fā)現(xiàn)，高維度能夠更精確地表達(dá)用戶和地點(diǎn)，有助于模型歷史信息地交互。隨著維度的增加，召回率在相應(yīng)地提高，但是更大的維度不一定能帶來更好的模型性能。在本文中，設(shè)置維度參數(shù)d為50。模型的丟棄率Dropout對模型的效果存在影響，由圖6(b)可知當(dāng)Dropout為0.2時(shí)，模型有較好的效果。

圖6 超參數(shù)分析

3.2.4 消融實(shí)驗(yàn)

STSASP1為STSASP消去時(shí)間間隔和空間間隔的模型，由圖7可知，STSASP1模型在失去時(shí)空間隔信息后，無法有效地表達(dá)用戶的偏好，因此表現(xiàn)不佳，在Foursquare和Gowalla數(shù)據(jù)集上的Recall@5和Recall@10上分別降低了27.48%、23.71%和20.42%、19.03%，在K大于20后，Gowalla數(shù)據(jù)集中STSASP1與STSASP的差距越來越大，原因是在多地點(diǎn)的環(huán)境中，時(shí)空因素對推薦結(jié)果的影響更大。通過比較發(fā)現(xiàn)CLALSR模型效果略優(yōu)于STSASP1，因此說明了時(shí)間間隔和空間間隔對模型的重要性。

圖7 Foursquare和Gowalla數(shù)據(jù)集上STSASP和STSASP1不同K值的召回率

4 結(jié)束語

本文提出了融合時(shí)空網(wǎng)絡(luò)和自注意力的興趣點(diǎn)序列推薦系統(tǒng)模型，模型用于預(yù)測用戶將來要去的POI序列。本模型將用戶簽到序列的時(shí)間和空間間隔信息融入GRU模型中，然后通過自注意力機(jī)制對簽到時(shí)序地點(diǎn)進(jìn)行建模，得到用戶的長期偏好序列，最后通過簽到地點(diǎn)與候選地點(diǎn)的時(shí)間間隔和空間間隔匹配候選地點(diǎn)，為用戶推薦包含3個(gè)連續(xù)地點(diǎn)的POI序列，更好地解決了POI序列推薦問題。在Foursquare數(shù)據(jù)集和Gowalla數(shù)據(jù)集上進(jìn)行測試和驗(yàn)證，實(shí)驗(yàn)結(jié)果表明本文提出的STSASP模型優(yōu)于之前提出的先進(jìn)的模型。同時(shí)通過消融實(shí)驗(yàn)，驗(yàn)證了時(shí)間間隔和空間間隔因素在興趣點(diǎn)序列推薦模型中的重要性。在今后的工作中，將考慮進(jìn)一步優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，優(yōu)化算法的時(shí)間復(fù)雜度和空間復(fù)雜度，從而進(jìn)一步提升模型性能和推薦精度。