Die nächste Empfehlung für einen Interessenspunkt (POI) ist ein Hotspot sowohl für die Industrie als auch für die Wissenschaft, der den Nutzern hilft, die physische Welt besser zu erleben. Allerdings leiden bestehende Methoden unter einer starken Verzerrung, indem sie dazu neigen, wiederkehrende POIs zu empfehlen, die der Zielnutzer zuvor besucht hat, und sie arbeiten ineffizient, wenn sie neue POIs empfehlen, die der Zielnutzer noch nicht besucht hat. Um dieses Problem zu überwinden, beschäftigen wir uns mit der nächsten neuen POI-Empfehlung und decken die Koexistenz von lokalen und globalen Erkundungsmustern bei den Besuchen der Nutzer neuer POIs auf, die ihre Bereitschaft zeigen, nicht nur nahegelegene neue POIs, sondern auch entfernte zu erkunden. Anschließend entwickeln wir ein neuartiges Lokal- und Global-Exploration-Rahmenwerk (LGE) für die nächste neue POI-Empfehlung. Insbesondere umfasst LGE drei Schlüsselmodule: 1) ein zone-bewusstes lokales Erkundungsmodul (ZLE), das die Nutzer anregt, POIs in der lokalen Umgebung zu erkunden, indem es zone-bewusste POI-Darstellungen lernt und die POI-Vorhersage mit Zoneninformationen regularisiert; 2) ein absichts-bewusstes globales Erkundungsmodul (IGE), das POIs empfiehlt, die den Nutzerabsichten ohne Distanzbeschränkungen entsprechen, indem es statische und dynamische Absichten aus den Kategorieinformationen extrahiert; 3) ein Fusionsmodul, das eine Mean Pooling (MP)-Strategie und eine Weighted Pooling (WP)-Strategie enthält, um die Ausgaben der lokalen und globalen Erkundungsmodule für die endgültige Empfehlung zu aggregieren. Experimente, die an realen Datensätzen durchgeführt wurden, haben die Wirksamkeit von LGE bei der Empfehlung neuer POIs gezeigt.
Sun et al. (Mon,) haben diese Frage untersucht.