GETNext

La recomendación del siguiente POI tiene como objetivo predecir los movimientos inmediatos futuros de los usuarios, dada su situación actual e información histórica, generando grandes valores tanto para los usuarios como para los proveedores de servicios. Sin embargo, este problema es perceptiblemente complejo porque varias tendencias de datos necesitan ser consideradas juntas. Esto incluye las ubicaciones espaciales, los contextos temporales, las preferencias del usuario, etc. La mayoría de los estudios existentes ven la recomendación del siguiente POI como un problema de predicción de secuencias mientras omiten las señales de colaboración de otros usuarios. En su lugar, proponemos un mapa de flujo de trayectoria global agnóstico al usuario y un nuevo modelo Graph Enhanced Transformer (GETNext) para explotar mejor las amplias señales de colaboración para una predicción más precisa del siguiente POI, y aliviar, al mismo tiempo, el problema de arranque en frío. GETNext incorpora los patrones de transición globales, la preferencia general del usuario, el contexto espaciotemporal y las incrustaciones de categoría conscientes del tiempo en un modelo de transformer para hacer la predicción de los movimientos futuros del usuario. Con este diseño, nuestro modelo supera a los métodos de vanguardia con un gran margen y también arroja luz sobre los desafíos del arranque en frío dentro de los problemas de recomendación involucrados en el espacio y el tiempo.