Réseau Spatio-Temporel Amélioré par Graphes pour la Recommandation de Prochain Point d'Intérêt (POI)

La tâche de recommandation du prochain Point d'Intérêt (POI) vise à recommander une liste de POIs à un utilisateur qu'il pourrait visiter au prochain instant, en se basant sur ses interactions précédentes, ce qui est précieux tant pour les fournisseurs de services basés sur la localisation que pour les utilisateurs. Les études récentes à la pointe de la technologie emploient principalement des méthodes basées sur des réseaux de neurones récurrents (RNN) pour modéliser les comportements d'enregistrement des utilisateurs en fonction des séquences d'enregistrement historiques. Cependant, la plupart des méthodes basées sur RNN existantes ne capturent que les influences géographiques selon la distance physique ou la relation successive entre les POIs. Elles sont insuffisantes pour capturer les influences géographiques complexes de haut ordre parmi les réseaux de POIs, qui sont essentielles pour estimer les préférences des utilisateurs. Pour remédier à cette limitation, nous proposons un nouveau module de modélisation de Dépendance Spatiale Basé sur Graphes (GSD), qui se concentre sur la modélisation explicite des influences géographiques complexes en s'appuyant sur l'intégration de graphes. GSD capture deux types d'influences géographiques, c'est-à-dire des influences basées sur la distance et des influences basées sur la transition provenant de graphes sémantiques de POI conçus. De plus, nous proposons un nouveau réseau Spatio-Temporel Amélioré par Graphes (GSTN), qui intègre les dépendances spatiales et temporelles de l'utilisateur pour la recommandation du prochain POI. Plus précisément, le GSTN se compose d'un réseau de Mémoire à Long Court Terme (LSTM) pour la modélisation des dépendances temporelles spécifiques à l'utilisateur et de GSD pour l'apprentissage des dépendances spatiales de l'utilisateur. Enfin, nous évaluons le modèle proposé en utilisant trois ensembles de données du monde réel. Des expériences approfondies démontrent l'efficacité de GSD à capturer diverses influences géographiques et l'amélioration de GSTN par rapport aux méthodes à la pointe de la technologie.