Rede Convolucional Gráfica Aprimorada por Interação e Consciente do Tempo para Recomendação Sucessiva de Pontos de Interesse em Empresas de Turismo

Extensos dados de check-in de usuários que incorporam preferências de local são coletados por meio de dispositivos da Internet das Coisas (IoT), incluindo celulares e outros dispositivos de sensoriamento em redes sociais baseadas em localização. Isso pode ajudar as empresas de turismo a prever de forma inteligente os interesses e preferências dos usuários, fornecer-lhes trajetórias turísticas científicas e aumentar a receita das empresas. Assim, a recomendação sucessiva de pontos de interesse (POI) tornou-se um tópico de pesquisa em alta no contexto da Inteligência Aumentada das Coisas (AIoT). Atualmente, diversos métodos têm sido aplicados a recomendações sucessivas de POIs. Entre eles, as abordagens baseadas em redes neurais recorrentes se dedicam a mineirar a relação sequencial entre POIs, mas ignoram a relação de alta ordem entre usuários e POIs. Os métodos baseados em redes neurais gráficas podem capturar a conectividade de alta ordem, mas não levam em conta a dinamicidade temporal dos POIs. Portanto, propomos uma Rede Convolucional Gráfica Aprimorada por Interação e Consciente do Tempo (ITGCN) para recomendação sucessiva de POIs. Especificamente, projetamos uma rede convolucional gráfica aprimorada para aprender a representação dinâmica de usuários e POIs. Também projetamos um agregador de autoatenção para incorporar conectividade de alta ordem na representação do nó de maneira seletiva. Os sistemas de gestão empresarial podem prever as preferências dos usuários, o que é útil para planejamento e desenvolvimento futuros. Por fim, os resultados experimentais comprovam que a ITGCN traz melhores resultados em comparação com os métodos existentes.