论文笔记：Spatial-Temporal Interval Aware Sequential POI Recommendation

ICDE 2022

1 intro

1.1 背景

• 空间（Spatial）和时间（Temporal）信息是序列 POI 推荐中两个重要且相辅相成的因素。
  • 空间因素（如地理距离间隔）可以在用户的历史轨迹呈现空间分簇现象时，细粒度刻画 POI 之间在真实世界中的空间邻居程度；
  • 时间因素（如时间间隔）可以描述 check-in 之间的相对时间临近程度，并以此来反应用户的个性化行为模式
• 如果一个序列模型在建模时仅考虑 POI 和空间信息，那么下图中的两个用户的轨迹会高度相似：
  • 
• 与此同时，对于self-attention来说，由于它是全局注意力，加权平均操作会在一定程度上弱化临近 POI 之间的空间相关性
  • 但是在序列 POI 推荐场景中，具有强空间相关性的 POI 对于推荐精度至关重要
  • ——>因为较短的地理距离间隔通常会导致更高的连续访问概率
  • 论文做了如下的实验：0~10km以内强相关的POI数量
    • 

1.2 论文思路

• 针对上述序列中时间间隔表示和序列局部空间信息建模不足的问题，分别提出了两个无需额外参数和高额计算负担的方法
  • 时间感知位置编码器（Time Aware Position Encoder，TAPE）
  • 间隔感知注意力模块（Interval Aware Attention Block，IAAB）
     

2 方法

3 实验