基于位置社交網(wǎng)絡(luò)的興趣點(diǎn)推薦系統(tǒng)研究綜述

陳江美，張文德

1.福州大學(xué) 經(jīng)濟(jì)與管理學(xué)院，福州350108

2.福州大學(xué) 信息管理研究所，福州350108

繼在線(xiàn)社交網(wǎng)絡(luò)發(fā)展和應(yīng)用之后，移動(dòng)社交網(wǎng)絡(luò)成為新的發(fā)展方向，尤其是多樣化的移動(dòng)位置簽到與共享等功能的不斷普及。在此背景下，社交網(wǎng)絡(luò)與位置服務(wù)不斷融合，助推了基于位置社交網(wǎng)絡(luò)（locationbased social network，LBSN）的興起，如Foursquare和Yelp。LBSN利用用戶(hù)的簽到功能，有機(jī)地將線(xiàn)上和線(xiàn)下世界結(jié)合起來(lái)，提供用戶(hù)位置定位功能的同時(shí)，還實(shí)現(xiàn)了位置信息在社交網(wǎng)絡(luò)平臺(tái)的共享，進(jìn)而衍生出多樣化的位置服務(wù)。推薦系統(tǒng)作為有效處理“信息過(guò)載”問(wèn)題的重要工具，旨在依據(jù)用戶(hù)的個(gè)性化需求為用戶(hù)推薦可能感興趣的商品，其在位置服務(wù)領(lǐng)域的應(yīng)用受到廣泛關(guān)注。

近年來(lái)，將推薦系統(tǒng)應(yīng)用到位置社交網(wǎng)絡(luò)中，出現(xiàn)了諸多基于位置的推薦服務(wù)。其中，興趣點(diǎn)（point of interest，POI）推薦受到了眾多學(xué)者的關(guān)注。興趣點(diǎn)是指用戶(hù)簽到的地點(diǎn)，如商場(chǎng)、學(xué)校等。興趣點(diǎn)推薦能有效緩解位置信息過(guò)載問(wèn)題，進(jìn)而提升用戶(hù)的個(gè)性化體驗(yàn)，同時(shí)有助于商家挖掘潛在的客戶(hù)，提高商家的商業(yè)效益。為此，興趣點(diǎn)推薦成為基于位置社交網(wǎng)絡(luò)中的一項(xiàng)重要服務(wù)，是位置社交網(wǎng)絡(luò)和推薦系統(tǒng)領(lǐng)域核心的研究方向之一。

LBSN中蘊(yùn)含著海量信息，興趣點(diǎn)推薦主要利用用戶(hù)歷史簽到記錄及輔助信息從大量地點(diǎn)中為用戶(hù)推薦心儀的地點(diǎn)。然而，興趣點(diǎn)推薦是一項(xiàng)頗有挑戰(zhàn)性的內(nèi)容，用戶(hù)的偏好受到多種因素的影響，這些影響推薦的因素類(lèi)型繁多且復(fù)雜，傳統(tǒng)的推薦方法難以有效構(gòu)建用戶(hù)的偏好模型，因此有必要充分發(fā)掘新的推薦方法，以適應(yīng)興趣點(diǎn)推薦服務(wù)的發(fā)展。同時(shí)，為了評(píng)估推薦算法的有效性，對(duì)推薦效果的評(píng)估與跟蹤也是興趣點(diǎn)推薦的重要研究?jī)?nèi)容。

根據(jù)以上的目標(biāo)，本文在了解興趣點(diǎn)推薦的基本概念與框架的基礎(chǔ)上，從興趣點(diǎn)推薦系統(tǒng)的研究中總結(jié)了三個(gè)核心問(wèn)題：首先是分析影響興趣點(diǎn)推薦的因素，即明確影響用戶(hù)對(duì)興趣點(diǎn)偏好的因素有哪些。本文歸納為用戶(hù)自身的偏好、地理位置、社交關(guān)系、時(shí)間信息、內(nèi)容信息與流行度。其次是探索現(xiàn)有的興趣點(diǎn)推薦算法，即興趣點(diǎn)推薦采用何種方法來(lái)建模用戶(hù)對(duì)興趣點(diǎn)的偏好，以構(gòu)建合理高效的推薦模型。本文總結(jié)分析了基于矩陣分解算法的推薦、基于圖嵌入的推薦與基于深度學(xué)習(xí)的推薦這三種方法的應(yīng)用與發(fā)展。最后是算法的評(píng)價(jià)模塊，即評(píng)估算法的性能與有效性。本文歸納了目前流行的幾種預(yù)測(cè)指標(biāo)及排序指標(biāo)，并分析其應(yīng)用情況。

為了更系統(tǒng)地了解興趣點(diǎn)推薦的研究理論、現(xiàn)狀、挑戰(zhàn)和發(fā)展趨勢(shì)，本文基于上述三個(gè)核心問(wèn)題對(duì)國(guó)內(nèi)外近年來(lái)相關(guān)的研究成果進(jìn)行了梳理與解讀。首先對(duì)興趣點(diǎn)推薦系統(tǒng)的概念、與傳統(tǒng)推薦的區(qū)別及基本框架進(jìn)行了概述；其次在了解理論背景的基礎(chǔ)上，總結(jié)歸納了影響興趣點(diǎn)推薦的常見(jiàn)因素，從各個(gè)影響因素的角度分析興趣點(diǎn)推薦的現(xiàn)狀；然后闡述對(duì)比了現(xiàn)有的興趣點(diǎn)推薦算法，并對(duì)代表性的工作進(jìn)行了深入分析；根據(jù)興趣點(diǎn)推薦的現(xiàn)狀，重點(diǎn)對(duì)面臨的問(wèn)題和潛在的方向進(jìn)行了概述；最后進(jìn)行總結(jié)與展望，為興趣點(diǎn)推薦系統(tǒng)后續(xù)的相關(guān)研究提供借鑒與參考，從而推動(dòng)我國(guó)個(gè)性化推薦服務(wù)行業(yè)的進(jìn)一步發(fā)展。

1 興趣點(diǎn)推薦系統(tǒng)概述

移動(dòng)社交網(wǎng)絡(luò)的廣泛普及，涌現(xiàn)了大量的位置服務(wù)功能，將推薦系統(tǒng)應(yīng)用到位置服務(wù)，促進(jìn)了基于位置社交網(wǎng)絡(luò)的興趣點(diǎn)推薦系統(tǒng)的發(fā)展。興趣點(diǎn)推薦系統(tǒng)一般包含了用戶(hù)集合={,,…,u}和興趣點(diǎn)集合={,,…,l}，和分別表示用戶(hù)和興趣點(diǎn)的個(gè)數(shù)。其中，每個(gè)興趣點(diǎn)附帶坐標(biāo)屬性，可用＜經(jīng)度，緯度＞表示興趣點(diǎn)的坐標(biāo)位置。用戶(hù)對(duì)興趣點(diǎn)的簽到記錄表示為L，將用戶(hù)的簽到記錄轉(zhuǎn)換為用戶(hù)-興趣點(diǎn)交互矩陣，中的每個(gè)元素R表示了用戶(hù)對(duì)興趣點(diǎn)的簽到次數(shù)，簽到次數(shù)反映了用戶(hù)的偏好。據(jù)此，基于位置的社交網(wǎng)絡(luò)圖可描繪如圖1所示。

圖1 基于位置的社交網(wǎng)絡(luò)圖Fig. 1 Location-based social network

興趣點(diǎn)推薦作為傳統(tǒng)在線(xiàn)推薦（如電影、圖書(shū)和新聞推薦系統(tǒng)等）在社交網(wǎng)絡(luò)領(lǐng)域的延伸，不僅能幫助用戶(hù)維系現(xiàn)實(shí)世界中的社交關(guān)系，還能為用戶(hù)提供個(gè)性化的服務(wù)。為了進(jìn)一步理解興趣點(diǎn)推薦系統(tǒng)，以下將對(duì)其與傳統(tǒng)推薦系統(tǒng)的區(qū)別及基本框架進(jìn)行分析與總結(jié)。

1.1 傳統(tǒng)推薦系統(tǒng)

傳統(tǒng)推薦系統(tǒng)主要通過(guò)分析用戶(hù)與項(xiàng)目間的二元關(guān)系，利用評(píng)分信息構(gòu)建用戶(hù)對(duì)項(xiàng)目的偏好模型，以挖掘用戶(hù)感興趣的項(xiàng)目。通常利用={,,…,u}表示用戶(hù)集，表示用戶(hù)的個(gè)數(shù)，利用={,,…,i}表示項(xiàng)目集，表示項(xiàng)目的個(gè)數(shù)。用戶(hù)與項(xiàng)目的關(guān)系如圖2（a）所示，若用戶(hù)對(duì)項(xiàng)目進(jìn)行評(píng)分，則以連線(xiàn)的方式表示它們之間的交互。同時(shí)，將圖2（a）的交互關(guān)系轉(zhuǎn)化為圖2（b）的用戶(hù)-項(xiàng)目評(píng)分矩陣，矩陣中的元素為用戶(hù)對(duì)項(xiàng)目的評(píng)分，空值表示用戶(hù)未對(duì)此項(xiàng)目進(jìn)行評(píng)分。在現(xiàn)實(shí)生活中，實(shí)際存在著海量的用戶(hù)和項(xiàng)目數(shù)，而用戶(hù)評(píng)分的項(xiàng)目個(gè)數(shù)較有限，因此用戶(hù)-項(xiàng)目評(píng)分矩陣極其稀疏，面臨嚴(yán)重的數(shù)據(jù)稀疏問(wèn)題，如何緩解稀疏問(wèn)題以提高推薦性能是傳統(tǒng)推薦系統(tǒng)的挑戰(zhàn)之一。

圖2 用戶(hù)交互數(shù)據(jù)Fig. 2 Users interaction data

在推薦系統(tǒng)中，推薦算法作為核心的技術(shù)，其性能的高低決定了推薦的效果。傳統(tǒng)的推薦方法主要分為協(xié)同過(guò)濾推薦（collaborative filtering，CF）、基于內(nèi)容的推薦（content-based）和混合推薦（hybrid），具體分類(lèi)如圖3 所示。以下對(duì)三種推薦方法的內(nèi)容及應(yīng)用進(jìn)行介紹。

圖3 推薦算法分類(lèi)Fig. 3 Category of recommendation algorithms

（1）協(xié)同過(guò)濾推薦

協(xié)同過(guò)濾算法作為推薦系統(tǒng)領(lǐng)域中最基礎(chǔ)的方法，主要利用用戶(hù)-項(xiàng)目的歷史評(píng)分?jǐn)?shù)據(jù)來(lái)找出相似用戶(hù)或項(xiàng)目。該算法主要分為基于內(nèi)存的方法和基于模型的方法。基于內(nèi)存的方法可進(jìn)一步分為基于用戶(hù)的協(xié)同過(guò)濾和基于項(xiàng)目的協(xié)同過(guò)濾，如圖3所示。其中，基于用戶(hù)的協(xié)同過(guò)濾認(rèn)為具有相似偏好的用戶(hù)具有相同的興趣，基于項(xiàng)目的協(xié)同過(guò)濾則認(rèn)為用戶(hù)傾向于喜歡其之前感興趣項(xiàng)目的相似項(xiàng)目，兩者都是基于評(píng)分?jǐn)?shù)據(jù)的推薦。另外，基于模型的方法主要采用機(jī)器學(xué)習(xí)（如矩陣分解算法、深度學(xué)習(xí)技術(shù)等）和數(shù)據(jù)挖掘技術(shù)（如聚類(lèi)及分類(lèi)算法等），通過(guò)評(píng)分矩陣數(shù)據(jù)不斷訓(xùn)練得到模型參數(shù)，并建立相關(guān)的推薦模型，以預(yù)測(cè)用戶(hù)的興趣偏好。

在最早的推薦工作中，協(xié)同過(guò)濾算法常用來(lái)做評(píng)分預(yù)測(cè)。在興趣點(diǎn)推薦領(lǐng)域，已有的研究主要將情景信息融入?yún)f(xié)同過(guò)濾算法中。文獻(xiàn)[7]將地理和社會(huì)信息嵌入基于用戶(hù)的協(xié)同過(guò)濾框架中，預(yù)測(cè)用戶(hù)的潛在偏好。文獻(xiàn)[8]考慮實(shí)時(shí)推薦問(wèn)題，將時(shí)間納入?yún)f(xié)同過(guò)濾算法中，描述用戶(hù)的時(shí)間偏好。因此，協(xié)同過(guò)濾算法由于模型的構(gòu)建相對(duì)簡(jiǎn)單且易實(shí)現(xiàn)而得到了廣泛應(yīng)用。但算法本身極易遭受數(shù)據(jù)稀疏的影響，同時(shí)還存在冷啟動(dòng)問(wèn)題，若單純采用協(xié)同過(guò)濾算法，可能導(dǎo)致較低的推薦準(zhǔn)確率。

（2）基于內(nèi)容的推薦

基于內(nèi)容的推薦方法的基本思想主要是推薦用戶(hù)與之前喜歡項(xiàng)目的類(lèi)似項(xiàng)目。首先分析用戶(hù)的顯隱性特征及相關(guān)文本信息，挖掘出與用戶(hù)偏好有關(guān)的標(biāo)簽及項(xiàng)目的屬性，接著度量項(xiàng)目間的相似性，將用戶(hù)偏好的項(xiàng)目與其他項(xiàng)目的相似性排序，向用戶(hù)推薦其潛在感興趣的項(xiàng)目。該方法不需要評(píng)分記錄，可有效解決協(xié)同過(guò)濾算法的冷啟動(dòng)問(wèn)題，但推薦系統(tǒng)中可用的屬性信息極為有限，具有一定的局限性。

（3）混合推薦

為了克服上述兩種方法的不足，出現(xiàn)了混合推薦策略。該方法主要將多種推薦算法融合，通過(guò)引入輔助信息來(lái)緩解數(shù)據(jù)稀疏和冷啟動(dòng)問(wèn)題，進(jìn)而改善推薦的準(zhǔn)確率。文獻(xiàn)[10-11]融合了基于協(xié)同過(guò)濾和基于內(nèi)容的方法進(jìn)行推薦。Guo 等人將協(xié)同過(guò)濾方法結(jié)合其他技術(shù)實(shí)現(xiàn)位置的推薦。Yuan 等人將時(shí)間分別融入?yún)f(xié)同過(guò)濾和矩陣分解框架中，采用混合推薦的方式實(shí)現(xiàn)興趣點(diǎn)的動(dòng)態(tài)推薦。因此，混合推薦方法被廣泛應(yīng)用，但算法的復(fù)雜性較高，且運(yùn)行時(shí)間較長(zhǎng)，目前還需探索新的方法與技術(shù)應(yīng)用到興趣點(diǎn)推薦工作中。

1.2 興趣點(diǎn)推薦與傳統(tǒng)推薦的區(qū)別

興趣點(diǎn)推薦指在傳統(tǒng)的社交網(wǎng)絡(luò)中增加位置信息，以便社交網(wǎng)絡(luò)中的用戶(hù)能直接共享興趣點(diǎn)信息。與傳統(tǒng)的推薦系統(tǒng)相比，由于LBSN中用戶(hù)與興趣點(diǎn)存在的相依性及興趣點(diǎn)本身的獨(dú)有屬性（如時(shí)序性、粒度屬性等），使得興趣點(diǎn)推薦系統(tǒng)存在諸多異于傳統(tǒng)推薦系統(tǒng)的特點(diǎn)。本文從影響推薦的因素、推薦方法及推薦存在的問(wèn)題三方面進(jìn)行分析比較。

（1）從影響推薦的因素考慮，傳統(tǒng)的推薦系統(tǒng)主要利用評(píng)分?jǐn)?shù)據(jù)進(jìn)行預(yù)測(cè)和推薦。興趣點(diǎn)推薦系統(tǒng)的影響因素主要包含用戶(hù)簽到數(shù)據(jù)和多類(lèi)型的情景信息，如地理、時(shí)間、社交和興趣點(diǎn)流行度等，并采用有效的算法構(gòu)建模型以模擬用戶(hù)的決策行為。另外，LBSN中多層級(jí)的網(wǎng)絡(luò)結(jié)構(gòu)使得用戶(hù)的社交關(guān)系相較于傳統(tǒng)推薦系統(tǒng)更為復(fù)雜，從而影響推薦因素的多樣性。

（2）從推薦方法來(lái)看，傳統(tǒng)的推薦只需根據(jù)用戶(hù)的歷史記錄構(gòu)建偏好模型，由2.1 節(jié)可知，其主要采用協(xié)同過(guò)濾算法、基于內(nèi)容的算法和混合推薦算法進(jìn)行項(xiàng)目的推薦。由于興趣點(diǎn)推薦相較于傳統(tǒng)的推薦新增了位置信息及其附帶的標(biāo)簽信息，采用傳統(tǒng)的推薦算法可能無(wú)法滿(mǎn)足復(fù)雜的推薦任務(wù)與精準(zhǔn)推薦的需求，需要運(yùn)用新技術(shù)解決更復(fù)雜的任務(wù)。例如，考慮興趣點(diǎn)的標(biāo)簽信息，需采用深度學(xué)習(xí)等相關(guān)技術(shù)來(lái)挖掘興趣點(diǎn)更深層次的隱特征，從而為用戶(hù)推薦適合其偏好特征的興趣點(diǎn)。因此，興趣點(diǎn)推薦相較于傳統(tǒng)的推薦需要更多技術(shù)支撐，才能更有效地完成推薦任務(wù)。

（3）從推薦工作存在問(wèn)題的角度考慮，傳統(tǒng)的推薦主要存在數(shù)據(jù)稀疏和冷啟動(dòng)兩大問(wèn)題。數(shù)據(jù)稀疏是指用戶(hù)-項(xiàng)目評(píng)分矩陣多數(shù)為空值；冷啟動(dòng)是指系統(tǒng)如何給新用戶(hù)進(jìn)行推薦的問(wèn)題。在興趣點(diǎn)推薦工作中，還面臨著序列推薦、動(dòng)態(tài)推薦、個(gè)性化推薦和異地推薦等問(wèn)題。序列推薦的任務(wù)是根據(jù)當(dāng)前所在的位置，為用戶(hù)推薦下一個(gè)可能簽到的地點(diǎn)。在動(dòng)態(tài)推薦問(wèn)題上，Gao等人最早將時(shí)間納入興趣點(diǎn)推薦，利用時(shí)間間隙劃分用戶(hù)-興趣點(diǎn)簽到矩陣。為了實(shí)現(xiàn)個(gè)性化推薦，文獻(xiàn)[15-16]采用核密度估計(jì)方法描述用戶(hù)的地理偏好，進(jìn)而捕捉用戶(hù)的移動(dòng)行為。在異地推薦上，任星怡等人采用了多種上下文信息建模用戶(hù)偏好，從而實(shí)現(xiàn)異地推薦。因此，興趣點(diǎn)推薦面臨更多樣化的決策問(wèn)題。

具體地，本文將傳統(tǒng)推薦系統(tǒng)與興趣點(diǎn)推薦系統(tǒng)的區(qū)別進(jìn)行總結(jié)，如表1所示。

表1 傳統(tǒng)推薦與興趣點(diǎn)推薦的區(qū)別Table 1 Difference between traditional recommendation and POI recommendation

1.3 基本框架

近年來(lái)，學(xué)者們主要利用LBSN中用戶(hù)的簽到記錄及情景信息模擬用戶(hù)的決策行為，從而為用戶(hù)推薦其可能感興趣的地點(diǎn)。為了進(jìn)一步了解興趣點(diǎn)推薦的工作流程，總結(jié)得到一個(gè)通用的推薦框架如圖4所示。該框架由三部分構(gòu)成，即數(shù)據(jù)來(lái)源、推薦算法和算法評(píng)價(jià)。數(shù)據(jù)來(lái)源主要包括LBSN 中用戶(hù)和興趣點(diǎn)的基本屬性數(shù)據(jù)及相關(guān)的情景信息（即影響推薦的因素）。為此，本文將主要對(duì)影響興趣點(diǎn)推薦的因素進(jìn)行總結(jié)與闡述；推薦算法是推薦工作的核心，算法的性能決定了最終推薦的效果。本文將當(dāng)前主流的興趣點(diǎn)推薦算法分為矩陣分解算法、基于圖嵌入的方法及基于深度學(xué)習(xí)的方法；算法評(píng)價(jià)是推薦的最后一步，利用相關(guān)的評(píng)價(jià)指標(biāo)可有效評(píng)估算法的性能和效率，從而完成推薦任務(wù)。

圖4 興趣點(diǎn)推薦系統(tǒng)的基本框架Fig. 4 Framework of POI recommendation system

為此，圍繞興趣點(diǎn)推薦系統(tǒng)的基本框架，本文接下來(lái)將對(duì)影響興趣點(diǎn)推薦的因素、推薦算法及算法評(píng)價(jià)指標(biāo)這三方面的內(nèi)容展開(kāi)介紹，并對(duì)其代表性工作進(jìn)行概述與對(duì)比。

2 影響興趣點(diǎn)推薦的因素

興趣點(diǎn)推薦通常受到多種因素的影響，其中用戶(hù)對(duì)興趣點(diǎn)的簽到信息反映了用戶(hù)的行為偏好，對(duì)于研究興趣點(diǎn)推薦任務(wù)具有重大的應(yīng)用價(jià)值。此外，位置社交網(wǎng)絡(luò)中的情景信息影響著用戶(hù)的決策和推薦的準(zhǔn)確率。為此，本文將影響興趣點(diǎn)工作的因素歸納為以下六方面：用戶(hù)偏好、地理信息、社交關(guān)系、時(shí)間信息、內(nèi)容信息和流行度。在此基礎(chǔ)上，對(duì)探究各影響因素的相關(guān)工作進(jìn)行分析與歸納。

2.1 用戶(hù)偏好

用戶(hù)的決策行為受自身偏好的影響極為顯著，在興趣點(diǎn)推薦工作中，用戶(hù)的偏好可表現(xiàn)為用戶(hù)簽到興趣點(diǎn)的次數(shù)與評(píng)論等。通常將用戶(hù)的簽到次數(shù)量化為偏好程度，若用戶(hù)經(jīng)常訪(fǎng)問(wèn)此地點(diǎn)，表明用戶(hù)對(duì)興趣點(diǎn)的偏好程度越高。Song等人提取用戶(hù)的簽到數(shù)據(jù)并融合地理信息，采用基于用戶(hù)的協(xié)同過(guò)濾算法為用戶(hù)推薦興趣點(diǎn)。Zhou等人利用協(xié)同過(guò)濾算法對(duì)用戶(hù)偏好進(jìn)行個(gè)性化建模，并綜合考慮了好友重要性與簽到相關(guān)性的影響。但上述算法遭受數(shù)據(jù)稀疏的影響，性能有待進(jìn)一步地改進(jìn)。在此基礎(chǔ)上，文獻(xiàn)[20-21]利用矩陣分解算法學(xué)習(xí)用戶(hù)偏好，通過(guò)用戶(hù)的簽到信息推測(cè)出用戶(hù)和興趣點(diǎn)的隱特征向量。另外，用戶(hù)的評(píng)論內(nèi)容反映了用戶(hù)的偏好，若用戶(hù)的評(píng)論內(nèi)容為積極態(tài)度，如附帶“喜歡”或“滿(mǎn)意”等詞，體現(xiàn)了用戶(hù)對(duì)此興趣點(diǎn)感興趣。文獻(xiàn)[20]利用聚合LDA（latent Dirichlet allocation）算法學(xué)習(xí)用戶(hù)的評(píng)論信息，并將提取到的偏好與興趣點(diǎn)的特征進(jìn)行匹配。Xiong等人提出概率生成模型實(shí)現(xiàn)用戶(hù)特征偏好的提取。Xing 等人利用深度學(xué)習(xí)技術(shù)挖掘用戶(hù)的評(píng)論信息，以學(xué)習(xí)用戶(hù)的偏好。因此，充分利用用戶(hù)的簽到次數(shù)及評(píng)論信息可有效構(gòu)建偏好模型，但由于用戶(hù)決策的復(fù)雜性，需要進(jìn)一步考慮情景信息對(duì)用戶(hù)行為的影響，以更精準(zhǔn)地推薦。

2.2 地理位置

地理位置是興趣點(diǎn)推薦區(qū)別于傳統(tǒng)推薦的根本特征。考慮用戶(hù)傾向于簽到距離較近的地點(diǎn)，Ye 等人提出冪律分布模型描述用戶(hù)簽到特征。Cheng等人考慮用戶(hù)偏向在多個(gè)中心點(diǎn)范圍內(nèi)簽到，提出多中心的高斯分布模型。上述的模型采用相同的分布函數(shù)捕捉用戶(hù)的地理偏好，但每個(gè)用戶(hù)應(yīng)當(dāng)具有獨(dú)一無(wú)二的簽到分布。據(jù)此，Zhang等人采用核密度估計(jì)方法為每個(gè)用戶(hù)分配唯一的概率密度函數(shù)。文獻(xiàn)[16]對(duì)核密度估計(jì)方法進(jìn)一步擴(kuò)展，采用二維的坐標(biāo)改進(jìn)一維的距離來(lái)建模地理偏好，度量用戶(hù)對(duì)未簽到興趣點(diǎn)的概率：

其中，表示用戶(hù)簽到興趣點(diǎn)的總次數(shù)；K(-l)表示兩個(gè)固定帶寬(,)的標(biāo)準(zhǔn)核函數(shù)。

為了實(shí)現(xiàn)用戶(hù)個(gè)性化推薦，文獻(xiàn)[20]對(duì)文獻(xiàn)[16]的固定帶寬加以改進(jìn)，提出自適應(yīng)帶寬h：

其中，是敏感參數(shù)。最終，利用文獻(xiàn)[20]的自適應(yīng)核密度估計(jì)模擬用戶(hù)的行為，獲取用戶(hù)的預(yù)測(cè)偏好：

上述研究主要對(duì)用戶(hù)的地理行為建立統(tǒng)一的模型。近年來(lái)，將地理信息與其他影響推薦的因素融合成為趨勢(shì)。文獻(xiàn)[21,25-26]將地理與社交信息融合，利用矩陣分解算法求解用戶(hù)與興趣點(diǎn)的偏好特征。文獻(xiàn)[27]提出地理-時(shí)間交互網(wǎng)絡(luò)模型，探索興趣點(diǎn)對(duì)之間的聯(lián)系，實(shí)現(xiàn)下一個(gè)興趣點(diǎn)的推薦。因此，探索地理信息的模型已較為成熟，如何進(jìn)一步融合LBSN中的異構(gòu)信息是下一步研究的重點(diǎn)。

2.3 社交關(guān)系

在位置推薦中，最初是利用協(xié)同過(guò)濾算法建模社交關(guān)系來(lái)實(shí)現(xiàn)用戶(hù)偏好的預(yù)測(cè)，但利用協(xié)同過(guò)濾方法時(shí)，用戶(hù)相似度的度量易受局部異常點(diǎn)影響，且算法極易遭受稀疏問(wèn)題，為此，矩陣分解方法受到關(guān)注。Qian 等人利用概率矩陣分解模型建模三種社交關(guān)系。Zhang等人將用戶(hù)的標(biāo)簽、社交和地理信息融入矩陣分解框架中，改善推薦性能。上述算法實(shí)質(zhì)是利用LBSN 中的好友關(guān)系預(yù)測(cè)用戶(hù)對(duì)興趣點(diǎn)的偏好分?jǐn)?shù)。近年來(lái)，信任理論不斷應(yīng)用于推薦領(lǐng)域，基于信任的推薦已拓展到興趣點(diǎn)推薦中。Zhu等人提出一種信任預(yù)測(cè)方法，綜合考慮用戶(hù)間的信任度與相似度向目標(biāo)用戶(hù)推薦好友，并融合用戶(hù)偏好與地理影響。Xu 等人將用戶(hù)偏好、社交關(guān)系與時(shí)空信息融入矩陣分解算法中，通過(guò)挖掘用戶(hù)的直接信任和間接信任關(guān)系捕捉用戶(hù)的社交影響。文獻(xiàn)[34-36]利用圖模型來(lái)表示用戶(hù)的社交關(guān)系，圖中相關(guān)節(jié)點(diǎn)的關(guān)系反映了用戶(hù)間的交互，該方法取得了較顯著的效果。由此可見(jiàn)，目前的研究主要是利用好友間的相似度和信任度來(lái)度量用戶(hù)的社交影響，根據(jù)好友的喜好預(yù)測(cè)目標(biāo)用戶(hù)的偏好，未來(lái)的工作將需要探索更多高效的方法來(lái)捕獲用戶(hù)間的社交關(guān)系。

2.4 時(shí)間信息

用戶(hù)對(duì)興趣點(diǎn)的簽到時(shí)間反映了用戶(hù)的時(shí)間偏好，考慮用戶(hù)的簽到行為受時(shí)間信息的影響，會(huì)根據(jù)時(shí)間的變化呈現(xiàn)出周期性和序列性的行為。為了描述用戶(hù)的周期性行為，Gao等人考慮時(shí)間的差異性和連續(xù)性特征，并將此屬性融入矩陣分解框架中，以刻畫(huà)用戶(hù)的時(shí)間特征。文獻(xiàn)[8]將時(shí)間信息融入?yún)f(xié)同過(guò)濾算法中，并結(jié)合興趣點(diǎn)的時(shí)間流行度進(jìn)行推薦。上述算法主要采用時(shí)間間隙將用戶(hù)-興趣點(diǎn)簽到矩陣劃分為若干個(gè)簽到矩陣，加劇了數(shù)據(jù)稀疏問(wèn)題。基于此，Ying等人提出非對(duì)稱(chēng)投影的時(shí)間感知嵌入方法刻畫(huà)時(shí)間特征。文獻(xiàn)[38]利用神經(jīng)網(wǎng)絡(luò)方法提取時(shí)間特征向量，能較好應(yīng)對(duì)數(shù)據(jù)稀疏問(wèn)題，進(jìn)而改善推薦性能。在最新的一項(xiàng)研究中，Yin 等人考慮用戶(hù)的時(shí)空偏好行為，將協(xié)同過(guò)濾算法與模糊聚類(lèi)算法結(jié)合，有效地實(shí)現(xiàn)了興趣點(diǎn)的動(dòng)態(tài)推薦。

序列性簽到行為在興趣點(diǎn)推薦中主要表現(xiàn)為用戶(hù)在當(dāng)前時(shí)間簽到對(duì)下一個(gè)時(shí)間簽到地點(diǎn)產(chǎn)生的影響，即衍生出序列推薦問(wèn)題。序列推薦側(cè)重于為目標(biāo)用戶(hù)在一段時(shí)間內(nèi)（如幾個(gè)小時(shí)）推薦某些地點(diǎn)，是一項(xiàng)重要的推薦任務(wù)。文獻(xiàn)[40]整合了時(shí)間和地理特征，構(gòu)建了一個(gè)基于圖的潛在表示模型，并結(jié)合LSTM（long short-term memory）神經(jīng)網(wǎng)絡(luò)來(lái)模擬用戶(hù)復(fù)雜的移動(dòng)行為，實(shí)現(xiàn)興趣點(diǎn)的動(dòng)態(tài)序列推薦。文獻(xiàn)[41]提出將時(shí)空上下文信息輸入到LSTM框架中，融合基于注意力機(jī)制模型來(lái)提取簽到序列中的簽到記錄，以實(shí)現(xiàn)下一個(gè)興趣點(diǎn)推薦。為了實(shí)現(xiàn)實(shí)時(shí)推薦，Wang 等人考慮了興趣點(diǎn)的類(lèi)型與簽到時(shí)間，利用基于注意力機(jī)制的循環(huán)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)上下文信息，更好地預(yù)測(cè)用戶(hù)下一個(gè)簽到的興趣點(diǎn)。基于此，Wu等人豐富了上下文信息，采用線(xiàn)性組合的方式對(duì)用戶(hù)的長(zhǎng)短期偏好建模。該模型融合了類(lèi)別信息和簽到時(shí)間，利用注意力機(jī)制捕捉用戶(hù)的長(zhǎng)期偏好，并基于興趣點(diǎn)序列和類(lèi)別序列建立兩個(gè)LSTM 模型來(lái)模擬用戶(hù)的短期偏好。為此，現(xiàn)有的序列推薦工作主要融合時(shí)空信息，并應(yīng)用神經(jīng)網(wǎng)絡(luò)及其拓展技術(shù)來(lái)實(shí)現(xiàn)。

綜上，用戶(hù)在時(shí)間信息上展現(xiàn)出的周期性與序列性的簽到行為影響著用戶(hù)的行為偏好，時(shí)間因素對(duì)興趣點(diǎn)推薦的研究具有重要作用。

2.5 內(nèi)容信息

興趣點(diǎn)的內(nèi)容信息影響著用戶(hù)的決策，相關(guān)學(xué)者逐漸利用興趣點(diǎn)的內(nèi)容信息來(lái)挖掘其附帶的屬性特征，從而更有效率地實(shí)現(xiàn)用戶(hù)的個(gè)性化推薦。Chen等人將興趣點(diǎn)的文本內(nèi)容嵌入深度學(xué)習(xí)模型，更深層次地捕捉興趣點(diǎn)的標(biāo)簽信息。Zhao等人融合了興趣點(diǎn)的情感屬性和地理屬性，利用概率矩陣分解技術(shù)挖掘用戶(hù)與興趣點(diǎn)的潛在特征。為了充分利用上下文信息，Zhang等人運(yùn)用社交網(wǎng)絡(luò)中的圖像內(nèi)容和地理信息捕捉用戶(hù)的偏好，采用加權(quán)矩陣分解算法學(xué)習(xí)用戶(hù)及興趣點(diǎn)的深層特征。上述的工作主要利用矩陣分解和深度學(xué)習(xí)來(lái)提取相關(guān)特征，以預(yù)測(cè)用戶(hù)偏好。然而，LBSN 中存在的多是異構(gòu)數(shù)據(jù)，這些數(shù)據(jù)復(fù)雜且難以建模，探索更多的特征提取技術(shù)來(lái)處理異構(gòu)數(shù)據(jù)是未來(lái)研究的重點(diǎn)。

2.6 流行度

流行度是指興趣點(diǎn)受用戶(hù)歡迎的程度，體現(xiàn)了興趣點(diǎn)推薦系統(tǒng)提供的服務(wù)與質(zhì)量。目前相關(guān)的研究普遍將興趣點(diǎn)的流行度作為用戶(hù)的先驗(yàn)知識(shí)。Yang等人利用用戶(hù)生成的文本和圖像內(nèi)容預(yù)測(cè)興趣點(diǎn)的流行度，以緩解興趣點(diǎn)信息的稀疏影響。興趣點(diǎn)流行度具備時(shí)間屬性，即實(shí)時(shí)性問(wèn)題。Yao等人考慮興趣點(diǎn)的流行度受時(shí)間影響，提出將用戶(hù)與興趣點(diǎn)間的時(shí)間匹配度融入推薦框架中。Yuan 等人采用流行度信息衡量興趣點(diǎn)被簽到的先驗(yàn)概率，并將其與地理、時(shí)間信息融合，實(shí)現(xiàn)動(dòng)態(tài)推薦。另外，Si等人深入探索了流行度的影響，將連續(xù)簽到時(shí)間段的流行度結(jié)合地理影響來(lái)完成推薦。該模型提出了兩種推薦策略，對(duì)待活躍用戶(hù)運(yùn)用二維核密度估計(jì)建模地理偏好，對(duì)待非活躍用戶(hù)運(yùn)用一維冪律分布模擬地理影響，再分別融合時(shí)間流行度特征實(shí)現(xiàn)興趣點(diǎn)推薦。上述研究主要將流行度和其他情景信息相結(jié)合，說(shuō)明了流行度信息在推薦工作中的重要地位。

上述對(duì)影響興趣點(diǎn)推薦的因素進(jìn)行了闡述，并總結(jié)了相關(guān)代表性工作。表2 分析了幾種重要模型考慮的影響因素，并歸納了算法的優(yōu)點(diǎn)與局限性。文獻(xiàn)[14,28]只考慮了單一信息的影響，因此推薦準(zhǔn)確率較低。文獻(xiàn)[17]融合了多種信息到矩陣分解算法中，可有效緩解數(shù)據(jù)稀疏性，但該算法未能充分挖掘興趣點(diǎn)的特征。同時(shí)，為了探究不同因素的影響，文獻(xiàn)[7]通過(guò)消融實(shí)驗(yàn)獲得地理信息在推薦中的影響高于其他因素。文獻(xiàn)[17]提出了本地和異地推薦兩種情景，實(shí)驗(yàn)得出在異地場(chǎng)景中內(nèi)容信息影響最大，在本地推薦場(chǎng)景中時(shí)間信息影響最大。以上說(shuō)明了各影響因素在推薦工作中發(fā)揮的不同作用。此外，從表2可知，除了常見(jiàn)的幾種情景信息外，文獻(xiàn)[48]考慮了社交網(wǎng)絡(luò)中的圖像內(nèi)容，利用矩陣分解和深度學(xué)習(xí)技術(shù)挖掘用戶(hù)與興趣點(diǎn)的特征，從而改善推薦性能。因此，現(xiàn)有研究還存在一定的局限性，仍有一些影響用戶(hù)決策的因素未加以考慮，如天氣、交通等，如何建模這些因素對(duì)推薦工作的影響是未來(lái)研究的重點(diǎn)。

表2 興趣點(diǎn)推薦的影響因素中各代表算法對(duì)比Table 2 Comparison of typical algorithms in influencing factors of POI recommendation

3 興趣點(diǎn)推薦算法

興趣點(diǎn)推薦的影響因素類(lèi)型多且復(fù)雜，利用傳統(tǒng)的推薦方法（如協(xié)同過(guò)濾推薦方法等）無(wú)法進(jìn)一步建模，因此衍生出不同類(lèi)型的推薦算法與技術(shù)。目前的興趣點(diǎn)推薦方法主要朝著矩陣分解算法、基于圖的方法與基于深度學(xué)習(xí)的方向發(fā)展。以下將重點(diǎn)對(duì)興趣點(diǎn)推薦的核心算法及其相關(guān)代表工作進(jìn)行詳細(xì)闡述與對(duì)比總結(jié)。

3.1 矩陣分解算法

矩陣分解算法（matrix factorization，MF）能有效緩解數(shù)據(jù)稀疏問(wèn)題，且能夠挖掘用戶(hù)和興趣點(diǎn)的特征，因此被廣泛應(yīng)用到推薦工作中。該方法采用降維的方式將用戶(hù)-興趣點(diǎn)矩陣分解為低維空間上的用戶(hù)隱特征矩陣={,,…,U}∈R和興趣點(diǎn)隱特征矩陣={,,…,V}∈R，為隱特征個(gè)數(shù)，并通過(guò)訓(xùn)練使兩者乘積^盡可能接近，其對(duì)應(yīng)的優(yōu)化問(wèn)題如式（6）所示：

與傳統(tǒng)推薦工作相比，興趣點(diǎn)推薦不僅采用矩陣分解算法求解用戶(hù)及項(xiàng)目的隱特征，還能進(jìn)一步地將情景信息嵌入矩陣分解框架中，以預(yù)測(cè)用戶(hù)的偏好。文獻(xiàn)[33]將社交關(guān)系融入矩陣分解算法，采用添加正則項(xiàng)的方式求解用戶(hù)偏好矩陣，通過(guò)優(yōu)化式（7）模型來(lái)實(shí)現(xiàn)。其次，將用戶(hù)關(guān)系興趣矩陣分解為用戶(hù)關(guān)系隱特征矩陣和興趣點(diǎn)隱特征矩陣，求解的優(yōu)化函數(shù)如式（8）所示。最后，將式（7）與（8）聯(lián)合求解，并采用隨機(jī)梯度下降法優(yōu)化式（9）的目標(biāo)函數(shù)。

其中，λ、λ與λ為正則化參數(shù)；矩陣元素H為用戶(hù)與好友對(duì)興趣點(diǎn)的偏好度；與為調(diào)整因子。

在最新的推薦工作中，為了深度挖掘用戶(hù)的潛在偏好，文獻(xiàn)[52]將用戶(hù)偏好、信任關(guān)系和時(shí)空信息融入到一個(gè)改進(jìn)后的SVD矩陣分解框架中。該方法在原有模型的基礎(chǔ)上提高了準(zhǔn)確率，同時(shí)考慮了信任關(guān)系。對(duì)應(yīng)的優(yōu)化函數(shù)如下：

在式（10）的目標(biāo)函數(shù)中，第一項(xiàng)表示基本的用戶(hù)偏好。此方法的創(chuàng)新之處在于第二項(xiàng)，(,)表示用戶(hù)相似度，結(jié)合了信任與時(shí)空信息，具體如式（11）所示：

另外，Davtalab等人融合了地理信息、射箭關(guān)系和時(shí)間信息到概率矩陣分解框架中。文獻(xiàn)[54-55]采用聯(lián)合矩陣分解的方法捕獲用戶(hù)的偏好，從而解決隱式反饋問(wèn)題。上述算法利用不同類(lèi)型的矩陣分解方法求解用戶(hù)的偏好矩陣，適用于預(yù)測(cè)稀疏數(shù)據(jù)集的用戶(hù)偏好，但缺點(diǎn)是這類(lèi)方法往往訓(xùn)練時(shí)間較長(zhǎng)。

3.2 基于圖嵌入方法

基于圖嵌入方法（graph embedding，GE）能夠形象地將數(shù)據(jù)及其對(duì)應(yīng)的關(guān)系刻畫(huà)到圖上，其興起為社交網(wǎng)絡(luò)的研究拓寬了新的思路。在LBSN中，興趣點(diǎn)推薦往往包含著用戶(hù)對(duì)興趣點(diǎn)的偏好關(guān)系與用戶(hù)社交關(guān)系。為此，可利用圖模型將這兩種關(guān)系描繪成圖5所示的二分圖網(wǎng)絡(luò)。在二分圖網(wǎng)絡(luò)中，用戶(hù)若簽到過(guò)興趣點(diǎn)，則將兩節(jié)點(diǎn)相連，若兩個(gè)用戶(hù)是好友關(guān)系，則利用邊連接兩個(gè)用戶(hù)。近年來(lái)，圖嵌入的方法得到了廣泛的應(yīng)用，接下來(lái)將對(duì)基于圖的興趣點(diǎn)推薦方法進(jìn)行概括。

圖5 二分圖網(wǎng)絡(luò)Fig. 5 Bipartite graph network

Zhu 等人提出了一種融合社交與地理信息的圖嵌入表示方法。該方法將用戶(hù)嵌入與社交圖嵌入結(jié)合獲得用戶(hù)的特征表示，將興趣點(diǎn)嵌入與地理圖嵌入結(jié)合獲得興趣點(diǎn)的特征表示。最終，在神經(jīng)網(wǎng)絡(luò)框架下捕獲用戶(hù)與興趣點(diǎn)的潛在交互，從而得到用戶(hù)的偏好。此模型可有效緩解協(xié)同過(guò)濾推薦算法無(wú)法解決的數(shù)據(jù)稀疏問(wèn)題，并提高推薦質(zhì)量。

Lu等人將圖模型的方法應(yīng)用到下一個(gè)興趣點(diǎn)推薦的場(chǎng)景中，建立了一個(gè)改進(jìn)的基于圖的潛在表示模型，利用歷史簽到記錄捕獲時(shí)間序列影響與用戶(hù)的時(shí)間偏好。在此基礎(chǔ)上，使用LSTM神經(jīng)網(wǎng)絡(luò)模型擴(kuò)展原有框架，以模擬用戶(hù)復(fù)雜的移動(dòng)行為。最終，利用學(xué)習(xí)到的潛在表示完成推薦任務(wù)，獲得了較好的準(zhǔn)確率。但此方法對(duì)社交網(wǎng)絡(luò)中情景信息的挖掘不夠充分，仍有待改善。

為了豐富情景信息，Qiao等人提出了一種健壯的基于圖嵌入的算法，能夠有效解決社交網(wǎng)絡(luò)中的異構(gòu)性問(wèn)題。該方法利用異構(gòu)圖融合了用戶(hù)社交關(guān)系、地理和時(shí)間信息，生成了一個(gè)聯(lián)合的表示學(xué)習(xí)框架。具體地，通過(guò)綜合考慮情景信息的影響，得到異構(gòu)圖中節(jié)點(diǎn)間的轉(zhuǎn)移概率，并利用異構(gòu)圖中的拓?fù)浣Y(jié)構(gòu)來(lái)學(xué)習(xí)用戶(hù)與興趣點(diǎn)的潛在表示。實(shí)驗(yàn)結(jié)果表明，該方法提升了推薦的性能，且能夠處理興趣點(diǎn)推薦中的冷啟動(dòng)問(wèn)題。

Chen等人提出了一種多任務(wù)嵌入的個(gè)性化推薦方法，分別采用了序列嵌入和圖嵌入的方式對(duì)用戶(hù)的簽到行為建模。該模型融合了序列數(shù)據(jù)、社交關(guān)系、語(yǔ)義信息和時(shí)空信息，利用序列嵌入方法捕獲簽到數(shù)據(jù)中的序列信息，再利用圖嵌入的方式在用戶(hù)-用戶(hù)、用戶(hù)-興趣點(diǎn)和用戶(hù)-時(shí)間等關(guān)系圖中捕獲情景信息的影響。該研究通過(guò)不同的嵌入方式探究各類(lèi)信息的影響，有效地提高了推薦的性能。

在最新的一項(xiàng)研究中，Hu 等人建立了一種模擬用戶(hù)動(dòng)態(tài)偏好的方法，目的在于有效地捕捉用戶(hù)的細(xì)粒度偏好。該方法嵌入了地理和時(shí)間信息，旨在探究其對(duì)興趣點(diǎn)級(jí)與項(xiàng)目級(jí)的影響，并融入到基于圖嵌入的模型中，從而解決數(shù)據(jù)稀疏和冷啟動(dòng)問(wèn)題，但不足之處在于可解釋性較低。

上述對(duì)圖嵌入方法在興趣點(diǎn)推薦中的相關(guān)應(yīng)用進(jìn)行了介紹，借助圖嵌入方法，能夠利用圖對(duì)LBSN中存在的用戶(hù)、興趣點(diǎn)和用戶(hù)社交等節(jié)點(diǎn)關(guān)系進(jìn)行建模，從而深層地挖掘社交網(wǎng)絡(luò)間的關(guān)系，有效地將推薦問(wèn)題轉(zhuǎn)化為圖中相關(guān)節(jié)點(diǎn)的交互問(wèn)題，緩解了數(shù)據(jù)稀疏和冷啟動(dòng)問(wèn)題。雖然基于圖的方法為興趣點(diǎn)推薦工作提供了新的方向，但其可解釋性較低。隨著深度學(xué)習(xí)的興起，學(xué)者們逐漸將深度學(xué)習(xí)遷移到圖上來(lái)，形成了圖神經(jīng)網(wǎng)絡(luò)等重要的方法，來(lái)進(jìn)一步彌補(bǔ)上述方法的不足。

3.3 基于深度學(xué)習(xí)方法

鑒于傳統(tǒng)的推薦方法在構(gòu)建復(fù)雜模型時(shí)訓(xùn)練效果不佳，且利用矩陣分解算法易出現(xiàn)過(guò)擬合問(wèn)題，深度學(xué)習(xí)技術(shù)受到了學(xué)者們的關(guān)注與青睞。深度學(xué)習(xí)（deep learning，DL）通過(guò)構(gòu)建多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)原始數(shù)據(jù)中的簡(jiǎn)單特征進(jìn)行組合，從而能夠獲取更加抽象的語(yǔ)義特征表示。近年來(lái)，深度學(xué)習(xí)借由其強(qiáng)大的學(xué)習(xí)能力，以及能夠深層次地表征用戶(hù)與項(xiàng)目的潛在特征的特點(diǎn)，已被廣泛地應(yīng)用到推薦系統(tǒng)中。以下將對(duì)深度學(xué)習(xí)中各種神經(jīng)網(wǎng)絡(luò)在興趣點(diǎn)推薦中的工作現(xiàn)狀進(jìn)行總結(jié)，主要包括針對(duì)卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)和圖神經(jīng)網(wǎng)絡(luò)技術(shù)的推薦方法。

卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）的基本結(jié)構(gòu)如圖6 所示，包括輸入層、卷積層、池化層、連接層與輸出層。Xing 等人考慮了地理位置、社交關(guān)系和評(píng)論信息，并將這些因素融合到一個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)和概率矩陣分解模型的框架中，從而挖掘用戶(hù)與興趣點(diǎn)的特征。隨著研究的深入，該團(tuán)隊(duì)將興趣點(diǎn)的屬性、用戶(hù)偏好和情感信息融入卷積神經(jīng)網(wǎng)絡(luò)框架，利用神經(jīng)網(wǎng)絡(luò)捕捉評(píng)論內(nèi)容中的語(yǔ)義信息，從而解決用戶(hù)偏好的不可解釋性問(wèn)題和數(shù)據(jù)稀疏問(wèn)題，生成了效果更優(yōu)的潛在模型。馮浩等人利用卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)用戶(hù)評(píng)論信息的特征，最終通過(guò)學(xué)習(xí)到的特征表示進(jìn)行位置推薦，以改善算法的性能。

圖6 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig. 6 Structure of convolutional neural network

循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）主要用于處理時(shí)間序列數(shù)據(jù)，大多數(shù)興趣點(diǎn)推薦的研究主要應(yīng)用該技術(shù)來(lái)完成序列推薦任務(wù)。Xia等人提出了一種基于注意力機(jī)制的循環(huán)神經(jīng)網(wǎng)絡(luò)，能根據(jù)相應(yīng)用戶(hù)的序列簽到數(shù)據(jù)來(lái)模擬用戶(hù)的生活模式。相較于傳統(tǒng)的推薦方法，利用神經(jīng)網(wǎng)絡(luò)模型提高了算法的可解釋性。Chen等人提出了一個(gè)有監(jiān)督的循環(huán)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)預(yù)測(cè)模型，該模型考慮了用戶(hù)的興趣、地理位置和時(shí)間信息，最終形成了用戶(hù)興趣和上下文信息的綜合特征表示。然而，上述的研究在對(duì)用戶(hù)的短期偏好建模時(shí)忽略了用戶(hù)的長(zhǎng)期偏好，導(dǎo)致推薦結(jié)果不可靠。為此，Sun 等人提出了一種新的適用于下一個(gè)興趣點(diǎn)推薦的方法，該方法分別對(duì)用戶(hù)的長(zhǎng)短期偏好建模，并融合地理信息與用戶(hù)的短期偏好到循環(huán)神經(jīng)網(wǎng)絡(luò)中。Huang 等人考慮了相似用戶(hù)的歷史數(shù)據(jù)，利用循環(huán)神經(jīng)網(wǎng)絡(luò)與基于協(xié)同過(guò)濾算法建模用戶(hù)的行為，從而捕捉用戶(hù)的偏好。該模型克服了當(dāng)前多層感知機(jī)與LSTM 推薦方法的不足，在興趣點(diǎn)推薦場(chǎng)景下得到了有效的應(yīng)用。

基于圖推薦方法的興起為社交網(wǎng)絡(luò)的研究拓寬了思路，學(xué)者們開(kāi)始關(guān)注將深度學(xué)習(xí)模型運(yùn)用到圖數(shù)據(jù)上，而圖神經(jīng)網(wǎng)絡(luò)（graph neural network，GNN）成為其中最活躍的方法。Zhong 等人提出混合圖卷積網(wǎng)絡(luò)模型，利用興趣點(diǎn)對(duì)之間的地理距離構(gòu)建空間圖，采用圖卷積網(wǎng)絡(luò)表示興趣點(diǎn)間的連通性，該模型為緩解數(shù)據(jù)稀疏問(wèn)題提供了有效途徑。為了建立更強(qiáng)大的推薦模型，Zhang等人利用圖神經(jīng)網(wǎng)絡(luò)構(gòu)建出一個(gè)包含用戶(hù)節(jié)點(diǎn)和興趣點(diǎn)節(jié)點(diǎn)的社交網(wǎng)絡(luò)圖，分別從節(jié)點(diǎn)信息和拓?fù)浣Y(jié)構(gòu)中學(xué)習(xí)節(jié)點(diǎn)的特征表示。用戶(hù)節(jié)點(diǎn)利用了相鄰社交節(jié)點(diǎn)和具有簽到行為的興趣點(diǎn)的表示來(lái)學(xué)習(xí)，并采用注意力機(jī)制來(lái)學(xué)習(xí)社交網(wǎng)絡(luò)關(guān)系的異質(zhì)結(jié)構(gòu)。興趣點(diǎn)節(jié)點(diǎn)融合了地理和時(shí)間信息特征，利用雙向的長(zhǎng)短期記憶模型來(lái)模擬用戶(hù)的序列簽到行為。該模型有效提高了推薦的效果，能普遍運(yùn)用到各類(lèi)推薦任務(wù)中。在實(shí)際應(yīng)用中，Kang等人將監(jiān)測(cè)站的位置制定為包含時(shí)間空間的圖節(jié)點(diǎn)推薦問(wèn)題，設(shè)計(jì)了一個(gè)有效的基于空氣質(zhì)量推斷的高階圖卷積模型，進(jìn)而捕捉空氣質(zhì)量分布的時(shí)空特征。該模型利用節(jié)點(diǎn)增量學(xué)習(xí)方法來(lái)判斷節(jié)點(diǎn)的優(yōu)先級(jí)順序，最終依據(jù)優(yōu)先級(jí)順序完成推薦任務(wù)。

上述將深度學(xué)習(xí)中的CNN、RNN與GNN方法在興趣點(diǎn)推薦中的應(yīng)用進(jìn)行了對(duì)比與歸納，介紹了CNN技術(shù)在表征潛在特征方面的優(yōu)勢(shì)，總結(jié)了RNN 在序列推薦上的應(yīng)用以及GNN結(jié)合各情景信息來(lái)解決異構(gòu)性問(wèn)題，說(shuō)明了深度學(xué)習(xí)是該領(lǐng)域應(yīng)用的重要技術(shù)。為此，相關(guān)領(lǐng)域的學(xué)者應(yīng)準(zhǔn)確把握深度學(xué)習(xí)的最新發(fā)展趨勢(shì)，為興趣點(diǎn)推薦的發(fā)展尋求新的突破點(diǎn)。

綜上，本文在傳統(tǒng)推薦方法的基礎(chǔ)上不斷延伸，概括了基于矩陣分解的算法、基于圖嵌入的方法和基于深度學(xué)習(xí)的方法的應(yīng)用，分析了不同推薦方法目前已解決的問(wèn)題。為了系統(tǒng)地了解各推薦方法的應(yīng)用，表3 對(duì)比歸納了各方法中代表性工作的特點(diǎn)、優(yōu)缺點(diǎn)及相應(yīng)的代碼鏈接。

由表3可知，矩陣分解算法主要通過(guò)融合各情景信息，采用降維的方式求解用戶(hù)與興趣點(diǎn)的隱特征，進(jìn)而預(yù)測(cè)用戶(hù)偏好。該算法能夠緩解數(shù)據(jù)稀疏問(wèn)題，但訓(xùn)練時(shí)間較長(zhǎng)，且會(huì)出現(xiàn)過(guò)擬合問(wèn)題。基于圖嵌入的方法通過(guò)構(gòu)建關(guān)系圖來(lái)反映用戶(hù)與興趣點(diǎn)的關(guān)系，并將各情景信息描述到圖上，能緩解數(shù)據(jù)稀疏性，但存在可解釋性較低等問(wèn)題。深度學(xué)習(xí)技術(shù)與矩陣分解方法都具備挖掘用戶(hù)與興趣點(diǎn)特征的能力，相較于矩陣分解方法，深度學(xué)習(xí)技術(shù)能夠更深層次地挖掘潛在特征，且具有強(qiáng)大的學(xué)習(xí)能力，主要缺點(diǎn)是模型的復(fù)雜度較高。為此，系統(tǒng)地了解各種方法的優(yōu)劣勢(shì)與適用場(chǎng)景，將有利于興趣點(diǎn)推薦工作的開(kāi)展。

表3 興趣點(diǎn)推薦方法中各代表算法對(duì)比Table 3 Comparison of typical algorithms in POI recommendation methods

以上對(duì)影響興趣點(diǎn)推薦的因素進(jìn)行了分析，對(duì)各推薦算法的應(yīng)用進(jìn)行了描述，并詳細(xì)介紹了相關(guān)代表性的工作，有利于理解現(xiàn)有興趣點(diǎn)推薦的成果及其優(yōu)缺點(diǎn)。接下來(lái)，為了更綜合、更全面地了解興趣點(diǎn)推薦的發(fā)展現(xiàn)狀，本文依據(jù)研究成果提出的時(shí)間順序，以影響推薦的因素、解決的推薦問(wèn)題及對(duì)應(yīng)的推薦算法三方面為核心，探討與總結(jié)各相關(guān)工作的推薦策略，進(jìn)而充分地了解興趣點(diǎn)推薦的研究現(xiàn)狀。相關(guān)總結(jié)如表4所示。

由表4可知，興趣點(diǎn)推薦已融合了各種影響因素來(lái)構(gòu)建模型，且取得了顯著的成效。在解決推薦問(wèn)題方面，對(duì)數(shù)據(jù)稀疏、冷啟動(dòng)、個(gè)性化、序列與動(dòng)態(tài)推薦問(wèn)題的研究頗為豐富，未來(lái)研究應(yīng)將重點(diǎn)放在異地推薦問(wèn)題上。在推薦算法上，可看出早年主要以協(xié)同過(guò)濾算法為基礎(chǔ)，接著逐漸利用矩陣分解算法來(lái)融合各情景信息，以緩解數(shù)據(jù)稀疏性。近年來(lái)，為了更深層次地挖掘用戶(hù)偏好，相關(guān)工作主要利用圖嵌入方法與深度學(xué)習(xí)來(lái)構(gòu)建模型，從而提高推薦性能。以上的研究總結(jié)可為相關(guān)領(lǐng)域的研究者提供更好的借鑒，同時(shí)將前沿的技術(shù)應(yīng)用到興趣點(diǎn)推薦工作中值得探索。

表4 興趣點(diǎn)推薦的研究現(xiàn)狀分析Table 4 Analysis of research status in POI recommendation

4 算法評(píng)價(jià)指標(biāo)

興趣點(diǎn)推薦系統(tǒng)利用各種推薦算法為用戶(hù)生成最終的推薦列表，系統(tǒng)通過(guò)度量相關(guān)的評(píng)價(jià)指標(biāo)來(lái)對(duì)構(gòu)建的算法進(jìn)行評(píng)價(jià)，評(píng)價(jià)的結(jié)果反映了算法的有效性。與傳統(tǒng)推薦使用的指標(biāo)相似，在興趣點(diǎn)推薦中，目前常用的預(yù)測(cè)指標(biāo)包括準(zhǔn)確率（precision）、召回率（recall）、1 值、平均絕對(duì)誤差（mean absolute error，MAE）。定義分別如下：

另外，每個(gè)用戶(hù)推薦生成列表具有有序性，理想狀態(tài)是準(zhǔn)確率越高的興趣點(diǎn)排序越靠前越好。因此，針對(duì)排序的結(jié)果，需通過(guò)度量其排序指標(biāo)來(lái)評(píng)估算法的性能，常用的指標(biāo)包括平均精度均值（mean average precision，MAP）和歸一化折損累計(jì)增益（normalized discounted cumulative gain，NDCG）。兩者的區(qū)別主要在于MAP 考慮對(duì)象是二元相關(guān)性，即對(duì)象要么喜歡要么不喜歡，而NDCG 主要通過(guò)實(shí)數(shù)的形式進(jìn)行相關(guān)性比較。定義分別如下：

其中，表示排名；()表示推薦生成列表中截止到的準(zhǔn)確率；()的值取決于用戶(hù)是否有簽到排名的興趣點(diǎn)，若有簽到則值為1，否則為0。

推薦的效果取決于評(píng)價(jià)指標(biāo)值的高低，對(duì)算法進(jìn)行評(píng)估測(cè)量是推薦工作的最后流程。為了了解興趣點(diǎn)推薦工作中各指標(biāo)的應(yīng)用情況，本文列舉了幾種重要算法采用的指標(biāo)。同時(shí)為了綜合了解算法的整體性能，將其對(duì)應(yīng)文獻(xiàn)所涉及的時(shí)間與空間復(fù)雜度進(jìn)行了歸納，如表5所示。

由表5 可知，precision 和recall 是應(yīng)用最廣的預(yù)測(cè)指標(biāo)，因?yàn)樗鼈兡軌蜃钪苯臃从吵鲱A(yù)測(cè)的推薦列表是否符合用戶(hù)的喜好，所以獲得廣泛的應(yīng)用。1作為precision 和recall 的調(diào)和平均值，通常用于評(píng)估算法的整體性能。MAE能夠反映預(yù)測(cè)評(píng)分與真實(shí)評(píng)分的差距，在文獻(xiàn)[48,52]中，該指標(biāo)主要用于對(duì)推薦結(jié)果進(jìn)行誤差評(píng)估，以更有效地評(píng)價(jià)推薦的準(zhǔn)確性。MAP與NDCG是經(jīng)典的排序指標(biāo)，在文獻(xiàn)[74-75]中，為了綜合評(píng)估排序的性能，結(jié)合了兩種指標(biāo)進(jìn)一步說(shuō)明算法的有效性。因此，在算法評(píng)價(jià)流程中，采用越多的預(yù)測(cè)和排序指標(biāo)，以及結(jié)合適當(dāng)?shù)膹?fù)雜度分析會(huì)增加算法的說(shuō)服力。同時(shí)，進(jìn)一步發(fā)掘更多的評(píng)估指標(biāo)來(lái)驗(yàn)證算法的性能，是未來(lái)研究的重點(diǎn)內(nèi)容。

表5 幾種代表算法的評(píng)價(jià)指標(biāo)總結(jié)Table 5 Summary of evaluation metrics of several algorithms

5 面臨的挑戰(zhàn)及研究趨勢(shì)

興趣點(diǎn)推薦系統(tǒng)作為一個(gè)新興的研究領(lǐng)域，近年來(lái)取得了較為豐碩的成果，但由于不同場(chǎng)景下推薦的差異性與多樣性，導(dǎo)致推薦的難度增加，仍存在一些挑戰(zhàn)和難點(diǎn)亟待解決。本文總結(jié)了未來(lái)可進(jìn)一步探究的內(nèi)容，概括來(lái)講包括以下這些潛在的方向。

（1）數(shù)據(jù)來(lái)源問(wèn)題

在基于位置社會(huì)網(wǎng)絡(luò)的興趣點(diǎn)推薦系統(tǒng)中，用戶(hù)采用“簽到”的方式與社交網(wǎng)絡(luò)中的好友共享位置，從而產(chǎn)生簽到數(shù)據(jù)。作為推薦工作的基礎(chǔ)，對(duì)數(shù)據(jù)的挖掘與認(rèn)知至關(guān)重要，然而用戶(hù)的簽到數(shù)據(jù)往往采用隱式的方式表達(dá)。比如用戶(hù)對(duì)地點(diǎn)的簽到次數(shù)越高，可理解為用戶(hù)偏好此地點(diǎn)，但用戶(hù)簽到的頻率無(wú)固定的數(shù)據(jù)范圍，增加了量化偏好值的難度，這與傳統(tǒng)推薦系統(tǒng)顯式打分的方法有所區(qū)別。另外，興趣點(diǎn)推薦工作的數(shù)據(jù)集主要來(lái)源于一些公開(kāi)網(wǎng)站，但用戶(hù)可能僅在海量的位置中留下稀疏的簽到記錄，增加了數(shù)據(jù)獲取的難度，這是推薦工作面臨的首要問(wèn)題。

（2）融合多種影響因素的推薦

目前的興趣點(diǎn)推薦工作主要針對(duì)用戶(hù)及興趣點(diǎn)兩個(gè)維度的屬性進(jìn)行研究，如用戶(hù)的社交關(guān)系、簽到時(shí)間、興趣點(diǎn)的內(nèi)容及流行度等。如何進(jìn)一步拓展影響用戶(hù)決策的其他行為信息，從而輔助用戶(hù)決策至關(guān)重要。比如，興趣點(diǎn)推薦還可能受到用戶(hù)自身的情感以及外界因素（如天氣、交通）的影響，探究用戶(hù)的情感行為及引入外界因素構(gòu)建模型成為一項(xiàng)富有挑戰(zhàn)的研究?jī)?nèi)容。

（3）跨領(lǐng)域推薦

跨領(lǐng)域推薦可融合來(lái)自不同領(lǐng)域的用戶(hù)偏好特征，進(jìn)而根據(jù)每個(gè)用戶(hù)自身特征進(jìn)行個(gè)性化推薦，提高目標(biāo)領(lǐng)域推薦的多樣性與準(zhǔn)確性。在興趣點(diǎn)推薦工作中，存在數(shù)據(jù)稀疏問(wèn)題與冷啟動(dòng)問(wèn)題，若融合多個(gè)輔助領(lǐng)域的數(shù)據(jù)來(lái)為目標(biāo)領(lǐng)域進(jìn)行推薦，可有效解決興趣點(diǎn)推薦中的冷啟動(dòng)問(wèn)題。例如，已有工作在對(duì)圖神經(jīng)網(wǎng)絡(luò)的應(yīng)用中，對(duì)用戶(hù)與興趣點(diǎn)關(guān)系圖的構(gòu)建主要停留在單一的層面上，考慮如何從一個(gè)關(guān)系圖過(guò)渡到其他的關(guān)系圖，進(jìn)而實(shí)現(xiàn)不同圖神經(jīng)網(wǎng)絡(luò)框架間的數(shù)據(jù)遷移，是一個(gè)值得關(guān)注的問(wèn)題。

（4）推薦結(jié)果的可解釋性

推薦的可解釋性指的是向推薦對(duì)象提供解釋?zhuān)蛊淅斫馔扑]該項(xiàng)目的原因，為了使興趣點(diǎn)推薦系統(tǒng)成為一個(gè)用戶(hù)參與的交互系統(tǒng)，必須提高推薦結(jié)果的可解釋性，從而提高推薦系統(tǒng)的有效性及用戶(hù)的滿(mǎn)意度。在對(duì)興趣點(diǎn)推薦結(jié)果的解釋過(guò)程中，不僅要考慮興趣點(diǎn)的屬性，還要關(guān)注屬性可能隨時(shí)間動(dòng)態(tài)變化的特征。深度學(xué)習(xí)依靠其強(qiáng)大的表征能力被廣泛應(yīng)用到推薦系統(tǒng)，然而其深層神經(jīng)網(wǎng)絡(luò)被普遍認(rèn)為是不可解釋的。近年來(lái)備受關(guān)注的知識(shí)圖譜方法為該問(wèn)題帶來(lái)了契機(jī)，它通過(guò)建立＜實(shí)體，關(guān)系，屬性＞三元組來(lái)提高可解釋性，然而知識(shí)圖譜的大數(shù)據(jù)規(guī)模無(wú)法依據(jù)用戶(hù)反饋進(jìn)行實(shí)時(shí)更新，只能略微改善推薦的可解釋性。目前對(duì)興趣點(diǎn)推薦中可解釋性問(wèn)題的研究還比較少，探索一類(lèi)能夠?qū)崟r(shí)交互更新的可解釋性推薦方法值得研究。

（5）用戶(hù)的隱私保護(hù)

為了提高推薦的性能，當(dāng)前的興趣點(diǎn)推薦工作需要從用戶(hù)簽到的歷史記錄與交互行為中充分挖掘用戶(hù)的潛在偏好信息，包括對(duì)用戶(hù)信息的收集、處理、存儲(chǔ)和挖掘等，這在一定程度上威脅到用戶(hù)的隱私信息。為此，現(xiàn)有的興趣點(diǎn)推薦系統(tǒng)面臨著較高的隱私風(fēng)險(xiǎn)，提高興趣點(diǎn)推薦的性能與保護(hù)用戶(hù)的隱私問(wèn)題可能相悖。目前用來(lái)解決隱私保護(hù)問(wèn)題的一類(lèi)方法是向原始數(shù)據(jù)中添加噪音，該方法簡(jiǎn)單高效且易實(shí)現(xiàn)，然而過(guò)多的噪音會(huì)影響算法的有效性；另一類(lèi)方法是采用加密技術(shù)，但效率較低且實(shí)用性不強(qiáng)；最近出現(xiàn)的聯(lián)合學(xué)習(xí)是一種新的隱私保護(hù)學(xué)習(xí)方法，它不需要用戶(hù)共享實(shí)時(shí)的簽到信息，可通過(guò)離線(xiàn)的方式訓(xùn)練模型，適用性較強(qiáng)，但需要有足夠的數(shù)據(jù)量。因此，如何應(yīng)用相關(guān)技術(shù)在推薦的高精度要求與隱私保護(hù)間找到適當(dāng)?shù)钠胶恻c(diǎn)，成為了興趣點(diǎn)推薦系統(tǒng)研究的難點(diǎn)。

6 結(jié)束語(yǔ)

移動(dòng)社交網(wǎng)絡(luò)與推薦系統(tǒng)的融合，助推了基于位置社交網(wǎng)絡(luò)的興趣點(diǎn)推薦系統(tǒng)的發(fā)展。興趣點(diǎn)推薦利用用戶(hù)的簽到數(shù)據(jù)及相關(guān)的情景信息模擬用戶(hù)的決策行為，以挖掘用戶(hù)潛在感興趣的地點(diǎn)，成為當(dāng)前推薦系統(tǒng)領(lǐng)域較為活躍的方向之一。本文首先對(duì)現(xiàn)有的興趣點(diǎn)推薦的研究現(xiàn)狀進(jìn)行了梳理、分類(lèi)與歸納，介紹了興趣點(diǎn)推薦系統(tǒng)的相關(guān)理論與基本框架。接著圍繞基本框架對(duì)影響興趣點(diǎn)推薦的因素、推薦算法和算法評(píng)價(jià)三大核心內(nèi)容進(jìn)行概述，并詳細(xì)分析對(duì)比了各種代表性工作的研究?jī)?nèi)容和優(yōu)缺點(diǎn)。最后對(duì)該領(lǐng)域難點(diǎn)問(wèn)題和研究方向進(jìn)行總結(jié)和展望，提出一些潛在的發(fā)展方向與趨勢(shì)，希望能為興趣點(diǎn)推薦領(lǐng)域的學(xué)者提供借鑒與幫助。