SIGIR'22 推荐系统论文之POI篇

雪夜

发布时间：2025-07-19 12:06:30

763人浏览过

来源于php中文网

原创

sigir 2022已公布录用论文，共收到长文794篇和短文667篇，最终录用长文161篇和短文165篇，录用率分别为20%和24.7%。完整的录用论文列表可在https://sigir.org/sigir2022/program/accepted/查看。

鉴于[1] [2]已对推荐系统相关论文进行了梳理，本文将重点解读POI（Point-of-Interest）方向的论文。如果您对该方向不熟悉，可以参考综述文章[3] [4]。如果您对POI方向非常感兴趣，[5]提供了最新的POI论文整理。

有趣的是，原本打算选择一个论文较少的方向进行解读，结果SIGIR'22在POI方向上仅有五篇论文，且只有两篇公开。等所有论文公布后，我会在知乎上进行补充。

1. 论文解读

2.1 Hierarchical Multi-Task Graph Recurrent Network for Next POI Recommendation

论文链接: https://www.php.cn/link/c3f9998b6447338a54eeefb1c51ce567

代码链接: https://www.php.cn/link/f430db26087c0082b5ee62da73631985

论文机构: GrabTaxi Holdings、新国立

论文分类: POI、多任务

论文总结: 由于区域内可能的兴趣点（POI）搜索空间巨大，预测用户接下来将访问哪个兴趣点对个性化推荐系统而言是一项重大挑战，其中一个关键问题是用户兴趣点矩阵的稀疏性。本文提出了一种分层多任务图递归网络（Hierarchical Multi-Task Graph Recurrent Network，HMT-GRN），该模型通过同时学习下一个兴趣点和下一个区域或G@P的多任务学习，缓解了数据稀疏性问题。HMT-GRN通过学习User-POI和不同的User-Region矩阵来实现这一目标。随后，作者采用分层集束搜索（Hierarchical Beam Search，HBS）方法，以不同的区域和兴趣点分布为基础，逐层减少搜索空间并预测下一个兴趣点。分层集束搜索通过减少搜索空间提高了效率，比穷举方法快5到7倍。此外，作者还引入了选择层（selectivity layer）来预测用户是否之前访问过下一个兴趣点，以在个性化和探索之间取得平衡。实验结果显示，该模型在两个真实世界基于位置的社交网络（Location-Based Social Network, LBSN）数据集上显著优于基线和最先进的方法。未来，作者希望探索时间集中任务以进一步减少数据稀疏性。

SIGIR'22 推荐系统论文之POI篇

2.2 Learning Graph-based Disentangled Representations for Next POI Recommendation

论文链接: 无

论文分类: POI、图网络

2.3 GETNext: Trajectory Flow Map Enhanced Transformer for Next POI Recommendation

论文链接: 无

论文分类: POI、Transformer

Designs.ai

AI设计工具

下载

2.4 Empowering Next POI Recommendation with Multi-Relational Modeling

论文链接: https://www.php.cn/link/27b220fb2f9535bf062956cae477643c

论文机构: 弗吉尼亚大学

论文分类: POI

论文总结: 下一个兴趣点（POI）推荐是基于位置的社交网络（LBSN）中的关键任务之一，旨在通过从用户的历史行为中发现偏好，向用户提供下一个合适位置的个性化推荐。值得注意的是，LBSN提供了丰富的异构关系信息，包括用户-用户社会关系（如家庭或同事）和用户-兴趣点访问关系。然而，大多数现有方法要么仅关注用户-兴趣点访问，要么基于过度简化的假设处理不同关系，而忽略关系的异质性。本文通过考虑关键但被忽视的异构关系，特别是用户之间的异质社会关系以及跨时间的用户-兴趣点相互影响，扩展了对下一个兴趣点推荐的研究。作者提出了一个新的框架MEMO，将异构关系与多网络表示学习模块相结合，并进一步利用耦合的RNN捕捉跨时间的用户-兴趣点相互影响。实验结果表明，MEMO框架在真实世界LBSN数据集上优于最先进的下一个兴趣点推荐方法。

SIGIR'22 推荐系统论文之POI篇