基于多异质图融合的兴趣点推荐关键技术研究

With the rapid development of mobile Internet, point of interest (POI) recommendation becomes a hot topic in both academic and industrial fields recently. However, existing studies mainly focus on how to make recommendations in a single social network. Considering that each individual in real world is often involved in several social networks simultaneously and they may reflect the relationship between users and POIs from different perspectives, we propose to fuse the multiple heterogeneous networks for POI recommendation. To address the problem, we face three challenges: how to glue multiple networks automatically; how to characterize the multi-relational correlations between POIs; how to make recommendations with fusion results. In this proposal, we study the problem of POI recommendation with the fusion of multiple heterogeneous networks, including: (1) methods for user node alignment and POI entity linking, in order to glue multiple heterogeneous networks; (2) methods to infer the multi-relational correlation graph between POIs; (3) POI recommendation methods based on fusion networks. The novelty of this proposal lies at: (1) semi-supervised learning models for user alignment and POI entity linking; (2) the regularized “matrix factorization + logistics” approach to inferring POI correlation graph; (3) the collective matrix factorization model under meta-path and ranking objective for recommendation in fusion networks.

随着移动互联网的发展，兴趣点推荐成为近年学术界和工业界关注的一个热点问题。然而，目前的研究主要集中在如何面向单个社交网络进行推荐。考虑到现实世界中的个体通常活跃于多个与地理位置相关的社交网络，且它们可从不同侧面反映用户和兴趣点的关系，本课题提出融合多个网络使它们互相协助来推荐兴趣点。该问题的挑战在于三点：如何自动粘合多个网络、如何刻画兴趣点间的多关系关联性和如何基于多网络融合的结果推荐。本课题围绕这个问题，研究基于多异质图融合的兴趣点推荐方法，主要内容包括：(1) 用户对齐和兴趣点实体链接方法，以解决图粘合问题； (2) 兴趣点间多关系关联图推断方法，用于刻画兴趣点间的关联性 ； (3) 融合图上的兴趣点推荐方法。课题的创新在于：(1) 半监督用户对齐和兴趣点实体链接方法； (2) 带约束“矩阵分解+逻辑斯蒂回归”的多关系关联图推断模型； (3) 元路径和排序目标下多矩阵分解的推荐模型。

随着移动互联网的发展，兴趣点推荐成为近年学术界和工业界关注的一个热点问题。然而，目前的研究主要集中在如何面向单个社交网络进行推荐。考虑到现实世界中的个体通常活跃于多个与地理位置相关的社交网络，且它们可从不同侧面反映用户和兴趣点的关系，本课题提出融合多个网络使它们互相协助来推荐兴趣点。该问题的挑战在于三点：如何刻画异质网络、如何自动归并多个网络、如何基于归并地多异质图进行兴趣点推荐。本课题围绕这些问题，研究基于多异质图融合的兴趣点推荐方法。..具体地，本项目主要研究了（1）异质属性图的表示学习相关技术，将建立的兴趣点-用户等构成的异质属性图，利用各种图表示学习技术形成兴趣点和用户的嵌入表示，以此为图归并和推荐做准备；（2）多异质图归并相关技术，包括不同网络的节点对齐技术、半监督节点分类技术、用户情感立场分类（深度学习和逻辑规则结合的模型）等技术；（3）基于多异质图兴趣点推荐相关技术，包括兴趣点区域推荐技术（主要面向用户到达一个新城市的位置推荐）、多维度张量填充技术（可用于情景感知的兴趣点推荐）、基于强化学习的多样化推荐（通过强化学习技术平衡历史推荐的准确性和多样性）以及端到端强化学习推荐技术（建立了一种能端到端训练的强化学习神经网络）。..成果方面，在WWW、AAAI、WSDM、DASFAA和Knowledge Based Systems等重要国际会议和期刊发表相关论文15篇，在图的表示学习、异质网络的归并、节点分类、POI用户情感分类、基于强化学习的推荐、情景感知的兴趣点推荐和兴趣点区域推荐等方面都取得了重要的进展，对于相关科技技术的推进具有重要的意义，有较好的应用前景。