.png){kind=icon}
返回
A Multiplex Hypergraph Attribute-Based Graph Collaborative Filtering for Cold-Start POI Recommendation
.png){kind=icon}
PRE
AI
DOI：10.1109/TBDATA.2025.3533908.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在基于位置的服务和个性化推荐领域，为移动用户推荐新颖且未访问过的兴趣点（POIs）的挑战因签到数据的稀疏性而加剧。传统推荐模型通常忽略用户和POI属性，这加剧了数据稀疏性和冷启动问题。为解决此问题，提出了一种新颖的多重超图属性基础图协同过滤方法用于POI推荐，以构建能够处理稀疏数据和冷启动场景的稳健推荐系统。具体而言，首先基于属性相似性、访问频率和偏好构建多重网络超图，以捕捉用户、POIs和属性之间的复杂关系。然后，开发了一种自适应变分图自编码器对抗网络，以从其属性分布中精确推断用户/POIs的偏好嵌入，这些分布反映了数据中的复杂属性依赖和潜在结构。此外，创建了一种基于图Sage K近邻网络和门控循环单元的双图神经网络变体，以有效捕捉邻域中的不同模态属性，包括用户偏好的时间依赖性和POIs的空间属性。最后，在Foursquare和Yelp数据集上进行的实验表明，所开发模型相较于一些典型的最先进方法具有优越性和稳健性，并充分说明了其在冷启动用户和POIs问题上的有效性。
Keyword:
Multiplex hypergraphs
graph neural networks
POI recommendation
attribute-based graph collaborative filtering
graph auto-encoder adversarial networks
期刊
I
IF:
5.7
论文数:
860
被引数:
3.0K
机构
引用论文
分享收藏
Neural Feature-aware Recommendation with Signed Hypergraph Convolutional Network基于签名超图卷积网络的神经特征感知推荐
PREAI
分享收藏
ABiNE-CRS: course recommender system in online education using attributed bipartite network embedding.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏
查看更多内容