PAGE

PAGE2

基于用户轨迹的兴趣推荐研究的国内外文献综述

本文主要根据用户的行为轨迹来研究用户的下一个兴趣点推荐方法，具体可分为用户行为预测分析和下一个兴趣点推荐方法这两个方面。下面将从这两个方面来阐述己有的相关工作。

1.1兴趣点推荐

早期对POI推荐的研究主要集中在使用协同过滤(CF)估计用户偏好，特别是基于矩阵分解(MF)的技术[2-5]。这些方法只能对用户的静态首选项建模。例如，当居住在纽约的用户到夏威夷度假时，这些类型的推荐器可能仍然推荐位于纽约的POIs，因为他们无法捕获用户偏好的动态。最近，基于深度学习的方法，如嵌入学习[6-8]，神经协同过滤[9-10]、潜在因子模型和度量学习模型[11-12]在许多推荐系统中都取得了很好的性能。Cheng等人[13]的开创性的提出了一种嵌入个性化马尔科夫链和局部区域的矩阵分解方法。受RNN在顺序数据建模中的成功启发，基于RNN的方法在next-POI推荐领域变得非常普遍。例如，ST-RNN模型扩展了RNN来建模局部时间和空间上下文。CARA通过利用GRU的gate机制捕捉用户的动态偏好。TMCA和STGN分别采用基于LSTM和门控LSTM框架学习时空上下文。DeepMove设计了一种多模态RNN来捕捉顺序转移。以上这些方法的提出，极大的扩展了人们解决兴趣点推荐问题的思路，并为未来相关问题的解决打下基础。

1.2下一个兴趣点推荐

兴趣点推荐已经吸引了很多产业界和学术界的研究。下一个兴趣点推荐是一般的兴趣点的延伸，根据用户的历史签到信息给用户推荐将要访问的下一个兴趣点列表，下一个兴趣点推荐经常会被看成序列推荐问题。目前已经有很多方法被应用到下一个兴趣点推荐中，例如基于潜在因子模型的方法、基于马尔可夫链模型的方法、嵌入表示模型的方法、以及神经网络模型的方法等。

本文主要研究下一个兴趣点推荐问题。下一个兴趣点与传统的一般兴趣点推荐不同，在传统的兴趣点推荐中，类似于一般的商品（图书，电影，音乐）推荐等，通常使用协同过滤的思想给用户推荐用户在未来将要访问的商品，基于矩阵分解的算法是协同过滤算法最先进的算法。该算法是基于相似的用户通常有相似的品味的思想进行兴趣点推荐，它首先用随机初始的向量表示用户和项目的潜在因子，通过对用户历史访问兴趣得到用户和兴趣点的潜在因子表示，在推荐过程中，根据用户和兴趣点的潜在因子的内积得到用户未来访问兴趣点的概率，最终得到用户TOP-K个推荐列表。在一般的兴趣点推荐中，它只是根据用户的访问偏好推荐用户未来访问兴趣点的可能性（比如未来的一天内或者一年），严重忽略了用户历史签到兴趣点之间的序列关系。比如用户按序列顺序访问A，B，C三个景点，在一般的兴趣点推荐中，推荐的三个景点是由用户的偏好得到，它们之间没有任何顺序关系。然而在下一个兴趣点推荐中，用户的序列访问行为通常对于下一个兴趣点也具有很重要的影响，因此在下一个兴趣点中用户的推荐列表是随着签到信息时刻变化，且用户的每次移动都会导致推荐列表剧烈的变化。许多的研究通常会把下一个兴趣点推荐问题看成是序列推荐问题ADDINCSL_CITATION{citationItems:[{id:ITEM-1,itemData:{DOI:10.1016/j.ins.2019.12.006,author:[{dropping-particle:,family:Zhang,given:Lu,non-dropping-particle:,parse-names:false,suffix:},{dropping-particle:,family:Sun,given:Zhu,non-dropping-particle:,parse-names:false,suffix:},{dropping-particle:,family:Zhang,given:Jie,non-dropping-particle:,parse-names:false,suffix:},{dropping-particle:,family:Kloeden,given:Horst,non-dropping-particle:,parse-names:false,suffix:},{dropping-particle:,family:Klanner,given:Felix,non-dropping-particle:,parse-names:false,suffix:}],id:ITEM-1,issued:{date-parts:[[2020]]},page:169-190,publisher:ElsevierInc.,title:ModelinghierarchicalcategorytransitionfornextPO