56、循环一致且类别感知的异地推荐方法解析

循环一致且类别感知的异地推荐方法解析

1. 类别感知的兴趣点嵌入

兴趣点（POI）在层次结构 T 中从底层到顶层被标记为多层类别，顶层类别最通用，底层类别最精细。由于深层类别比上层类别表达更具体的概念，因此使用长短期记忆网络（LSTM）来刻画 POI 在不同层次的相关类别。

具体操作步骤如下：
1. 将 T 中的每个 POI 节点投影到嵌入向量 $e_i \in R^d$，每个类别节点投影到嵌入向量 $c_j \in R^d$，其中 d 是嵌入维度。
2. 对于给定的 POI $l_i$ 及其按从顶到底排序的类别 $S_i = {s_1, s_2, …, s_{|S_i|}}$，使用 LSTM 层编码其类别信息：
- $h_t = LSTM (c_t, h_{t - 1}) , t \in {1, 2, …, |S_i|}$
- 这里 $h_t$ 是 LSTM 的隐藏状态，$c_t \in R^d$ 是第 t 个类别 $s_t$ 的 d 维嵌入向量。
3. 将最后一个隐藏状态 $h_{|S_i|}$ 视为该 POI 对应层次类别的复合表示，将其与该 POI 的基本嵌入 $e_i$ 连接。
4. 将连接结果输入到全连接层以学习携带类别信息的 POI 的最终表示：
- $p_i = MLP (h_{|S_i|} \oplus e_i)$
- 其中 MLP 表示多层感知机。

分别拼接来自家乡城市和目标城市的所有 POI 的嵌入，得到家乡城市的 POI 嵌入矩阵 $P_x$ 和目标城市的 $P_y$，不同城市共享类别嵌入空间。这两个 POI 嵌入矩阵将被输入到自编码器中以获取预训练的 POI 嵌入。