- 博客(32)
- 收藏
- 关注
RSS订阅原创 【论文阅读】LightGCN: Simplifying and Powering Graph ConvolutionNetwork for Recommendation
下一个兴趣点（POI）推荐已经被许多互联网公司应用于提升用户的旅行体验。最近的研究提倡用深度学习的方法来模拟长期的登记序列和挖掘人的流动模式，以提高推荐的性能。现有的方法基于历史签入对一般用户偏好进行建模，可称为偏好模式模型。偏好模式不同于意图模式，它不强调用户重访poi的移动性模式，这是用户的一种常见行为和一种意图。需要一个有效的模块来预测用户何时何地会重复访问。在本文中，我们提出了一个时空意图学习自注意网络（STILSAN）用于下一个POI推荐。
2025-07-13 15:37:43
912
原创 【论文阅读】DisenPOI: Disentangling Sequential and Geographical Influencefor Point-of-Interest Recommentio
兴趣点（POI）推荐在各种位置感知服务中起着至关重要的作用。据观察，POI的建议受到顺序和地理两方面的影响。然而，由于在推荐过程中没有标注主导影响的标签，现有的方法容易将这两种影响纠缠在一起，这可能导致推荐性能次优和可解释性差。在本文中，我们通过提出DisenPOI来解决上述挑战，DisenPOI是一种新的用于POI推荐的解纠缠双图框架，它在两个单独的图上共同利用顺序和地理关系，并通过自我监督来解纠缠这两种影响。
2025-07-13 15:03:22
915
原创 【论文阅读】GEDGSA：A Graph-Enhanced Dual-Granularity Self-Attention Model for Next POI Recommendation
基于位置的社交网络（LBSN）服务的增长导致了对基于位置的推荐服务的需求。下一个兴趣点（POI）建议被确定为lbsn的核心服务。它旨在通过分析用户的历史签入数据来提供个性化的POI建议。一般方法通过直接应用注意机制对用户签入序列进行建模。然而，他们往往忽视了来自其他用户行为的全局信息的重要性，并且签到的嵌入不够有效。这种方法无法捕捉到多次签入的集体影响。为了解决这个问题，我们提出了一个图增强的双粒度自关注模型（GEDGSA），它可以从细粒度和粗粒度两个角度对用户偏好进行建模，以提高预测性能。
2025-07-13 15:02:24
788
原创 【论文阅读】HCCF：Hypergraph Contrastive Collaborative Filtering
协同过滤（CF）已经成为将用户和项目参数化到潜在表示空间的基本范式，并从交互数据中获取它们的相关模式。在各种CF技术中，基于gnn的推荐系统（如PinSage和LightGCN）的开发提供了最先进的性能。然而，在现有的解决方案中，有两个关键的挑战没有得到很好的探讨：i)基于更深层次的基于图的CF架构的过度平滑效应，可能导致用户表示无法区分和推荐结果的退化。ii)监督信号（即用户-物品交互）在现实中通常是稀缺的，分布是倾斜的，这限制了CF范式的表示能力。
2025-07-12 16:24:49
924
原创 【论文阅读】GETNext: Trajectory Flow Map Enhanced Transformer for Next POI Recommendation
Next POI建议旨在根据用户的当前状态和历史信息预测用户近期的未来移动，为用户和服务提供商带来巨大价值。然而，这个问题显然很复杂，因为需要同时考虑各种数据趋势。这包括空间位置、时间背景、用户偏好等。大多数现有研究将下一个POI推荐视为序列预测问题，而忽略了来自其他用户的协作信号。相反，我们提出一个与用户无关的全局轨迹流图和新的图形增强Transformer模型（GETNext），以更好地利用广泛的协作信号进行更准确的下一个POI预测，同时缓解冷启动问题。
2025-07-11 22:34:12
1014
原创 【论文阅读】Seq2Graph: Discovering Collaborative Signals for Next POI Recommendation with Iterative Se
作为基于位置的社交网络中不可或缺的组成部分，下一个兴趣点（POI）推荐会根据用户最近的访问历史向他们推荐未探索的兴趣点。然而，现有的工作主要是将检入数据建模为孤立的POI序列，而忽略了来自跨序列检入信息的关键协同信号。此外，稀疏的POI-POI转换限制了模型学习有效的顺序模式以进行推荐的能力。在本文中，我们提出了每个POI序列的序列到图（Seq2Graph）增强，允许从属于其他序列的相关POI传播协作信号。
2025-07-11 20:47:30
1099
原创 【论文阅读】LightGCN: Simplifying and Powering Graph ConvolutionNetwork for Recommendation
图卷积网络（GCN）已成为协同过滤的新技术。然而，其推荐有效性的原因尚不清楚。现有的将GCN应用于推荐的工作缺乏对GCN的深入分析，GCN最初是为图形分类任务设计的，并且配备了许多神经网络操作。然而，我们的经验发现，两种最常见的GCNs设计-特征变换和非线性激活-对协同滤波的性能贡献不大。更糟糕的是，包括它们增加了训练的难度，降低了推荐的性能。在这项工作中，我们的目标是简化GCN的设计，使其更简洁，更适合推荐。我们提出了一个新的模型LightGCN，它只包含GCN中最重要的组成部分-邻域聚合-用于协同过滤。
2025-07-11 16:00:16
615
原创 【论文阅读】STAN：STAN: Spatio-Temporal Attention Network for Next LocationRecommendation
下一个位置推荐是各种基于位置的应用程序的核心。目前最先进的模型试图用分层网格来解决空间稀疏问题，用明确的时间间隔来模拟时间关系，但一些关键问题仍未解决。非相邻位置和非连续访问为理解用户行为提供了重要的相关性，但很少被考虑。为了从用户轨迹中汇总所有相关访问，并从加权表示中召回最可信的候选对象，我们提出了一个用于位置推荐的时空注意网络（STAN）。STAN明确地利用沿轨迹的自关注层的所有签入的相对时空信息。这种改进允许非相邻位置和非连续签到之间的点对点交互，具有明确的时空效应。
2025-07-10 20:08:14
680
原创 【论文阅读】LSTPM：Where to Go Next: Modeling Long- and Short-TermUser Preferences for Point-of-Interest R
兴趣点推荐（Point-of-Interest， POI）从大量候选场馆中为用户提供个性化的设施建议，已成为热门研究课题。由于用户的签到记录可以被视为一个长序列，基于循环神经网络（rnn）的方法最近显示出对该任务的良好适用性。然而，现有的基于rnn的方法在建模用户的短期偏好时，要么忽略了用户的长期偏好，要么忽略了最近访问的poi之间的地理关系，从而使推荐结果不可靠。为了解决上述限制，我们提出了一种新的方法，称为长期和短期偏好建模（LSTPM）下一个poi推荐。
2025-07-10 16:35:25
747
原创 【论文阅读】STGN：Where to Go Next: A Spatio-TemporalGated Network for Next POI Recommendation
下一个兴趣点（POI）推荐对基于位置的服务提供商和用户都有很大的价值。然而，最先进的递归神经网络（rnn）很少考虑邻居签到之间的时空间隔，而这对于在下一次POI推荐中建模用户签到行为至关重要。为此，本文提出了一种新的时空门控网络（STGN），通过增强长短期记忆网络，在该网络中引入时空门来捕捉连续签入之间的时空关系。具体来说，设计了两对时间门和距离门来分别控制短期利率和长期利率的更新。此外，我们还引入了耦合输入门和遗忘门，以减少参数数量，进一步提高效率。
2025-07-10 15:30:35
954
原创 【论文阅读】A Diffusion model for POI recommendation
下一个兴趣点（POI）推荐是基于位置的服务中的一项关键任务，旨在为用户的下一个目的地提供个性化建议。先前关于POI推荐的研究主要集中在用户空间偏好的建模上。然而，现有的利用空间信息的工作仅基于用户以前访问过的位置的汇总，这阻碍了模型在新区域推荐poi。在许多情况下，基于位置的方法的这种特性会损害模型的性能。此外，将顺序信息整合到用户的空间偏好中仍然是一个挑战。在本文中，我们提出了diffi-POI：一个基于扩散的模型，该模型对用户的空间偏好进行采样，以推荐下一个POI。
2025-07-07 14:31:45
964
1
原创 【论文阅读】IRLM: Inductive Representation Learning Modelfor Personalized POI Recommendation
随着物联网技术的快速发展，以帮助居民提高生活质量为目标的智慧城市概念在多个应用领域受到了广泛关注。在智慧城市的背景下，提供兴趣点（POI）建议成为一项重要的要求，因为城市居民可以获得广泛的兴趣点。Foursquare和Gowalla等基于位置的社交网络（LBSNs）提供了大量的用户签到记录，可以帮助用户选择新的poi。然而，在现实世界中，用户轨迹大多是稀疏的。例如，用户只签入几个poi，这使得很难根据有限的历史轨迹提供建议。
2025-07-03 14:45:14
697
1
原创 【论文阅读】Multi-View Spatial-Temporal EnhancedHypergraph Network for Next POI Recommendation
时空图推荐
2025-07-01 17:49:11
823
1
原创 【论文阅读】ADAPTIVE SPATIAL-TEMPORAL HYPERGRAPH FUSION LEARNING FOR NEXT POI RECOMMENDATION
下一个兴趣点（POI）推荐已经成为提供下一个兴趣点建议的趋势任务。大多数现有的基于序列和基于图的方法都试图对用户访问行为进行建模，并取得了相当好的效果。然而，它们要么在粗粒度交互级别对用户兴趣进行建模，要么通过通用启发式消息传递方案忽略复杂的高阶特征交互，这使得捕获互补效应变得困难。为了应对这些挑战，我们提出了一个新的框架自适应时空超图融合学习（ASTHL），以供下一个POI推荐。具体来说，我们设计了解纠缠的以POI为中心的学习来解耦时空因素，并利用交叉视图对比学习来提高POI表示的质量。
2025-06-28 17:37:18
947
1
原创 OpenCV(4.11.0) D:\a\opencv-python\opencv-python\opencv\modules\imgproc\src\color.cpp:199: error: (-2
仔细检查文件相对路径和绝对路径，文件名正确后还是报错。今天遇到这个报错，喵的。大概意思是文件为空，
2025-06-09 11:01:55
476
原创 阅读笔记---城市计算中用于预测学习的时空图神经网络研究综述
随着近年来传感技术的进步，智能城市产生并记录了无数的时空数据。预测时空数据的演变模式是城市计算的一个重要而又苛刻的方面，它可以增强各个领域的智能管理决策，包括交通、环境、气候、公共安全、医疗保健等。传统的统计和深度学习方法难以捕捉城市时空数据中的复杂相关性。为此，近年来提出了时空图神经网络（STGNN），并取得了很大的发展前景。stgnn通过集成图神经网络（gnn）和各种时间学习方法，实现了复杂时空依赖关系的提取。在本文中，我们对城市计算中用于预测学习的STGNN技术的最新进展进行了全面的调查。首先，我们简
2025-05-20 18:26:33
1128
原创 ModuleNotFoundError: No module named ‘torch.utils._import_utils‘ 报错解决
【代码】ModuleNotFoundError: No module named ‘torch.utils._import_utils‘ 报错解决。
2024-12-05 13:48:15
732
原创 2024年（第7届）“泰迪杯”数据分析技能赛（国二+代码）
作为一名在校计算机烟酒生，深感师兄就业形势之严峻，我开始慌了，想着多水一些比赛来写写简历，提高自己的就业竞争力吧。两年前做副业接到一个大学生单子，python进行数据分析，要在两小时内写给她，她要写文档，然后和她成为朋友，通过她了解了这个比赛，泰迪杯。
2024-12-04 16:51:09
2203
原创 ‘mongodb‘ 不是内部或外部命令，也不是可运行的程序或批处理文件。
'mongodb' 不是内部或外部命令，也不是可运行的程序或批处理文件。
2024-01-31 22:17:36
1007
原创 python股票数据简单分析
根据给定的股票数据，进行简单分析，计算各指标的均值和方差、并绘制图表，最后根据股票的市盈率和涨跌幅来筛选出特定类型的股票相关指标数据
2022-10-06 00:24:52
3555
原创 python数据可视化（饼图、世界地图、折线图、柱状图）
pandas、numpy、matplotlib、pyecharts处理数据并且绘制可视化图
2022-09-25 17:14:18
4371
3
个人博客系统，可以发布管理文章
2023-12-31
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人