简介：下一个兴趣点推荐是基于位置的社交网络的一项重要服务,在用户个性化位置推荐、商业优化布局等领域具有显著应用价值.当前推荐系统主要基于深度学习方法而未采用因果推断框架,导致其倾向于学习均质化的相关性,难以有效消除时空数据中混杂因子的干扰,使得模型推荐性能受限.针对上述问题,本文提出基于时空因果推断的下一个兴趣点推荐模型.首先,为了将时空数据融入因果推断框架,分别基于时序特征、空间特征对序列信息和时空上下文信息嵌入编码,生成时空角度上的用户与兴趣点的特征表示.然后,基于前门调整和反事实推理提出因果推断模块,通过识别特征变量之间的因果效应,提取具有用户差异的用户时空状态,有效缓解了时空数据中混杂因子的影响.最后,处理用户多时段的时空状态,预测用户访问各个兴趣点的概率,实现下一个兴趣点推荐.在两个真实数据集上进行了试验分析,与最优的基线模型相比,本文方法的首项准确率和平均倒数排名在纽约数据集上分别提升了37.60%和22.72%,在东京数据集上分别提升了32.84%和20.63%,证明了本文方法的有效性和先进性.展开
