基于多重超图属性的图协同过滤方法，用于冷启动的兴趣点（POI）推荐

《IEEE Transactions on Big Data》：A Multiplex Hypergraph Attribute-Based Graph Collaborative Filtering for Cold-Start POI Recommendation

针对基于位置的服务和个性化推荐，提出融合超图与图神经网络的POI推荐框架，通过构建多模态超图捕获用户、POI及属性复杂关系，结合自适应变分图自编码器建模潜在特征依赖，并设计双图神经网络融合时空属性，有效缓解数据稀疏和冷启动问题。实验验证其优于传统方法。

　　

摘要：

在基于位置的服务和个性化推荐领域，向移动用户推荐新的、未被访问的兴趣点（POIs）时面临的挑战因签到数据的稀疏性而加剧。传统的推荐模型往往忽略了用户和兴趣点的属性，这进一步加剧了数据稀疏性和冷启动问题。为了解决这个问题，提出了一种基于多重超图属性的图协同过滤方法用于兴趣点推荐，以创建一个能够处理稀疏数据和冷启动场景的强大推荐系统。具体来说，首先构建了一个多重网络超图，根据属性的相似性、访问频率和偏好来捕捉用户、兴趣点及其属性之间的复杂关系。然后，开发了一个自适应变分图自动编码器对抗网络，从用户/兴趣点的属性分布中准确推断出它们的偏好嵌入，这些嵌入反映了数据中的复杂属性依赖性和潜在结构。此外，还创建了一种基于Graphsage K最近邻网络和门控循环单元的双图神经网络变体，有效捕获了邻域内不同模态的各种属性，包括用户偏好的时间依赖性和兴趣点的空间属性。最后，在Foursquare和Yelp数据集上进行的实验表明，所提出的模型相较于一些典型的先进方法具有优越性和鲁棒性，并充分说明了该模型在处理冷启动用户和兴趣点问题时的有效性。