ICDE 2022

1 intro

1.1 背景

• 空间（Spatial）和时间（Temporal）信息是序列 POI 推荐中两个重要且相辅相成的因素。
  • 空间因素（如地理距离间隔）可以在用户的历史轨迹呈现空间分簇现象时，细粒度刻画 POI 之间在真实世界中的空间邻居程度；
  • 时间因素（如时间间隔）可以描述 check-in 之间的相对时间临近程度，并以此来反应用户的个性化行为模式
• 如果一个序列模型在建模时仅考虑 POI 和空间信息，那么下图中的两个用户的轨迹会高度相似：
  • 
• 与此同时，对于self-attention来说，由于它是全局注意力，加权平均操作会在一定程度上弱化临近 POI 之间的空间相关性
  • 但是在序列 POI 推荐场景中，具有强空间相关性的 POI 对于推荐精度至关重要
  • ——>因为较短的地理距离间隔通常会导致更高的连续访问概率
  • 论文做了如下的实验：0~10km以内强相关的POI数量
    • 

1.2 论文思路

• 针对上述序列中时间间隔表示和序列局部空间信息建模不足的问题，分别提出了两个无需额外参数和高额计算负担的方法
  • 时间感知位置编码器（Time Aware Position Encoder，TAPE）
  • 间隔感知注意力模块（Interval Aware Attention Block，IAAB）
     

2 方法

补充一点：

• 嵌入模块以用户u的POI序列Su作为输入，并输出序列表示E ∈ R^n×d
  • 其中n是最大序列长度，d是维度。
  • 每个签到的表示向量是POI嵌入和GPS坐标编码的连接。
  • 考虑到不同用户的序列长度不一致，将较长的序列拆分成若干个长度为n的不重叠子序列。
    • 对于较短的序列，反复在序列的头部添加一个“填充”签到，直到长度增加到n。
    • 使用零向量对填充签到进行编码，以避免影响梯度更新。

3 实验