POI（point of interest）的推荐，事实上就是兴趣点的推荐，也就是对地理位置的推荐，在美团，点评等业务场景比较适用，于是决定开始看几篇相关的论文。最近在思考如何把看过的论文做个转化，而不是处于那种看了就忘，忘了又看的状态，所以决定开始写博客。当然是比较简单的。。嘻嘻。

1.引言

随着web2.0时代的到来，location-based social networks (LBSNs)在最近几年出现了。许多用户都会在去玩去吃饭时进行签到打卡，所以将用户的这些签到信息用在个性化推荐，对于在特定地点对特定用户进行广告投递，和对用户进行新地点的探索有重要的意义。

不像传统的桌面推荐，比如（电影，音乐等的推荐），POI推荐是将移动用户和物理地点（观光地点）等融合起来的，所以，面临了更多挑战：

1）数据稀疏：对POI地点的点评信息是要比对电影音乐等评价的花费要更昂贵的（毕竟你得实际去那一趟），并且很多用户由于隐私，不愿意签到。使得POI中的数据很稀疏，这使得大部分的协同过滤方法都GG了。

2）环境因素：POI推荐不仅要考虑用户个人的偏好，还有考虑时空上下文

3）冷启动：无论什么推荐都会有的问题

4）用户偏好的动态变化：用户的喜好是会随着时间的变化而变化，而捕捉到这种兴趣的迁移是十分有意义的。所以POI推荐是基于用户最近的喜好和用户所处的时空环境做推荐的。

为了应对以上四种挑战，我们提出了一种新的方法，来将以下四种因素融合起来。

1）序列影响：事实证明人类的活动是存在序列模式的，比如用户一般会在机场和酒店间存在序列的check in信息。

2）地理信息：人们趋向于访问与他们目前所处的POI相近的POI

3）时间循环因素：人们在一天的活动模式中是存在规律的。比如早上九点到办公室，中午12点出现在饭店。所以对于推荐而言，他在午餐时间出现在饭店的概率是比出现在酒吧概率高的。

4）语义因素：Whrrl数据集证明同一用户的check-in信息表现出了语义相似性。

虽然目前很多方法都提出了将上述几种因素进行融合，但是没有这样一种将所有都融合起来的方法（=。=），并且不能很好扩展模型。另一方面，目前的方法不能够很好的支持实时的推荐，1）重新训练模型非常耗费时间；2）不能够很好的追踪用户喜好的变化，因为用户最近的checkin信息会被淹没在大量的数据中。虽然最近有markov-based的文章通过挖掘用户时序行为模式来进行预测，但是没有考虑除了序列之外的其他几个因素。

最近，embedding 技术被广泛地使用到了各个领域，本文在embedding的基础上，提出了一种graph-based embedding called GE，特别的，我们使用二部图来捕捉POI-POI（序列影响），POI-地理位置（地理因素），POI-time slots（时间因素），POI-content words（语义因素），然后我们将这四种异质的网络图embedding到低维空间中（how?）。最后，为了追踪动态的用户喜好变化，最后提出的模型是将用户最近喜好和时空上下文的embedding结合起来进行推荐（原文是：To support real-time & context-aware recommendation, the final recommendations are made based on the embeddings of the user’s latest preferences and the spatiotemporal context in the shared latent space.）文章的主要贡献如下：

1）就目前所知，我们是第一个将上述几个因素全部考虑进来融合的。

2）我们提出了一种graph-based的embedding model来学习POI，时间，地理位置，语义的表示，然后基于学习到的这些表示，提出了新奇（？感觉有点类似于attention）的模型来进行用户喜好建模。

3）做了大量的试验后，发现我们的很好。

2.Graph-based embedding model

2.1 problem formulation

文章中用到的符号。

definition1：（POI）是一个特定的地点。有三个属性：identifier，geographical location and content，分别用v,lv,Wv来表示。

definition2：（check-in activity）由五元组组成(u, v, lv, τ, Wv)，其中τ代表用户u在时间τ访问了地点v

definition3：（user profile）这里面是一系列由与用户相关的check-in activity组成的，并且按时间戳顺序排序

definition4：（POI-POI graph）denoted as Gvv = (V ∪ V，Evv），V是一系列check-in的POIs，Evv是他们之间的边

definition5：（POI-Region）denoted as Gvr=（V∪R，Evr），当v在region时，两个有连边

definition6：（POI-time）denoted as Gvt = (V ∪ T, Evt)，连边权重是指在某一时间片中POI访问的越频繁权重越大

definition7：（POI-word）denoted as Gvw = (V ∪ W，Evw)，

然后通过把这几个图embedding到低维的共享的空间，我们就能得到~v, ~r, ~t and ~w的表示。

然后将问题也形式化一下，在给定数据集D的情况下，有一个query q=(u,l,τ），然后给出topk的 POI。

2.2 模型描述和优化

2.2.1 二部图的表示

受LINE的启发（很多都提到了LINE，是时候学习一波了，好像是能够从大型的异质网络中学习embedding）

首先定义一个条件概率（这个用底下的KL散度推一下，不难）：

因为上述计算很麻烦，于是采用负采样来优化模型。

接下来开始将四张图放在一起联合学习embedding，目标函数和各部分的表示如下

最后进行对用户喜好的动态建模 。之前的一样隐空间模型等对用户喜好建模都十分耗时，所以本文使用最近用户访问的POI的表示来建模，并且随着时间τ越远，该项POI的效果逐渐衰减。

finally。来看下文章如何进行推荐的。文章还是很巧妙的把上述几种embedding融合在一起了。（但是文章推荐给用户的是之前没有访问过的POI，这里感觉有点过于强硬，万一用户是呈周期性的想要访问某个点，所以我感觉应该把之前访问过的和未访问过一起加起来计算，并赋予不同权重给他们。个人见解哈哈。）

接下来就是实验部分啦，文章的实验部分进行的十分详细。建议可以去看看。不仅使用了基础的baseline，还将自己提出的算法进行了变种。分别验证了不同因素对于推荐的影响因素。很强~，就不一一贴了，可以自己去找论文看哇。