从“打卡记录”到“个性化地图”——看POI兴趣点推荐是如何实现的？

原文发表于《科技导报》2025年第9 期《基于图神经网络的兴趣点推荐方法研究进展》

随着移动网络的快速发展和智能设备的普遍应用，基于位置的服务（如 Yelp、Foursquare、携程、美团、今日头条、Google地图等）逐渐深入到社会生活的各个领域，兴趣点推荐（point of interest recommendation，POI recommendation）作为基于位置服务的重要支撑技术已成为当前时空数据管理和人工智能领域的研究热点。兴趣点推荐主要根据用户在位置社交网络（location−based social networks，LBSN）中的签到或打卡记录从大量地理位置中为用户推荐其可能感兴趣的地点。作为一种新型社交网络，位置社交网络不仅能够记录用户位置信息，还能提供用户与周围人和场所的互动信息。因此，基于位置社交网络的兴趣点推荐系统应运而生。

1 兴趣点推荐的影响因素

兴趣点推荐是指对LBSN中的大量数据信息进行分析，进而为用户推荐其可能感兴趣的地点，其推荐效果受多种因素影响。（1）地理位置。（2）时间因素。（3）社交关系。（4）流行度。

2 基于图神经网络的推荐方法

基于图神经网络的兴趣点推荐能够通过有效的图结构建模和复杂的特征学习，综合考虑地理位置、时间、社交关系和流行度等多方面因素，通过社交网络信息建模用户间的关系，同时平衡推荐结果中的流行度偏差，从而提高推荐的个性化和准确性，更好地满足用户的多样化需求，如图1所示。

图1 基于图神经网络的兴趣点推荐整体框架

2.1

基于图注意力网络的兴趣点推荐

基于图注意力网络（graph attention networks，GAT）的推荐旨在对用户行为和兴趣点之间的关系图建模，从中学习用户偏好和行为规律，并利用图注意力机制捕获不同节点之间的关系权重，自动进行合理的权重分配，避免了计算复杂的矩阵操作。鉴于用户兴趣的动态演进特性及多维度特征间的复杂交互关系，动态建模方法在兴趣点推荐中展现出显著优势，因此近期研究开始探索更精细化的动态建模方法与深度融合机制。

2.2

基于图卷积网络的兴趣点推荐

基于图卷积网络（graph convolutional network，GCN）的推荐目前应用非常广泛，其核心思想是根据图和节点从局部图的邻域信息中迭代地聚合特征信息，并根据聚合得到的特征信息向用户推荐兴趣点。

GCN网络在处理图结构数据方面表现出色，能够有效利用图结构信息并对节点之间的关系进行建模。然而，仅通过GCN网络难以有效处理复杂的时空动态特性和多源异构信息。因此，近期的研究开始采用更复杂的建模技术，例如门控机制、超图网络和对比学习策略，这些方法能够更全面地捕捉用户行为的时空动态特性，增强推荐的准确性和鲁棒性。

2.3

基于图自编码器的兴趣点推荐

基于图自编码器（graph auto−encoder，GAE）的推荐将聚合邻域节点的思想融入编码器中，使其能在图结构上进行传递信息和编码，从而半监督或无监督地学习图节点信息，并对图结构数据进行解码来充分提取用户节点与兴趣点间连接关系特征，是常规自编码器在图结构上的扩展。

为进一步提升推荐系统的性能和适应性，研究人员开始在基于图自编码器的兴趣点推荐方法中引入创新的模型结构和学习策略。通过引入多视角学习、变分推理等技术，增强对用户行为复杂模式的捕捉能力，从而提供更加个性化和精准的推荐服务。表1总结了GAT、GCN与GAE等方法中的代表算法、主要技术及优点。

表1 图神经网络的各代表算法对比

3 面临的挑战和趋势展望

3.1

面临的挑战

1）数据稀疏性。数据稀疏性是推荐过程中面临的关键问题，即在LBSN的海量兴趣点中用户只对小部分兴趣点进行了访问行为，无法获得充足的用户行为数据，造成数据高度稀疏。此外，用户隐私保护机制的强化也导致部分敏感用户行为数据未被完整记录。

2）冷启动问题。冷启动问题通常指新用户或新位置加入时推荐系统无法准确地预测用户兴趣偏好的问题。新用户因缺乏历史交互记录导致个性化偏好难以建模（用户冷启动），新POI因缺失用户反馈而无法有效表征其特征属性（物品冷启动）。系统缺少足够的历史数据来了解用户与兴趣点之间的交互，从而无法建立可靠的模型。

3）用户动态偏好问题。用户动态偏好问题指的是用户的偏好会随时间和环境市场而动态变化，导致推荐算法挖掘出的用户偏好信息可能不再准确匹配其当前的兴趣，该现象被称为“概念漂移”或“时间漂移”，表明用户的偏好已经从以前的状态演变到了新的状态。

3.2

趋势展望

1）结合多种影响因素的推荐。目前的兴趣点推荐系统主要依据用户和位置2方面因素来进行推荐，如用户的个人偏好、访问兴趣点的时间、兴趣点的流行度等。随着对用户偏好了解的逐步深入，需要考虑更多的因素来提高推荐效果和用户满意度，如天气、交通等外界环境因素。

2）跨领域推荐。跨领域推荐是指在不同领域中为用户进行推荐的过程。通常情况下，一个推荐系统的建立与维护都会很消耗资源和时间，而不同领域之间的数据种类和特征差异较大，同时在不同领域推荐也为用户提供了更全面、多样、新颖的选择。并且跨领域推荐能够很好地解决冷启动问题。

3）动态偏好推荐。动态偏好问题是推荐系统中的一项重要挑战，推荐系统可以采用多种策略和技术，如聚类、跟踪兴趣漂移过程、分析用户历史行为和强化学习来适应用户兴趣的变化并实现更准确的个性化推荐。动态偏好推荐能够及时跟踪用户的兴趣变化，并根据最新数据进行实时推荐，避免了由于用户偏好发生动态变化而导致的推荐准确度降低现象，从而提供更符合用户当前需求的推荐内容。

本文作者：方金凤，陈祖颐

作者简介：方金凤，辽宁工程技术大学电子与信息工程学院，讲师，研究方向为时空大数据、兴趣点推荐、轨迹预测等。

文章来源：文章来源：方金凤, 陈祖颐. 基于图神经网络的兴趣点推荐方法研究进展[J]. 科技导报, 2025, 43(9): 76−83.

本文有删改，”获取全文。

白名单回复后台「转载」

☟

《科技导报》创刊于1980年，中国科协学术会刊，主要刊登科学前沿和技术热点领域突破性的研究成果、权威性的科学评论、引领性的高端综述，发表促进经济社会发展、完善科技管理、优化科研环境、培育科学文化、促进科技创新和科技成果转化的决策咨询建议。常设栏目有院士卷首语、科技新闻、科技评论、专稿专题、综述、论文、政策建议、科技人文等。

中国科协之声

中国科协官方公众平台。传播科协声音，凝聚价值共识，弘扬创新文化，展示科协形象。