GraphTrip论文笔记【Information Fusion 92 (2023)】

Dual-grained human mobility learning for location-aware trip recommendation with spatial–temporal graph knowledge fusion

期刊：EI检索 Information Fusion 92 (2023)

Challenges

（1）异质交互信息的挖掘

POI位置信息、POI类别信息、访问时间等。（能够反映一些人类的访问偏好。传统的解决方案通常将这些关系分离成几个同质的组件，然后直接组合起来，用简单的拼接进行POI的时空表示）这些方法将无法捕获它们之间固有的异构相互作用以及一些轨迹的相关性。

（2）固有的数据稀疏性

认为访问者在决定访问哪个POI之前，更感兴趣的是特定类型POI背后的粗粒度信息。同时处理粗粒度的信息也能从一定程度上缓解数据稀疏问题。

（3）上下文的影响因素

人们通常倾向于参观大多数游客共享的热门旅游景点，当人们第一次访问一个城市时，实际上更有可能访问这些地方，而不是一些不熟悉的地方，也叫Attractive Bias。另外存在由于访问者提供的查询可能从未出现在我们的系统中而引起的冷启动问题。

Solution

提出有时空图知识融合的双粒度出行学习框架-Graph Trip

解决稀疏性问题： 设计了一个包含粗粒度和细粒度网络的双粒度递归模块来进行人类移动模式的学习，其中粗粒度网络来挖掘人类活动感知偏好，而细粒度网络旨在捕获POI之间的长期过渡规律。

解决Attractive Bias：提出了一个具有简单注意力层的交互推理网络来生成合理的行程，并将POI的流行度（Popularity）作为度量。

解决冷启动问题： 引入了一种对比学习方法来进行模型的预训练，其中正样本和负样本是从原始旅行数据和ST-Graph中提取的。

Problems in Related Work

Markov

基于Markov的大多模型依赖于大规模的历史迁移数据，这可能会导致对真实推荐场景的预测偏差，甚至导致无法理解复杂的顺序迁移规律。该论文将行程推荐问题视为多轮下一个POI预测的问题(Learning Points and Routes to Recommend Trajectories)。

Deep Mobility Pattern Learning

在深度移动模式学习中，由于标记数据成本昂贵和数据的稀疏性，通常很难获得大量的标记数据进行模型训练，这会导致泛化错误、伪相关性等问题。因此，利用先验知识或额外的未标记数据来增强模型训练，这被称为预训练。目前有两种流行的方案可以帮助改进模型性能，即生成式和对比式。(本文使用对比学习对GraphTrip进行预训练，通过时空图对正负数据进行增强，从而生成更合理、更颓废的样本)