随着位置感知的社交网络(Location-based Social Networks，LBSN)不断完善，POI(Point-of-Interest)推荐得到发展，为用户推荐下一地点缓解面对各类场所时选择困难问题，被广泛应用在各种商业服务当中。然而LBSN中用户-POI交互数据稀疏，严重影响推荐精度。现有研究将空间位置信息整合到时序关系中提升推荐性能，但忽略用户兴趣会随时空信息动态变化，同时空间位置信息与真实路径不符会造成距离偏差。为缓解以上问题，提出一种基于跨视图对比学习的动态时空兴趣点推荐模型（DSTR）。首先，引入不同类型的用户和POI数据，从异质推理视角获取打卡点间加权位置信息，缓解了空间位置混淆造成POI推荐不一致的问题。其次，将GNN(Graph Neural Networks)与Hawkes attention结合，根据衰减因子调整POI的动态时空权重，考虑用户行为的随机性从而提升推荐性能。最后，将不同视图下的推荐行为进行对比学习，调整各视图下的用户兴趣权重实现最终推荐。该模型首次实现动态时空信息与异质推理关系的结合，在公开数据集上的评测结果表明DSTR性能已达到SOTA。

1 相关工作
2 动态时空兴趣点推荐模型
2.2 构建异质信息图
2.3 异质推理模块
2.3.1相对路径拓扑图■
2.3.2图表征学习
2.3.3长短记忆机制
2.4 动态兴趣模块
2.5 跨视图对比学习
3 实验设计与分析
3.1 数据集
3.2 评估指标
3.3 实验设置与基线评估
3.4 模型鲁棒性分析
3.5 消融实验
3.6 参数影响
4 结论

闫宿瑞,郝晓丽,郑飞虎,等.跨视图对比的时空位置感知推荐方法[J/OL].太原理工大学学报,1-12[2025-01-13].http://kns.cnki.net/kcms/detail/14.1220.n.20250109.1406.002.html.