·412· 智能系统学报 第16卷 数进行优化。 远近距离偏好和长短时间偏好建模，根据用户的 3)评价方法 会话信息进行个性化的下一个兴趣点推荐。 选用两个常用的度量标准Accuracy@K(ACC@K) 4.2实验结果和分析 和MAP作为实验评价指标。ACC@K是推荐系 4.2.1实验结果 统中常用衡量推荐效果好坏的指标，对于用户的 Foursquare和CA数据集在不同模型的实验 一次推荐，如果用户访问的下一个兴趣点出现在 结果如表2、3所示，其中Improvement表示本文 推荐列表中，则认为预测正确，其值为1，否则为0。 提出的模型相对于对比模型中的最好性能提升的 ACC@K的值是取所有测试实例的平均值，值越 效果，模型提升效果的计算公式为 高表示模型的推荐效果越好。MAP是衡量推荐 列表中兴趣点排名的标准，如果用户访问下一个 I=R-C ×100% 兴趣点在推荐列表的位置越靠前，MAP的得分就 式中：R表示SST-RNN模型的实验结果；C表示 会越高。 最好的对比模型实验结果。 4)对比模型 表2 Foursquare数据集上ACC@K和MAP表现对比 本文使用基线算法和最新的算法进行对比， Table 2 Performance comparison on the Foursquare 对比模型中的所有用户和兴趣点的向量维度均 dataset by ACC@K and MAP % 为20。对比模型的参数设置采用原论文默认的 模型 ACC@5 ACC@10 ACC@15 MAP 参数，实验结果是模型训练迭代100次中的最优 BPR 10.15 15.08 18.33 6.28 结果。 GRU 10.19 15.17 18.31 6.68 ①BPR2:利用矩阵分解算法和BPR损失对 “用户-兴趣点”的隐式反馈矩阵进行优化。作为 FPMC-LR 11.12 15.64 18.83 7.13 基线模型，BPR认为用户对交互过的兴趣点偏好 PRME-G 12.88 15.73 17.75 8.65 大于未交互的兴趣点。 RNN 14.48 19.68 23.01 9.98 ②RNN:通过标准的循环神经网络结构对用 POI2Vec 15.45 18.79 20.55 10.84 户历史访问兴趣点的时序信息建模。作为基线模 Distance2Pre 15.02 20.38 24.28 10.08 型，RNN只使用最后一次会话信息作为输入。 SST-RNN 21.07 26.76 30.68 14.17 ③GRUs1:RNN的最新变体，通过2个门控 单元控制信息的流动，能够处理长序列依赖问 Improvement 36.38 31.31 26.36 30.72 题，解决RNN存在的梯度消失和梯度爆炸问题。 表3CA数据集上ACC@K和MAP的表现对比 作为基线模型，该模型使用用户的全部历史签到 Table 3 Performance comparison on the CA dataset 记录作为输入。 by ACC@K and MAP 号 ④FPMC-LR2:利用个性化马尔科夫链对用 模型 ACC@5 ACC@10 ACC@15 MAP 户签到序列建模，结合用户的地理位置限制进行 BPR 9.70 13.15 15.65 7.07 下一个兴趣点推荐。 GRU 10.55 14.76 17.29 7.87 ⑤PRME-G叨：利用度量嵌入的方法对用户序 FPMC-LR 10.21 13.64 15.92 8.21 列信息建模，将空间距离作为权重控制用户的距 PRME-G 11.6 14.82 16.79 9.84 离偏好。 ⑥POI2Vec2:该模型使用二叉树将距离相近 RNN 14.03 17.38 19.52 10.25 的兴趣点聚为一类。为了增强兴趣点的空间影 POI2Vec 13.18 16.5 18.52 9.98 响，一个兴趣点可以分配到多个类中。 Distance2Pre 14.99 19.39 21.98 11.18 ⑦Distance2PreP:利用GRU模型根据用户签 SST-RNN 17.06 20.82 23.94 13.11 到历史序列信息和距离偏好进行推荐。提出了 Improvement 13.81 7.38 8.92 17.26 Distance(linear)和Distance(non-linear))两种模型， 本文使用效果表现最好的Distance(non-linear)模 4.2.2实验结果分析 型，其默认的隐藏层神经元个数为20。 首先，比较BPR和GRU这2个基线算法，它 ⑧SST-RNN:本文提出的模型，通过改进 们只用到单一的信息进行推荐，表现效果较差。 RNN模型使其能够对用户访问下一个兴趣点的 BPR利用用户的偏好进行推荐，而GRU模型使用数进行优化。 3）评价方法 选用两个常用的度量标准 Accuracy@K(ACC@K) 和 MAP 作为实验评价指标。ACC@K 是推荐系 统中常用衡量推荐效果好坏的指标，对于用户的 一次推荐，如果用户访问的下一个兴趣点出现在 推荐列表中，则认为预测正确，其值为 1，否则为 0。 ACC@K 的值是取所有测试实例的平均值，值越 高表示模型的推荐效果越好。MAP 是衡量推荐 列表中兴趣点排名的标准，如果用户访问下一个 兴趣点在推荐列表的位置越靠前，MAP 的得分就 会越高。 4）对比模型 本文使用基线算法和最新的算法进行对比， 对比模型中的所有用户和兴趣点的向量维度均 为 20。对比模型的参数设置采用原论文默认的 参数，实验结果是模型训练迭代 100 次中的最优 结果。 ①BPR[29] ：利用矩阵分解算法和 BPR 损失对 “用户−兴趣点”的隐式反馈矩阵进行优化。作为 基线模型，BPR 认为用户对交互过的兴趣点偏好 大于未交互的兴趣点。 ②RNN：通过标准的循环神经网络结构对用 户历史访问兴趣点的时序信息建模。作为基线模 型，RNN 只使用最后一次会话信息作为输入。 ③GRU[15] ：RNN 的最新变体，通过 2 个门控 单元控制信息的流动，能够处理长序列依赖问 题，解决 RNN 存在的梯度消失和梯度爆炸问题。 作为基线模型，该模型使用用户的全部历史签到 记录作为输入。 ④FPMC-LR[21] ：利用个性化马尔科夫链对用 户签到序列建模，结合用户的地理位置限制进行 下一个兴趣点推荐。 ⑤PRME-G[17] ：利用度量嵌入的方法对用户序 列信息建模，将空间距离作为权重控制用户的距 离偏好。 ⑥POI2Vec[24] ：该模型使用二叉树将距离相近 的兴趣点聚为一类。为了增强兴趣点的空间影 响，一个兴趣点可以分配到多个类中。 ⑦Distance2Pre[25] ：利用 GRU 模型根据用户签 到历史序列信息和距离偏好进行推荐。提出了 Distance (linear) 和 Distance (non-linear) 两种模型， 本文使用效果表现最好的 Distance (non-linear) 模 型，其默认的隐藏层神经元个数为 20。 ⑧SST-RNN：本文提出的模型，通过改进 RNN 模型使其能够对用户访问下一个兴趣点的 远近距离偏好和长短时间偏好建模，根据用户的 会话信息进行个性化的下一个兴趣点推荐。 4.2 实验结果和分析 4.2.1 实验结果 Foursquare 和 CA 数据集在不同模型的实验 结果如表 2、3 所示，其中 Improvement 表示本文 提出的模型相对于对比模型中的最好性能提升的 效果，模型提升效果的计算公式为 I = R−C C ×100% 式中：R 表示 SST-RNN 模型的实验结果；C 表示 最好的对比模型实验结果。 表 2 Foursquare 数据集上 ACC@K 和 MAP 表现对比 Table 2 Performance comparison on the Foursquare dataset by ACC@K and MAP % 模型 ACC@5 ACC@10 ACC@15 MAP BPR 10.15 15.08 18.33 6.28 GRU 10.19 15.17 18.31 6.68 FPMC-LR 11.12 15.64 18.83 7.13 PRME-G 12.88 15.73 17.75 8.65 RNN 14.48 19.68 23.01 9.98 POI2Vec 15.45 18.79 20.55 10.84 Distance2Pre 15.02 20.38 24.28 10.08 SST-RNN 21.07 26.76 30.68 14.17 Improvement 36.38 31.31 26.36 30.72 表 3 CA 数据集上 ACC@K 和 MAP 的表现对比 Table 3 Performance comparison on the CA dataset by ACC@K and MAP % 模型 ACC@5 ACC@10 ACC@15 MAP BPR 9.70 13.15 15.65 7.07 GRU 10.55 14.76 17.29 7.87 FPMC-LR 10.21 13.64 15.92 8.21 PRME-G 11.6 14.82 16.79 9.84 RNN 14.03 17.38 19.52 10.25 POI2Vec 13.18 16.5 18.52 9.98 Distance2Pre 14.99 19.39 21.98 11.18 SST-RNN 17.06 20.82 23.94 13.11 Improvement 13.81 7.38 8.92 17.26 4.2.2 实验结果分析 首先，比较 BPR 和 GRU 这 2 个基线算法，它 们只用到单一的信息进行推荐，表现效果较差。 BPR 利用用户的偏好进行推荐，而 GRU 模型使用 ·412· 智 能 系 统 学 报 第 16 卷