劉 旸，吳安波，李慧斌

(1.西安科技大學 管理學院，陜西 西安 710054； 2.西安交通大學 數(shù)學與統(tǒng)計學院信息科學系，陜西 西安 710048)

0 引 言

現(xiàn)如今，基于位置的社交網(wǎng)絡(luò)(location-based social network，LSBN)服務(wù)在人們的日常生活中起著越來越重要的作用[1-3]。由此，在對LBSN領(lǐng)域的研究過程中，感興趣的位置點(point of interest，POI)推薦成為了眾多研究學者的熱門關(guān)注話題[4-6]。因此，如何深入挖掘LBSN簽到數(shù)據(jù)中的深層次信息，提升POI推薦準確率，成為了當前研究的熱點。文獻[7]對社會和地理影響分別建模，并融合到矩陣分解框架中實現(xiàn)POI推薦。文獻[8]將POI內(nèi)容上的用戶首選項與其本身用戶首選項區(qū)分開來，并對用戶POI的位置偏好進行位置感知建模，通過組合內(nèi)容和POI位置預測進行最終的POI推薦。文獻[9]針對現(xiàn)有方法在POI推薦過程中融合個性化、情感傾向等方面的不足，提出了一種融合多因素的POI推薦模型，有效地融合地理相關(guān)、分類偏好以及社交情感分數(shù)，實現(xiàn)Top-N的POI推薦，但該方法對于冷啟動問題還有待進一步研究[10]。文獻[11]利用長短期記憶神經(jīng)網(wǎng)絡(luò)對用戶的復雜過渡行為進行建模，很大程度上提升了POI推薦方法使用過程中的準確程度。文獻[12]提出了一種基于譜嵌入增強方式的POI推薦算法，具有較好的推薦性能，但該方法不能深度融合LBSN中簽到數(shù)據(jù)上下文的多維特性，難以準確獲得用戶最近鄰。文獻[13]提出了一種基于遞歸神經(jīng)網(wǎng)絡(luò)的POI推薦方法，在考慮相似用戶的位置興趣和包括時間、位置以及朋友偏好等上下文信息的基礎(chǔ)上，形成了用戶興趣和上下文信息的網(wǎng)絡(luò)神經(jīng)全特征表示方式。但該模型對特征向量的處理則忽視了用戶和POI之間的非線性關(guān)系，不能進一步提升推薦準確性[14]。

針對簽到數(shù)據(jù)多維度特性融合以及數(shù)據(jù)之間非線性聯(lián)系等問題，提出了一種LBSN中利用深度學習的POI推薦方法，其主要創(chuàng)新點總結(jié)如下：

(1)構(gòu)建異構(gòu)的LBSN圖，即UP2Vec模型，其能夠整合信息進行聯(lián)合建模，提高了信息的使用效率；

(2)為了準確預測用戶POI偏好，所提方法采用譜嵌入的方式增強神經(jīng)網(wǎng)絡(luò)學習用戶與POI的非線性關(guān)系，提高了POI推薦的準確性。

1 問題描述

為了便于論述，需要定義使用的關(guān)鍵概念，以及闡述POI推薦研究中的主要問題。

定義1 POI：一個POI(p)被定義為其地理坐標可用的唯一地理實體(如飯店或者電影院)，則LSBN中可用的POI集合表示為P。

定義2 Check-in：三元組c=(p,u,t) 表示一個簽到，即用戶u在時間節(jié)點t訪問POI(p)的簽到記為C,c∈C。

定義3 冷啟動POI：冷啟動POI定義為沒有簽到關(guān)聯(lián)的唯一地理實體，冷啟動POI的集合表示為Pc。

定義4 孤立冷啟動用戶：孤立的冷啟動用戶定義為唯一的LBSN用戶，其地理坐標可用，但是沒有遷入歷史紀錄，并且與其它LBSN用戶沒有任何聯(lián)系。孤立冷啟動用戶的集合表示為Uc。

定義5 用戶位置：給定用戶u，將用戶居住地表示為pu(xu,yu)， 并且其位置來自用戶的簽到記錄。具體而言，將地理空間位置離散為25×25 km的單元，并將簽到次數(shù)最多的單元位置定義為用戶家庭位置，該集合表示為PU,pu∈PU。

給定一個LBSN，用戶之間的簽到(c)和社交關(guān)系(L)是可用的。非孤立的POI(P)，其地理信息以及時間信息可以從簽到中獲得，而非孤立用戶(U)可以從用戶之間的社會關(guān)系中獲得。此外，還考慮了孤立冷啟動用戶(Uc)和冷啟動POI(Pc)。

問題1:POI推薦：給定用戶在時間t之前的歷史紀錄，POI推薦的目標是推薦用戶在時間t時刻可能訪問的前k個POI。

問題2:冷啟動POI推薦：給定用戶直到t時刻的歷史記錄，冷啟動POI推薦的目標是推薦用戶未來可能會訪問的前k個冷啟動POI。

問題3:社交鏈接預測：鏈接預測是社交網(wǎng)絡(luò)分析中的一個常見問題，其目的是預測一對用戶之間是否存在社交關(guān)系。

2 方法框架

提出的利用深度學習的POI推薦方法的整體架構(gòu)如圖1所示。利用設(shè)計的偏好增強譜聚類(preference enhanced spectral clustering，PSC)算法分析用戶的簽到信息、社交信息和時間信息，由此得出用戶的不同維度的多個數(shù)據(jù)的空間特征信息，同時使用偏好增強譜聚類算法對用戶進行精準分類。同時，利用改進神經(jīng)網(wǎng)絡(luò)-多層感知器(improved multi-layer perceptron，IMLP)深度挖掘用戶與POI之間的非線性關(guān)聯(lián)。

深度學習的POI推薦方法由5部分組成，即神經(jīng)網(wǎng)絡(luò)輸入層、神經(jīng)網(wǎng)絡(luò)譜嵌入層、神經(jīng)網(wǎng)絡(luò)拼接層、神經(jīng)網(wǎng)絡(luò)隱含層以及神經(jīng)網(wǎng)絡(luò)輸出層。把用戶群體中的用戶與POI標記對輸入譜嵌入層，經(jīng)過兩者的二分圖譜構(gòu)建潛在因子，以獲取兩者的譜特征集合描述。然后，拼接用戶與POI譜特征集合，從而構(gòu)成拼接集合，將其輸入隱含層，同時，使用神經(jīng)網(wǎng)絡(luò)多隱含層結(jié)構(gòu)實現(xiàn)對用戶與深度學習的POI推薦方法間的深層次的關(guān)聯(lián)模仿。最后，利用神經(jīng)網(wǎng)絡(luò)softmax層實現(xiàn)用戶對于深度學習的POI推薦方法的偏好的預估輸出。

2.1 LBSN數(shù)據(jù)分析

所提方法主要使用兩個公開數(shù)據(jù)集(Foursquare和Gowalla)進行論證，由于Gowalla和Foursquare數(shù)據(jù)集的分析結(jié)果類似，因此僅顯示在Foursquare數(shù)據(jù)集上的實驗結(jié)果。

2.1.1 簽到頻率分析

首先分析LBSN中用戶和POI的簽到頻率，結(jié)果如圖2所示。

從圖2中可以看出，只有少數(shù)POI和用戶主導了簽到活動，這意味著POI或用戶的簽到頻率遵循冪律分布。如果連通圖的度分布遵循冪律分布，那么短隨機游走中出現(xiàn)的節(jié)點頻率也將遵循冪律分布。因此利用Skip-gram模型構(gòu)建圖嵌入模型進行表示學習，同時采用隨機游走將異質(zhì)LBSN圖中的節(jié)點采樣為Node2Vec。

2.1.2 地理影響分析

用戶的簽到行為受到用戶地理位置因素的影響，用戶的地理位置因素也會對用戶在深度學習的POI推薦方法之間的轉(zhuǎn)換行為造成一定程度上的作用。在實際研究過程中，為深入探討用戶地理位置對用戶簽到行為的作用效果，對每個用戶的簽到時間進行排序，并計算兩個相鄰POI之間的距離。然后匯總所有用戶的結(jié)果，并計算相同地理距離的累計簽到頻率。兩個相鄰POI之間地理距離的分布如圖3所示。其中橫軸表示相鄰簽到之間的距離，縱軸表示相鄰簽到活動在此距離發(fā)生的概率，概率越大代表用戶更愿意訪問POI。

從圖3中可以看出，連續(xù)簽到之間的地理距離分布遵循冪律分布，這表明用戶更愿意訪問距訪問POI更近的POI。因此，采用冪律分布模擬地理位置對用戶的簽到行為和用戶在POI之間的遷移行為的影響。

2.1.3 時間影響分析

從圖4中可以看出，用戶的移動性行為在每24 h和每168 h(7天)左右呈現(xiàn)出較強的時間循環(huán)模式，分別顯示了日循環(huán)模式和周循環(huán)模式。所提方法中關(guān)注的是每日的周期性時間影響，因此，在日?；A(chǔ)上對時間信息進行建模。

2.2 LBSN異構(gòu)圖的構(gòu)建

根據(jù)上述分析結(jié)果構(gòu)建LBSN異構(gòu)圖，具體來說，為了同時學習用戶和POI的表示，使用Ω表示LBSN異構(gòu)圖

Ω=(V,E)

(1)

式中：V為LBSN異構(gòu)圖的節(jié)點集合，將包含用戶集的U、POI的集合P、孤立冷啟動用戶集合Uc和冷啟動POI集合Pc等節(jié)點。E為異構(gòu)圖的邊緣集，該邊緣集是基于簽到記錄、用戶之間的社交關(guān)系、地理影響和時間信息構(gòu)建的。

2.2.1 簽到信息建模

簽到記錄直接表明用戶的歷史空間行為，因此，首先僅根據(jù)簽到信息構(gòu)建LBSN異構(gòu)圖，稱該基本模型為UP2Vec。在構(gòu)建LBSN異構(gòu)圖時，使用用戶集U、POI集合P、孤立冷啟動用戶集合Uc和冷啟動POI集合Pc構(gòu)建節(jié)點集V。對于邊緣集E，如果用戶和POI之間發(fā)生簽到行為，則將其在LBSN異構(gòu)圖中進行連接，這種邊緣集表示為Ep,u。 對于孤立冷啟動用戶，連接到LBSN異構(gòu)圖中地理上最近的POI或用戶；對于冷啟動POI，同樣連接到地理上最近的POI或用戶。因此，UP2Vec中的LBSN異構(gòu)圖表示為

Ω0=(V,E)V=U∪P∪Uc∪PcE=Ep,u∪Ep,p

(2)

為了更加清楚描述LBSN異構(gòu)圖的構(gòu)建過程，給出了一個由UP2Vec建立的LBSN異構(gòu)圖的示例，如圖5所示。

圖5中，A、B、C、D、E是用戶節(jié)點，E是孤立冷啟動用戶，節(jié)點1至節(jié)點16是POI節(jié)點，節(jié)點17是冷啟動POI。孤立冷啟動用戶和冷啟動POI節(jié)點通過虛線節(jié)點連接到最近的鄰居節(jié)點[16]。

2.2.2 社交關(guān)系建模

在簽到信息的基礎(chǔ)上，進一步擴展UP2Vec，將用戶之間的社會關(guān)系信息納入到異構(gòu)圖中，得到UP2Vec+。如果用戶之間存在社交關(guān)系，則連接相應(yīng)的節(jié)點。將UP2Vec表示為Ω′0=(V′,E′)， 其中V′定義為V，E′定義為

E′=Ep,u∪Ep,p∪Eu,u

(3)

式中：Eu,u為基于社交關(guān)系構(gòu)建的邊緣集。UP2Vec+的模型結(jié)構(gòu)，具有相同的V，但是社交關(guān)系已經(jīng)添加，即用戶A分別和用戶B、用戶C相連。

2.2.3 時間信息建模

V″=U∪Pτ∪Uc∪Pc

(4)

2.3 PSC算法

PSC算法主要是通過簽到信息、社交信息和時間信息獲得偏好歸一化相似度集合φ，由此進一步得到歸一化的Laplacian集合φsym，根據(jù)φsym得到最小k個特征值對應(yīng)的數(shù)據(jù)集合，以此完成聚類分析。

2.3.1 偏好提取歸一化相似度集合φ

所提方法同時考慮簽到與社交關(guān)系，利用偏好相似度?衡量兩個用戶間的邊權(quán)重，計算如下

(5)

式中： |Pu1∩Pu2| 為u1與u2一起簽到的POI數(shù)量， ?u為兩個用戶之間的興趣偏好相似的程度， |Fu1∩Fu2| 為u1與u2的共有的好友數(shù)量， ?f為雙方友好聯(lián)系的程度。

同時，利用隨機游走方法把兩用戶間的相似度作歸一化處理，則歸一化后的相似度集合φ計算如下

(6)

2.3.2 歸一化的Laplacian集合φsym

譜聚類算法把聚類問題當成圖像分解問題，聚類問題的尋優(yōu)過程始終與 Laplacian的求解結(jié)果的特征集合的過程保持相同，因此，通過運算獲得用戶相似度的集合就能得出所對應(yīng)的Laplacian矩陣[17,18]。則歸一化的Laplacian集合φsym計算如下

(7)

通過實踐研究可知，神經(jīng)網(wǎng)絡(luò)的功能，是通過對用戶的處理信息進行檢索，并通過對用戶的推薦任務(wù)進行分析，從而獲得用戶與目標物品之間所存在的某些非線性的隱藏關(guān)聯(lián)信息[19]。由此，提出了創(chuàng)新性的譜嵌入增強的LMLP神經(jīng)網(wǎng)絡(luò)，利用不同渠道和各種技術(shù)手段對用戶的各類信息進行分析，以完成下一個深度學習的POI推薦，其中IMLP包括了輸入層、譜嵌入層、拼接層、隱含層和輸出層。

3 IMLP神經(jīng)網(wǎng)絡(luò)設(shè)計

現(xiàn)有的研究已經(jīng)論證了神經(jīng)網(wǎng)絡(luò)能夠有效處理信息檢索與推薦任務(wù)中獲取用戶與物品間非線性的隱藏關(guān)聯(lián)[19]。因此，所提方法設(shè)計了譜嵌入增強的神經(jīng)網(wǎng)絡(luò)IMLP，通過分析用戶的各種信息完成用戶下一個POI的推薦，其中IMLP包括了輸入層、譜嵌入層、拼接層、隱含層和輸出層。

3.1 譜嵌入層

用戶與POI 間的簽到關(guān)聯(lián)能夠以二分圖的形式進行描述，其中包括了兩者許多連通的關(guān)聯(lián)信息，而非直接的隱藏連通程度對獲取用戶偏好具有非常重要的作用[20,21]。IMLP中的譜嵌入層即利用連通信息圖的譜完成對用戶與POI的譜映射，以得到兩者的譜嵌入量，計算如下

(8)

3.2 其它各層的設(shè)計

所提方法利用神經(jīng)網(wǎng)絡(luò)模擬輸入用戶與POI關(guān)系對、輸出 POI推薦位置兩者間的聯(lián)系。其中選擇非線性激活函數(shù)，采用增加隱含層層數(shù)的方式使得IMLP能夠接近任何復雜函數(shù)，以更為精準地表述輸入和輸出之間的聯(lián)系，并且把神經(jīng)元的輸出反映至存在邊界的區(qū)域內(nèi)[22,23]。所以，IMLP各個層次的輸出值計算如下

x=h0=[ui,pj]Th1(x)=ReLU(ω1h0+b1)h2(x)=ReLU(ω2h1(x)+b2)hq(x)=ReLU(ωqhq-1(x)+bq)

(9)

式中：ωq，bq為第q層的參數(shù)，當q=0時，x便是用戶與POI對的拼接量。

(10)

此外，選擇對數(shù)損失函數(shù)(llog)當作IMLP網(wǎng)絡(luò)的目標函數(shù)，計算如下

(11)

4 模型性能評估

實驗中使用兩個公開的真實數(shù)據(jù)集(Foursquare和Gowalla)對所提方法的性能進行評估。其中Foursquare數(shù)據(jù)集中包含2009年12月至2013年7月之間來自California用戶的483 813條簽到記錄，還包含32 512位用戶之間的社交數(shù)據(jù)。Gowalla數(shù)據(jù)集是在2010年8月公共收集的，其包含來自216 734位活躍用戶的12 846 151次簽到記錄，其中簽到記錄包含1 421 262個位置和736 778個社交關(guān)系。這兩個數(shù)據(jù)集中的每一個簽到記錄包含唯一的用戶ID、POI ID、POI類別、POI的描述信息、相應(yīng)的經(jīng)緯度坐標以及與此簽到相關(guān)的時間戳。為了測試UP2Vec的冷啟動POI推薦功能，從Foursquare和Gowalla數(shù)據(jù)集中選擇了2000個POI作為冷啟動的POI。

4.1 評估指標

POI推薦的任務(wù)從給定的測試用戶可能會訪問的POI集合中選擇POI，具體的說，給定用戶和候選POI集合，計算用戶表示和POI表示的內(nèi)積，再按照降序?qū)OI進行排序。之后，選擇前K個POI生成推薦列表。所提方法采用廣泛使用的基于排名的評價指標Acc@K進行評估。對每個測試樣本，若訪問的POI出現(xiàn)在前K個推薦列表中，則Acc@K為1，反之為0?？傮wAcc@K取所有測試樣本的平均值。

在現(xiàn)實條件下，對深度學習的POI推薦進行一系列實踐實驗，對所有的目標用戶，將所有用戶中前80%的用戶簽到數(shù)據(jù)作為POI推薦實驗的訓練集，將所有用戶中最新10%的用戶簽到數(shù)據(jù)作為POI推薦實驗的測試集，將所有用戶中最后所剩的10%的用戶數(shù)據(jù)作為POI推薦實驗的驗證集來對參數(shù)進行調(diào)整。

4.2 參數(shù)敏感度分析

在論證所提方法的推薦性能之前，需要對UP2Vec中的參數(shù)進行討論。參數(shù)的初始默認值分別為：維度d=256、 鄰域范圍ζ=10、 返回參數(shù)υ=1、 輸入-輸出參數(shù)v=1， LBSN異構(gòu)圖中每個邊的轉(zhuǎn)移概率統(tǒng)一設(shè)置為1。為了研究特定參數(shù)對模型參數(shù)的影響，當分析某個特定參數(shù)時，該參數(shù)值在一定范圍內(nèi)變化，其它參數(shù)仍取默認值。由于UP2Vec、UP2Vec+和UP2Vec++的表示無明顯差異，因此僅分析UP2Vec++在Fouresquare數(shù)據(jù)集上的推薦結(jié)果，如圖6所示。其中橫坐標表示參數(shù)值的變化，縱坐標表示在Acc@15下，POI的推薦性能。

從圖6中可以看出，當輸入-輸出參數(shù)v變大而返回參數(shù)υ變小時，Acc@15的值在不斷增大，表明UP2Vec++的性能在不斷提高。并且推薦精度隨著維度d的增加而增加，當d達到一定值時，性能達到峰值趨于飽和狀態(tài)。不過，當鄰域范圍大小ζ變大時，推薦精度Acc@15將會降低。

由于隨著v的增大和υ的減小，將對更多附近節(jié)點進行采樣，因此，更多的信息輸入推薦模型，以進行更有效的POI推薦。而鄰域范圍ζ越大，將會在學習特征量時引入噪聲數(shù)據(jù)，這會降低特征值的可靠性，因此POI推薦的準確性降低。因此，將UP2Vec的默認參數(shù)設(shè)置為d=256、ζ=8、υ=0.24、v=5， 模型在數(shù)據(jù)集Fouresquare和Gowalla上具有最好的推薦性能。綜上所述，針對地理影響、用戶社會關(guān)系和時間信息之類的語境因素共同建模，能為LBSN異構(gòu)圖中的用戶和POI提供更好的表示學習。

4.3 與其它方法的對比分析

為了論證所提方法的POI推薦性能，將其與文獻[7]、文獻[11]、文獻[13]在POI推薦、POI冷啟動推薦、偏好預測等3個方面進行對比分析。其中文獻[7]針對社會和地理影響進行建模，并利用矩陣分解框架實現(xiàn)POI推薦。文獻[11]利用長短期記憶神經(jīng)網(wǎng)絡(luò)對用戶的復雜過渡行為進行建模，以完成POI推薦。文獻[13]提出基于遞歸神經(jīng)網(wǎng)絡(luò)的POI推薦方法，通過相似用戶的位置興趣和上下文信息的全特征表示提高POI推薦性能。

4.3.1 POI推薦

在Fouresquare和Gowalla數(shù)據(jù)集上，使用不同方法進行POI推薦的性能比較結(jié)果如圖7所示。

從圖7中可以看出，所提方法在數(shù)據(jù)集Fouresquare和Gowalla上的推薦性能明顯優(yōu)于其它方法。由于所提方法采用PSC算法方法對簽到信息、社交信息和時間信息進行聚類分析，并利用IMLP網(wǎng)絡(luò)實現(xiàn)POI推薦，與文獻[13]相比，在兩個數(shù)據(jù)集上的Acc@N值分別提高了33.33%～47.06%、21.05%～43.75%，因此結(jié)合社交關(guān)系、時間信息和地理影響可以更好獲取用戶的POI訪問行為。文獻[11]利用長短期記憶神經(jīng)網(wǎng)絡(luò)實現(xiàn)POI推薦，但單一模型在信息處理過程中仍不充分，因此性能不佳。由于文獻[7]中用戶POI矩陣的稀疏性以及缺少對時間信息和地理信息的使用，其推薦性能最差，在兩個數(shù)據(jù)集上的Acc@15均低于0.15。

4.3.2 POI冷啟動推薦

由于兩個數(shù)據(jù)集上冷啟動POI推薦實驗結(jié)果相似。因此，僅分析在Fouresquare數(shù)據(jù)集上的實驗結(jié)果，不同方法的冷啟動POI推薦對比結(jié)果如圖8所示。

從圖8中可以看出，不同的K值下，所提方法的冷啟動POI推薦性能優(yōu)于其它對比方法，以Acc@10為例，所提方法分別高出其它3種方法0.03、0.02、0.07。此外，對比圖8與圖7(a)，可以發(fā)現(xiàn)在POI冷啟動推薦中，各方法的推薦性能均明顯降低。當K=5時，所提方法的推薦精度降低20%，而其它3種方法分別下降了23.62%、25%、33.33%，因此所提方法在處理冷啟動時的推薦性能下降幅度相對較小，意味著其在處理POI冷啟動問題上有更強的魯棒性。由于所提方法考慮了地理特征、POI簽到序列和時間特征建模POI冷啟動推薦，并且采用了更細粒度的地理信息，而部分方法沒有考慮多種信息，或者采用的是粗粒度地理信息，因此冷啟動POI推薦性能不佳。

4.3.3 偏好預測

同樣的，不同方法在偏好預測方面的性能對比結(jié)果如圖9所示。

從圖9中可以看出，在準確率、召回率、F1值3個指標上，所提方法的預測性能均高于其它對比方法，以準確率為例，其在兩個數(shù)據(jù)集上分別為95%和91%，而其它方法均低于90%。主要是因為所提方法通過UP2Vec++學習用戶的表示形式，其中包含社交關(guān)系、POI和用戶的時空特征，并且利用IMLP進行偏好預測，進一步提升了POI推薦的準確率。文獻[13]利用遞歸神經(jīng)網(wǎng)絡(luò)實現(xiàn)POI推薦，其中考慮了用戶的位置興趣和上下文信息，因此整體性能優(yōu)于文獻[11]，而文獻[11]僅利用長短期記憶神經(jīng)網(wǎng)絡(luò)進行信息處理，各種用戶信息考慮得不夠全面。文獻[7]利用矩陣分解框架處理社會和地理影響，而缺乏用戶POI矩陣稀疏性的考慮，其推薦性能較差，推薦準確率大約為75%。

5 結(jié)束語

LBSN中含有豐富的語境信息，如簽到信息、時間信息、社交關(guān)系等，能夠更加全面地推薦用戶下一個POI，但各種語境信息存在異構(gòu)性，POI推薦的性能也受到此影響。為此，提出了一種LBSN中利用深度學習的POI推薦方法。在UP2Vec模型中整合地理簽到信息、用戶社會關(guān)系和時間信息等語境，并利用PSC算法進行分析處理，以得到用戶群體分組。在此基礎(chǔ)上，結(jié)合POI信息，利用IMLP網(wǎng)絡(luò)深度挖掘用戶與POI 之間的非線性關(guān)聯(lián)，實現(xiàn)POI的準確推薦?；贔oursquare和Gowalla數(shù)據(jù)集對所提方法進行實驗論證，結(jié)果表明，將UP2Vec參數(shù)設(shè)置為d=256、ζ=8、υ=0.24、v=5時，模型性能最佳。此外，所提方法在POI推薦、POI冷啟動推薦和偏好預測3個方面的推薦性能均優(yōu)于其它對比方法，其中，在POI推薦的Acc@N值較文獻[13]提高了21.05%～47.06%，在POI冷啟動推薦的Acc@10值分別高出0.03、0.02、0.07，并且推薦準確率分別為95%和91%。因此，通過該方法學習的用戶和POI表示可用于進一步提高LBSN任務(wù)中位置推薦和偏好預測的性能。

由于POI推薦過程中并沒有根據(jù)用戶偏好進行動態(tài)調(diào)整，在接下來的研究中，將重點關(guān)注注意力機制的引用，以便在LBSN中更好進行POI推薦和用戶表示學習。