时空异质信息网络协同过滤框架用于文化旅游推荐 (Spatio-Temporal Heterogeneous Information Network Collaborative Filtering, STHIN-CF)
《Alexandria Engineering Journal》:STHIN-CF: A Spatio-temporal Heterogeneous Information Network for cultural tourism recommendation
编辑推荐:
针对现有文化旅游推荐系统难以同时建模用户–资源间的稳定语义关系与随时间演化的行为模式这一问题,研究人员提出了一种基于时空异质信息网络协同过滤(STHIN-CF)的方法。该方法首先构建双层异质信息网络(静态语义层与动态时间层),分别编码文化旅游场景中的实体属性关
针对现有文化旅游推荐系统难以同时建模用户–资源间的稳定语义关系与随时间演化的行为模式这一问题,研究人员提出了一种基于时空异质信息网络协同过滤(STHIN-CF)的方法。该方法首先构建双层异质信息网络(静态语义层与动态时间层),分别编码文化旅游场景中的实体属性关联与时段相关的交互模式;随后采用时空解耦图神经网络(GNN)通过元路径传播与关系感知聚合抽取空间表征,并引入基于Transformer架构的多频时间编码模块建模用户兴趣的时间演化及周期性衰减效应;继而通过自适应门控与双向交叉注意力机制融合时空特征;最终以联合优化点击预测、下一资源序列预测及下一地理位置预测的多元损失函数进行端到端训练。实验表明,该框架在两个真实数据集(TripAdvisor与Yelp-Tourism)上的Hit Rate@5(HR@5)、Normalized Discounted Cumulative Gain@5(NDCG@5)等指标均优于基准模型,且在冷启动用户与跨数据集迁移场景下具良好泛化能力。
论文解读:Spatio-Temporal Heterogeneous Information Network Collaborative Filtering (STHIN-CF) for Cultural Tourism Recommendation
一、研究背景与立项依据
文化旅游推荐面临三方面挑战:(1)数据高度稀疏且异质,涉及用户(U)、旅游资源(I)、文化类别(C)、地理位置(L)、时间特征(T)、价格区间(P)等多类实体及复杂语义关系;(2)用户兴趣具明显时间依赖性(季节偏好、近期行为权重更高)而传统协同过滤(Collaborative Filtering, CF)多忽视时序演化;(3)单纯空间建模或单纯序列建模均无法充分捕捉"空间结构稳定性+时间动态变化"的双重特性。现有基于知识图谱(Knowledge Graph, KG)或图神经网络的推荐方法较少同时解耦并融合时空维度,亦缺乏针对文化旅游多源异质信息的系统性建模。为此,研究人员开展此项研究,提出STHIN-CF框架以同步编码静态语义结构与动态时序交互,提升推荐准确度与个性化水平,相关工作发表于《Alexandria Engineering Journal》。
二、主要关键技术方法
研究人员采用TripAdvisor(东亚文化旅游,15,472用户/8,936资源/287,543交互)与Yelp-Tourism(北美文化旅游,21,834用户/12,567资源/426,891交互)两个真实世界数据集,过滤低频用户(<3次交互)并按时间窗划分。关键技术方法包括:(1)构建双层异质信息网络Gstatic(含U-I-C-L-T-P六类节点、八类关系如用户–资源交互rUI、资源–类别rIC、地理邻近rLL等及基于边频与节点度计算的结构重要性权重wrstr)与动态时序图序列Gdynamic={Gt?, Gt?, …, Gtn};(2)时空解耦GNN——空间模块设计七条元路径Φ={φ?~φ?}(文化偏好传播U-I-C-I-U、地理偏好传播U-I-L-I-U等),基于重要性随机游走采样路径实例并用长短期记忆网络(Long Short-Term Memory, LSTM)编码路径语义,再经关系感知图卷积层与元路径/关系双级注意力聚合得hspatiali;时间模块采用多频时间编码TE(Δt)=Wtime·[sin(ω?Δt), cos(ω?Δt), …, sin(ωKΔt), cos(ωKΔt), e?γΔt]?(K=8, Tk∈{1,7,14,30,90,180,365,730}天, γ=0.1)嵌入交互时间戳,在Transformer中Q=(Hseq+TE(tseq))WQ, K=(Hseq+TE(tseq))WK, V=HseqWV,加入时间偏置矩阵Btime[i,j]=?λ|τi?τj|+θ·periodicity(τi,τj)强化时域自注意力,经多头注意力与前馈网络后注意力池化得用户时间表征su;(3)时空融合模块——上下文条件自适应门控gspatial, gtemporal=σ(Wg[hspatialu; su; hcontext]+bg)元素乘投影后的空间/时间表征,并引入双向交叉注意力(空间→时间Attention(Q=su,K=V=hspatialu)与时间→空间Attention(Q=hspatialu,K=V=su)增强互补性;(4)多任务学习总损失?total=?main(二值交叉熵点击预测)+λ??seq(下一资源序列预测交叉熵)+λ??location(下一位置预测交叉熵),λ?=0.3, λ?=0.2。超参数:节点嵌入d=128,GNN三层,Transformer两层(四头注意力),最大序列长50,批次1024,Adam(lr=0.001)。
三、研究结果
5.2. Experiment results(实验结果)
在TripAdvisor与Yelp-Tourism数据集上,STHIN-CF的HR@5分别达0.4587与0.4823,较最强基线GeoHGCN提升约8.8%与7.8%,NDCG@5分别达0.3812与0.4012,亦显著优于GraphRec、HLSTM等基线;AUC分别为0.8823与0.8956。推理时间31.2 ms,内存3.8 GB,参数量9.6 M,效率比优于同类深度图模型。模型需73轮收敛,验证集与测试集性能差距仅1.25%,表明正则化有效控制过拟合。跨数据集零样本迁移HR@5为0.3845(达原性能79.7%),微调15–18轮后接近从头训练效果,证明所学表征具跨域通用性。
5.3. Ablation analysis(消融分析)
移除时间编码致HR@5降9.39%,移除Transformer降10.86%,证实时序模块关键;移除元路径降7.70%,移除直接邻居聚合降6.00%,说明高阶语义与局部结构均重要;移除门控融合降6.98%,移除交叉注意力降8.48%;仅用空间模块HR@5=0.3956(降13.76%),仅用时间模块HR@5=0.3812(降16.90%),验证时空双维缺一不可。GNN层数由1增至3层HR@5持续上升(0.4012→0.4587),5层略降且训练时间剧增故取3层;嵌入维度128为最优(32→128持续提升,256~512增益可忽略或微降);时间窗口14天最优(过短信息不足,过长引入过时噪声)。
四、讨论与结论
研究人员指出,异质信息网络通过U-I-C-L-T-P多类型节点与rUI、rIC、rIL、rIT、rIP、rII、rUU、rLL等多关系可捕获三至五阶语义路径(如用户–资源–文化类别–资源–用户),使长尾资源召回率提升至36.23%(较二部图提高约70%)。多频时间编码与自适应门控缓解长期时间漂移——以2020–2022训练、2023测试时HR@5仅降5.2%,劣于HLSTM与MVGAT之退化幅度。冷启动(0–5次交互)用户HR@5=0.28,较矩阵分解CF(MF-CF)之0.12提升133%,归因于异构图借类别、地理、相似用户路径传播信号。推荐列表内部距离(Intra-List Distance, ILD)=0.67高于MVGAT(0.52)与CF-User(0.41),物品覆盖率78.3%优于HLSTM(56.7%)。局限含依赖英语平台数据、极新用户仍弱于老用户、突发外部事件致分布剧变时适应滞后;建议定期偏差审计与增加用户画像问卷或跨域迁移改善冷启动。
结论( translated ): 本文提出之STHIN-CF框架通过在双层异质信息网络上耦合时空解耦GNN、多频时间感知Transformer及自适应时空融合与多任务学习,可有效建模文化旅游推荐中的静态语义关系与动态用户行为演化,在精度、冷启动适应性、长尾覆盖及跨域泛化方面均优于现有基准方法,为文化旅游领域个性化推荐提供了可扩展之解决方案。