一、基本信息
论文题目：《A Survey of Point-of-Interest Recommendation in Location-Based Social Networks》
发表时间：Workshops at the Twenty-Ninth AAAI Conference on Artificial Intelligence. 2015, 130.
论文作者及单位：Yonghong Yu,Xingguo Chen(Nanjing University of Posts and Telecommunications)
论文地址：https://www.aaai.org/ocs/index.php/WS/AAAIW15/paper/viewFile/10132/10253
我的评分：4颗星
二、摘要
随着移动设备、GPS、Web2.0的快速发展，基于地点定位的社交网络吸引了数以万计的用户来分享丰富的信息。POI（Point-Of-Interest）推荐系统在基于定位的社会网络中扮演者一个重要的角色，因为它能够帮助用户发现当地有趣的景点或设施，同时也能帮助社交网络服务提供者根据用户地点而设计的独特的广告。这篇文章对基于LDSNs（Location-Based Social Networks）的POI推荐任务做了简要的综述，并讨论了一些关于POI推荐的研究方向。
三、论文的工作与主要内容
1、叙述了POI推荐独一无二的特点与实用场景。比如，用户喜欢选择离自己近的景点或餐厅、
2、根据在POI推荐算法中引入的额外的数据不同，将POI推荐算法分为了四类：
- pure check-in data based POI recommendation approaches：根据用户定位与某个地点的频率构建矩阵，对定位有很大相似的用户使用协同过滤。
- geographical influence enchanced POI recommendation approaches：将用户与地点、被用户访问过的POIs、和用户与新的POIs之间的距离引入POI的推荐中，这种算法假设用户喜欢访问离得近的POIs。
- social influence enchanced POI recommendation approaches：引入用户的社会关系来增强推荐，这种方法假设朋友之间有更多的共同偏好。
- temporal influence enchanced POI recommendation approaches：假设用户的偏好会根据时间变化，以及用户的旅游行为会受到时间的影响。
3、讨论了将来POI推荐的研究方向
- 虽然以上四种方法都对改进推荐性能起到了作用，但目前扮演最重要角色的还是第二个。
- 对于基于用户的定位行为进行的建模，对每个用户计算个性化距离分布比通用的分布更为有效。
- 基于模型的POI比基于记忆的POI效果更好，基于用户的POI也比基于物品的POI要更有效
- 基于矩阵分解的方法中，NMF和BMF比RMF和PMF表现要好，此外施加权重的MF又比NMF和BMF要好
- 将POI推荐建立在0/1矩阵上比建立在频率矩阵上表现要好，因此采用合适的方法对频率矩阵进行建模也是将来研究的方向
- 引入社交关系的POI推荐算法效果还不理想，有可能是忽视了不同社交关系的区别
- 来自其他社交网络的信息也可能会使POI推荐的效果得到提高（迁移学习）
- LBSNs提供了各种额外的信息可以被加入到POI推荐中，但POI推荐系统缺乏一个通用的推荐框架来把各种信息结合起来共同发挥作用
- 最后，POI推荐面临严重的可扩展性问题，因此将MapReduce和Spark用来加速POI推荐的计算具有重要价值
四、总结
POI推荐也是在实际日常生活中应用的比价多的一种推荐方法，我们常用的美团中的美食推荐和携程的景点推荐都应用了POI推荐中的算法。这篇文章对POI的研究现状做了还算比较全面的介绍，对各种四种算法的原理也给出了详细的数学推导过程。