DOI: https://doi.org/10.1016/j.elerap.2026.101597
تاريخ النشر: 2026-04-04
المؤلف: Yu Lei وآخرون
الموضوع الرئيسي: أنظمة وتقنيات التوصية
نظرة عامة
يتناول هذا القسم قيود الأساليب الحالية المعتمدة على الشبكات العصبية الرسومية (GNN) لتوصية النقاط المثيرة للاهتمام التالية (POI)، لا سيما فشلها في نمذجة التأثير المشترك لعوامل السياق المتعددة بشكل فعال واعتمادها المفرط على المكونات التسلسلية. للتغلب على هذه التحديات، يقترح المؤلفون إطار عمل جديد يسمى الشبكات العصبية الرسومية التكيفية للسياق (CAGNN). يقدم هذا الإطار آلية انتباه تتكيف مع السياق تقوم بضبط أوزان الانتباه ديناميكيًا من خلال دمج عوامل سياقية متنوعة—مثل الفئة، والمعلومات المكانية، والزمنية—أثناء انتشار الرسم البياني. بالإضافة إلى ذلك، تتميز CAGNN بوحدة تعزيز متبادل رسومية-تسلسلية تقوم بمحاذاة المخرجات من المكونات المعتمدة على الرسم البياني والتسلسلية باستخدام تباين كولباك-ليبلر (KL)، مما يسهل نقل المعرفة بين الاثنين.
تظهر النتائج التجريبية على ثلاثة مجموعات بيانات من العالم الحقيقي أن CAGNN تتفوق باستمرار على الأساليب الحديثة، مما يؤكد فعالية دمج المعلومات المدركة للسياق في نمذجة الرسم البياني. تدعم التحليلات النظرية أيضًا الادعاء بأن آلية الانتباه التكيفية للسياق تعزز من تعبير تمثيلات POI. يقترح المؤلفون أن تركز الأبحاث المستقبلية على تحسين استراتيجيات بناء الرسم البياني واستكشاف تطبيقات أوسع لآليات انتباه الرسم البياني.
مقدمة
تناقش مقدمة ورقة البحث الأهمية المتزايدة لأنظمة توصية النقاط المثيرة للاهتمام التالية (POI) في التطبيقات المعتمدة على الموقع، والتي تتنبأ بزيارات المستخدمين بناءً على أنماط الحركة التاريخية. النماذج التسلسلية التقليدية، مثل سلاسل ماركوف، والشبكات العصبية المتكررة، والمحولات، تلتقط سلوك المستخدم بشكل فعال ولكنها تكافح لدمج الإشارات التعاونية لتمثيل POI. لقد استخدمت التطورات الأخيرة الشبكات العصبية الرسومية (GNNs) لبناء رسومات علاقات POI من بيانات تسجيل دخول المستخدمين، مما يسمح بالتقاط الأنماط التعاونية. ومع ذلك، تواجه الأساليب المعتمدة على GNN الحالية قيودًا كبيرة، بما في ذلك نقص نمذجة الحواف المدركة للسياق وهيمنة النماذج التسلسلية، مما يمكن أن يقوض فعالية تمثيلات POI.
لمعالجة هذه التحديات، يقترح المؤلفون إطار عمل جديد يسمى الشبكات العصبية الرسومية التكيفية للسياق (CAGNN). يدمج هذا الإطار عوامل سياقية متعددة محددة للحواف لضبط أوزان الانتباه ديناميكيًا، مما يعزز نمذجة انتقالات المستخدم. تتكون CAGNN من ثلاثة مكونات رئيسية: مستخرج تفضيلات المستخدم المعتمد على الرسم البياني مع انتباه يتكيف مع السياق، مستخرج تفضيلات المستخدم التسلسلي باستخدام محول، ووحدة تعزيز متبادل رسومية-تسلسلية تقوم بمحاذاة تمثيلات POI من كلا المكونين. يدعي المؤلفون أن نهجهم لا يحسن فقط من تعبير تمثيلات POI ولكن أيضًا يعزز بشكل كبير دقة التوصية، كما يتضح من التجارب الواسعة على مجموعات بيانات العالم الحقيقي، التي أظهرت تحسينات متوسطة بنسبة 10.47% و14.85% في معدل النجاح (HR) ودرجة الربح التراكمي المخصوم العادية (NDCG)، على التوالي.
الطرق
في هذا القسم، يحدد المؤلفون الإعداد التجريبي لدراستهم، مستخدمين سجلات تسجيل دخول Foursquare من ثلاث مدن: فينيكس (PHO)، نيويورك (NY)، وسنغافورة (SIN) من أبريل 2012 إلى سبتمبر 2013. تم تنقيح مجموعة البيانات من خلال استبعاد النقاط المثيرة للاهتمام (POIs) التي تحتوي على أقل من 10 تفاعلات، والمستخدمين الذين لديهم أقل من 5 مسارات، والمسارات التي تحتوي على أقل من 3 سجلات تسجيل دخول.
لتحليل البيانات، قسم المؤلفون بيانات كل مستخدم إلى مجموعات تدريب، والتحقق، والاختبار، حيث تم تخصيص أول 80% من المسارات للتدريب، وآخر 10% للاختبار، و10% المتبقية للتحقق. يتم تفصيل الإحصائيات المحددة لمجموعات البيانات في الجدول II، مما يوفر نظرة شاملة على البيانات المستخدمة في البحث.
النتائج
في التحليل المقارن لمختلف أساليب التوصية، تشير النتائج إلى أن النماذج المعتمدة على RNN، لا سيما PLSPL، ATST-LSTM، وST-RNN، تتفوق في التقاط أنماط المستخدم التسلسلية، حيث حققت PLSPL أعلى أداء. ومع ذلك، تتفوق النماذج المعتمدة على المحولات (CTLE، CFPRec، CLSPRec) بشكل كبير على هذه الأسس المعتمدة على RNN، مما يبرز القدرة الفائقة للمحولات على نمذجة البيانات التسلسلية المعقدة. ومن الجدير بالذكر أنه بينما يتفوق LightGCN، وهو نموذج غير تسلسلي، على عدة نهج معتمدة على RNN من خلال الاستفادة الفعالة من الإشارات التعاونية عبر الهياكل الرسومية، فإن SGRec يعزز الأداء أكثر من خلال دمج النمذجة التسلسلية مع معلومات فئة النقاط المثيرة للاهتمام (POI).
تظهر نماذج الشبكات العصبية الرسومية المتقدمة (GNN)، مثل AGRAN وDCHL، أداءً محسنًا مقارنةً بالمتغيرات الأبسط من GNN مثل LightGCN وSGRec، مما يبرز مزايا الهياكل الرسومية التكيفية والهايبرغرافات متعددة السياقات. على الرغم من ذلك، فإنها أحيانًا ما تخفق مقارنةً بأساليب المحولات الحديثة، مما يشير إلى الحاجة إلى تحسين دمج البيانات الرسومية والتسلسلية. في النهاية، تحقق الشبكة العصبية الرسومية المدركة للسياق (CAGNN) أفضل أداء عام، متجاوزةً الطريقة التالية الأفضل بمتوسط 10.47% في معدل النجاح (HR) و14.85% في درجة الربح التراكمي المخصوم العادية (NDCG) عبر ثلاث مجموعات بيانات، مما يؤكد فعاليتها في مهام التوصية.
المناقشة
تسلط مناقشة ورقة البحث الضوء على التقدم في أنظمة توصية النقاط المثيرة للاهتمام التالية (POI)، لا سيما من خلال دمج تقنيات النمذجة المختلفة. في البداية، تم استخدام نماذج احتمالية تقليدية وهياكل تعلم عميقة متقدمة، بما في ذلك الشبكات العصبية المتكررة (RNNs) والمحولات، لالتقاط الأنماط التسلسلية في تنقل المستخدمين. تؤكد الاتجاهات الحديثة على دمج العوامل السياقية—مثل الميزات المكانية، والأنماط الزمنية، وفئات POI—لتحسين دقة التوصية. ومن الجدير بالذكر أن ظهور الشبكات العصبية الرسومية (GNNs) قد أحدث ثورة في هذا المجال من خلال نمذجة التفاعلات المعقدة بين المستخدمين والعناصر بشكل فعال، مما يسمح بنشر المعلومات عبر رسومات POI-POI التي تلتقط الإشارات التعاونية.
على الرغم من هذه التقدمات، غالبًا ما تعالج الأساليب الحالية العوامل السياقية بشكل منفصل، مما يحد من قدرتها على نمذجة التأثير المشترك لعدة سياقات على انتقالات المستخدمين. تعالج الشبكة العصبية الرسومية التكيفية للسياق (CAGNN) هذا القيد من خلال دمج عوامل سياقية متنوعة في حساب الانتباه، مما يحسن من تعلم انتقالات المستخدمين. تقوم آلية الانتباه التكيفية للسياق بضبط أوزان الانتباه ديناميكيًا بناءً على فئات POI، والمسافات المكانية، والأنماط الزمنية، مما يؤدي إلى تمثيلات POI أكثر تعبيرًا وأداءً محسنًا في التوصية. تقدم الورقة أيضًا وحدة تعزيز متبادل تقوم بمحاذاة التمثيلات المتعلمة من كلا المكونين المعتمدين على الرسم البياني والتسلسلي، مما يضمن الاستفادة من نقاط القوة في كل نهج لتحسين دقة التوصية العامة.
DOI: https://doi.org/10.1016/j.elerap.2026.101597
Publication Date: 2026-04-04
Author(s): Yu Lei et al.
Primary Topic: Recommender Systems and Techniques
Overview
The section discusses the limitations of existing Graph Neural Network (GNN)-based methods for next Point-of-Interest (POI) recommendation, particularly their failure to effectively model the co-influence of multiple contextual factors and their over-reliance on sequential components. To overcome these challenges, the authors propose a novel framework called Context-Adaptive Graph Neural Networks (CAGNN). This framework introduces a context-adaptive attention mechanism that dynamically adjusts attention weights by integrating various contextual factors—such as category, spatial, and temporal information—during graph propagation. Additionally, CAGNN features a Graph-Sequential Mutual Enhancement Module that aligns outputs from graph-based and sequential components using Kullback-Leibler (KL) divergence, facilitating knowledge transfer between the two.
Experimental results on three real-world datasets demonstrate that CAGNN consistently outperforms state-of-the-art methods, confirming the effectiveness of incorporating context-aware information into graph modeling. Theoretical analysis further supports the claim that the context-adaptive attention mechanism enhances the expressiveness of POI representations. The authors suggest that future research could focus on improving graph construction strategies and exploring broader applications of graph attention mechanisms.
Introduction
The introduction of the research paper discusses the growing importance of Next Point-of-Interest (POI) recommendation systems in location-based applications, which predict user visits based on historical movement patterns. Traditional sequential models, such as Markov Chains, recurrent neural networks, and Transformers, effectively capture user behavior but struggle to incorporate collaborative signals for POI representation. Recent advancements have utilized Graph Neural Networks (GNNs) to construct POI relation graphs from user check-in data, allowing for the capture of collaborative patterns. However, existing GNN-based methods face significant limitations, including a lack of context-aware edge modeling and the dominance of sequential models, which can undermine the effectiveness of POI embeddings.
To address these challenges, the authors propose a novel framework called Context-Adaptive Graph Neural Networks (CAGNN). This framework integrates multiple edge-specific contextual factors to dynamically adjust attention weights, enhancing the modeling of user transitions. CAGNN consists of three main components: a Graph-based User Preference Extractor with Context-Adaptive Attention, a Sequential User Preference Extractor utilizing a Transformer, and a Graph-Sequential Mutual Enhancement Module that aligns POI embeddings from both components. The authors claim that their approach not only improves the expressiveness of POI representations but also significantly enhances recommendation accuracy, as evidenced by extensive experiments on real-world datasets, which demonstrated average improvements of 10.47% and 14.85% on Hit Rate (HR) and Normalized Discounted Cumulative Gain (NDCG), respectively.
Methods
In this section, the authors outline the experimental setup for their study, utilizing Foursquare check-in records from three cities: Phoenix (PHO), New York (NY), and Singapore (SIN) spanning from April 2012 to September 2013. The dataset was refined by excluding points of interest (POIs) with fewer than 10 interactions, users with fewer than 5 trajectories, and trajectories containing fewer than 3 check-in records.
For the analysis, the authors divided each user’s data into training, validation, and test sets, allocating the earliest 80% of trajectories for training, the latest 10% for testing, and the remaining 10% for validation. The specific statistics of the datasets are detailed in Table II, providing a comprehensive overview of the data utilized in the research.
Results
In the comparative analysis of various recommendation methods, the results indicate that RNN-based models, particularly PLSPL, ATST-LSTM, and ST-RNN, excel in capturing user sequential patterns, with PLSPL achieving the highest performance. However, transformer-based models (CTLE, CFPRec, CLSPRec) significantly outperform these RNN baselines, underscoring the transformers’ superior ability to model complex sequential data. Notably, while LightGCN, a non-sequential model, surpasses several RNN-based approaches by effectively leveraging collaborative signals through graph structures, SGRec enhances performance further by integrating sequential modeling with point of interest (POI) category information.
Advanced graph neural network (GNN) models, such as AGRAN and DCHL, demonstrate improved performance over simpler GNN variants like LightGCN and SGRec, highlighting the advantages of adaptive graph structures and multi-context hypergraphs. Despite this, they occasionally fall short compared to state-of-the-art transformer methods, suggesting a need for better integration of graph and sequential data. Ultimately, the proposed Context-Aware Graph Neural Network (CAGNN) achieves the best overall performance, surpassing the next best method by an average of 10.47% in Hit Rate (HR) and 14.85% in Normalized Discounted Cumulative Gain (NDCG) across three datasets, affirming its effectiveness in recommendation tasks.
Discussion
The discussion of the research paper highlights advancements in Next Point-of-Interest (POI) recommendation systems, particularly through the integration of various modeling techniques. Initially, traditional probabilistic models and advanced deep learning architectures, including Recurrent Neural Networks (RNNs) and Transformers, have been employed to capture sequential patterns in user mobility. Recent trends emphasize the incorporation of contextual factors—such as spatial features, temporal patterns, and POI categories—to enhance recommendation accuracy. Notably, the emergence of Graph Neural Networks (GNNs) has revolutionized the field by effectively modeling complex user-item interactions, allowing for the propagation of information through POI-POI graphs that capture collaborative signals.
Despite these advancements, existing methods often treat contextual factors in isolation, limiting their ability to model the co-influence of multiple contexts on user transitions. The proposed Context-Adaptive Graph Neural Network (CAGNN) addresses this limitation by jointly incorporating various contextual factors into the attention computation, thereby improving the learning of user transitions. The context-adaptive attention mechanism dynamically adjusts attention weights based on POI categories, spatial distances, and temporal patterns, leading to more expressive POI representations and enhanced recommendation performance. The paper also presents a mutual enhancement module that aligns the learned embeddings from both graph-based and sequential components, ensuring that the strengths of each approach are leveraged to improve overall recommendation accuracy.