SPOT-Trip: Dual-Preference Driven Out-of-Town Trip Recommendation¶

会议: NeurIPS 2025
arXiv: 2506.01705
代码: 暂无
领域: 图学习
关键词: 旅行推荐, 知识图谱, 神经ODE, 时间点过程, 静态-动态偏好融合

一句话总结¶

提出SPOT-Trip框架，首次系统研究异地旅行推荐问题，通过知识图谱增强的静态偏好学习、神经ODE驱动的动态偏好学习以及偏好融合模块，在两个真实数据集上最高提升17.01%。

研究背景与动机¶

当用户从家乡出发去陌生城市旅行时，需要推荐一条包含多个中间景点的行程。这个问题面临三大挑战：

数据稀疏：用户在异地通常只有极少甚至没有历史签到记录，传统推荐模型无法有效学习

偏好二元性：用户偏好包含稳定的静态兴趣（长期行为模式）和随情境变化的动态偏好（时间、位置敏感），现有方法将二者混为一谈

偏好转移：家乡签到偏好与异地行为可能存在漂移（interest drift），如何有效迁移家乡知识是关键

核心创新点：首次将异地旅行推荐形式化为"给定起点、终点和停留数，推荐中间POI序列"的任务，并显式解耦静态/动态偏好。

方法详解¶

整体框架¶

SPOT-Trip包含三大模块：知识增强静态偏好学习（KSPL）、基于ODE的动态偏好学习（ODPL）、静态-动态偏好融合。三个模块通过联合损失端到端训练。

关键设计¶

知识增强静态偏好学习（KSPL）

构建POI属性知识图谱 $\mathcal{G}_k = (v, r, e)$，编码POI与属性实体之间的语义关系（如"Balboa Park → Located in → San Diego"）。通过关系感知注意力聚合机制生成增强的POI嵌入：

$$\bar{\mathbf{v}} = \mathbf{v} + \sum_{e \in \mathcal{N}_v} \alpha(e, r_{e,v}, v) \mathbf{e}$$

其中注意力权重 $\alpha$ 编码实体-关系特定的语义关联。静态偏好对齐通过MLP将家乡偏好映射到异地：

$$\bar{\mathbf{P}}^o = \phi(\mathbf{W}_S \bar{\mathbf{u}}^h + \mathbf{b}_S)$$

用欧氏距离损失桥接推断偏好与真实异地偏好：$\mathcal{L}_S = \sum_u \|\bar{\mathbf{P}}^o - \bar{\mathbf{u}}^o\|_2^2$

设计动机：KG提供的外部语义知识可以缓解异地数据稀疏，同时静态/空间信息分开处理避免冲突交互。

基于ODE的动态偏好学习（ODPL）

使用神经ODE建模用户动态偏好在连续时间上的漂移：

$$\frac{d\tilde{\mathbf{p}}_t^o}{dt} = f(\tilde{\mathbf{p}}_{t_1}^o)$$

结合时间点过程描述每个行为发生的瞬时概率，通过非齐次泊松过程的强度函数 $\lambda(\cdot)$ 刻画：

$$t_n \sim \text{NHPP}(\lambda(\tilde{\mathbf{p}}_t^o))$$

使用变分推断估计潜在初始状态的后验，通过Transformer编码器聚合家乡行为序列获得变分参数。动态学习损失基于ELBO：

$$\mathcal{L}_D = -\sum_{u \in \mathcal{U}} \left[\underbrace{\text{重构行为对数似然}}_{(i)} + \underbrace{\text{时间点过程对数似然}}_{(ii)} - \underbrace{\text{KL散度}}_{(iii)}\right]$$

设计动机：签到数据的时间采样不规则，神经ODE天然处理连续时间建模，点过程可量化行为发生概率。

静态-动态偏好融合

将查询表示、静态偏好和动态偏好序列拼接，通过非线性预测头计算每个POI的logit：

$$z_{u,n,i} = \phi(\mathbf{W}_R [\mathbf{Q}^o \| \bar{\mathbf{P}}^o \| \tilde{\mathbf{P}}^o] + \mathbf{b}_R)$$

损失函数 / 训练策略¶

联合优化三个损失：

\[\mathcal{L} = \beta_1 \mathcal{L}_S + \beta_2 \mathcal{L}_D + \beta_3 \mathcal{L}_R\]

推荐损失 $\mathcal{L}_R$ 为交叉熵。推荐阶段使用Top-p采样生成中间POI序列，用归一化位置代替实际时间戳。

实验关键数据¶

主实验¶

方法	Foursquare F₁	Foursquare PairsF₁	Yelp F₁	Yelp PairsF₁
AR-Trip	0.0304	0.0045	0.0307	0.0153
Base+KDDC	0.0375	0.0079	0.0341	0.0156
Base+CNN-ODE	0.0367	0.0094	0.0326	0.0168
SPOT-Trip	0.0400	0.0109	0.0399	0.0190
提升幅度	+6.67%	+15.96%	+17.01%	+13.90%

消融实验¶

变体	Yelp F₁	Yelp PairsF₁	说明
SPOT-Trip	0.0399	0.0190	完整模型
w/o KS	↓10.02%	↓21.79%	去除知识增强静态偏好
w/o OD	性能下降	性能下降	去除ODE动态偏好
w/o SI	显著下降	显著下降	去除空间信息

数据稀疏实验¶

数据比例	SPOT-Trip F₁ (Yelp)	Base+KDDC F₁	Base+CNN-ODE F₁
40%	0.0327	0.0321	0.0313
60%	0.0343	0.0331	0.0327
80%	0.0384	0.0338	0.0333
100%	0.0399	0.0341	0.0326

关键发现¶

结合家乡信息的方法普遍优于不使用家乡信息的旅行推荐基线，验证了偏好迁移的必要性
KSPL模块去除后PairsF₁急剧下降21.79%，说明语义知识图谱对序列推荐至关重要
即使只有40%家乡数据，SPOT-Trip仍优于基线用100%数据的效果
仅给定起点或终点时，模型仍能生成合理推荐（如预测的终点对应火车站），展示了内在的旅行模式理解能力

亮点与洞察¶

问题定义新颖：首次系统化定义异地旅行推荐为给定起终点生成中间POI序列
偏好分离设计：静态偏好用KG语义建模，动态偏好用神经ODE连续时间建模，避免混合冲突
TransE交替训练：KG嵌入与推荐模型交替优化，增强多关系语义空间

局限与展望¶

知识图谱构建依赖数据集自带的属性信息，对属性不丰富的场景适用性有限
神经ODE在推荐阶段缺乏实际时间戳，使用归一化位置作为代理可能产生偏差
Top-p采样策略在序列生成中可能引入不确定性

评分¶

新颖性: ⭐⭐⭐⭐ — 首次定义异地旅行推荐问题并提出完整框架
实验充分度: ⭐⭐⭐⭐ — 两个数据集、9个基线、消融+稀疏+参数敏感性分析
写作质量: ⭐⭐⭐⭐ — 问题定义清晰，模块设计逻辑递进
价值: ⭐⭐⭐⭐ — 旅行推荐的实际应用价值高