다각적인 시나리오 기반 하이퍼그래프 학습을 통한 다음 방문 위치 추천

Multifaceted Scenario-Aware Hypergraph Learning for Next POI Recommendation

위치 기반 소셜 네트워크(LBSN)에서 제공하는 다양한 서비스 중, 다음 방문 위치(POI) 추천은 사용자 선호도를 추론하는 데 중요한 역할을 합니다. 그러나 기존의 순차적 및 그래프 기반 방법은 종종 뚜렷한 상황적 맥락(예: 관광객과 현지 주민)에서의 중요한 이동 패턴 변화를 간과합니다. 이러한 간과로 인해 다음과 같은 두 가지 근본적인 한계로 인해 최적의 성능을 달성하지 못합니다. 즉, 시나리오별 특징을 포착할 수 없다는 점과, 고유한 시나리오 간의 충돌을 해결하지 못한다는 점입니다. 이러한 한계를 극복하기 위해, 다음 POI 추천을 위한 시나리오 분할 패러다임을 채택하는 다각적인 시나리오 기반 하이퍼그래프 학습 방법(MSAHG) 프레임워크를 제안합니다. 저희의 주요 기여 내용은 다음과 같습니다. (1) 뚜렷한 이동 패턴을 포착하기 위한 시나리오별, 다중 관점 분리 하이퍼그래프 구축; (2) 일반화 능력을 유지하면서 시나리오 간 충돌하는 최적화 방향을 적응적으로 해결하기 위한 파라미터 분할 메커니즘. 세 개의 실제 데이터 세트에 대한 광범위한 실험 결과, MSAHG가 다양한 시나리오에서 최첨단 방법 5가지보다 일관되게 우수한 성능을 보임을 보여주며, 다중 시나리오 POI 추천에서의 효과를 확인했습니다.

Among the diverse services provided by Location-Based Social Networks (LBSNs), Next Point-of-Interest (POI) recommendation plays a crucial role in inferring user preferences from historical check-in trajectories. However, existing sequential and graph-based methods frequently neglect significant mobility variations across distinct contextual scenarios (e.g., tourists versus locals). This oversight results in suboptimal performance due to two fundamental limitations: the inability to capture scenario-specific features and the failure to resolve inherent inter-scenario conflicts. To overcome these limitations, we propose the Multifaceted Scenario-Aware Hypergraph Learning method (MSAHG), a framework that adopts a scenario-splitting paradigm for next POI recommendation. Our main contributions are: (1) Construction of scenario-specific, multi-view disentangled sub-hypergraphs to capture distinct mobility patterns; (2) A parameter-splitting mechanism to adaptively resolve conflicting optimization directions across scenarios while preserving generalization capability. Extensive experiments on three real-world datasets demonstrate that MSAHG consistently outperforms five state-of-the-art methods across diverse scenarios, confirming its effectiveness in multi-scenario POI recommendation.