Efficient Model-Agnostic Continual Learning for Next POI Recommendation
Chenhao Wang, Shanshan Feng, Lisi Chen, Fan Li, Shuo Shang
下一个兴趣点(POI)建议通过根据用户的历史入住情况预测用户的下一个目的地,改进了基于位置的个性化服务。 然而,大多数现有方法都依赖于静态数据集和固定模型,限制了它们随着时间的推移适应用户行为变化的能力。 为了解决这一限制,我们探索了一项名为“持续下一个POI建议”的新任务,其中模型通过持续更新动态地适应不断变化的用户兴趣。 这项任务特别具有挑战性,因为它需要捕捉不断变化的用户行为,同时保留以前学到的知识。 此外,确保更新时间和内存使用的效率对于实际部署至关重要。 为此,我们提出了GIRAM(基于生成密钥的利息检索和自适应建模),这是一个高效的模型无关框架,将上下文感知的持续兴趣与最近的兴趣整合在一起。 GIRAM包括四个组件:(1)保留历史偏好的兴趣存储器;(2)用于统一兴趣密钥表示的上下文感知密钥编码模块;(3)基于生成密钥的检索模块,用于识别各种和相关的持续兴趣;(4)自适应兴趣更新和融合模块,以更新兴趣存储器和平衡持续和最近的兴趣。 特别是,GIRAM可以与现有的下一个POI推荐模型无缝集成。 对三个真实世界数据集的实验表明,GIRAM在更新时间和内存消耗方面始终优于最先进的方法,同时保持高效率。
Next point-of-interest (POI) recommendation improves personalized location-based services by predicting users' next destinations based on their historical check-ins. However, most existing methods rely on static datasets and fixed models, limiting their ability to adapt to changes in user behavior over time. To address this limitation, we explore a novel task termed continual next POI recommendation, where models dynamically adapt to evolving user interests through continual updates. This task i...
