东南亚餐厅位置与交通目的地之间的空间实体解析
内容提要
该文综述了基于知识图谱与机器学习的兴趣点（POI）研究，涵盖：利用时空知识图谱预测用户远期移动；结合预训练语言模型与空间编码器构建稠密检索以回答旅游问题；分析地理与移动性特征对商业成功的预测作用；提出PRIM算法推断POI关系；采用转换关系嵌入与知识图谱嵌入缓解数据稀疏并提升POI推荐；提出STP-UDGAT兼顾个性化偏好与新POI探索；DisenPOI区分顺序与地理影响；Bi-STDDP整合双向时空相关性处理缺失签到；CRESIv2优化城市道路提取与路线计算。
延伸解读
从预测到推荐：POI研究的多元技术路径
文章综述的POI研究覆盖了移动预测、问答检索、商业成功预测、关系推断和推荐系统等多个方向。这些工作分别采用知识图谱、预训练语言模型、图神经网络和矩阵分解等技术，说明POI领域没有单一通用方案，而是针对不同任务（如远期移动预测、稀疏数据推荐、缺失签到处理）设计专门模型。读者可据此理解技术选型需匹配具体问题场景。
数据稀疏与时空上下文是推荐系统的核心挑战
多篇研究明确针对用户-POI数据稀疏性、时空上下文变化和语义信息利用不足等问题。例如，转换关系嵌入与知识图谱嵌入被用于缓解稀疏性，Bi-STDDP处理缺失签到，DisenPOI区分顺序与地理影响。这表明在实际POI推荐中，数据不完整和上下文动态性是主要瓶颈，相关模型改进也围绕这些痛点展开。
探索与利用的平衡：STP-UDGAT的启示
STP-UDGAT模型同时考虑用户个性化偏好和探索新POI，并通过随机游走寻找高阶邻居。这反映了推荐系统中的一个经典权衡：过度依赖历史偏好可能限制新地点发现，而过度探索又可能降低相关性。该模型在六个真实数据集上优于基准，说明在POI推荐中显式建模探索-利用平衡具有实际价值。
道路提取与路线计算：超越最短路径
CRESIv2方法关注城市级别道路提取和路线计算，包含语义特征识别、道路速度限制和行车时间计算，旨在优化路线计算而非简单最短路径距离。实验显示其在使用SpaceNet数据时优于OpenStreetMap标签方法60%以上，并通过APLS和TOPO指标评估。这提示实际导航应用需考虑道路属性和行车时间，而非仅依赖几何距离。
Q&A
如何利用知识图谱预测用户的远期移动？
本文利用空间—时间城市知识图谱中的移动轨迹、特定地点类别信息及时间信息，设计了一个模型来解决基于知识图谱技术的用户远期移动预测问题，提高了预测精确度。实验表明，POI类别作为背景知识和辅助信息可帮助提升预测精度。
旅游问答系统如何匹配问题和兴趣点？
通过使用预训练语言模型和训练空间编码器，本研究提出了一种稠密检索体系结构来回答真实世界旅游问题，其中问题和兴趣点的相关性通过嵌入空间相似性来确定。实验表明该方法在真实世界旅游问答数据集上表现出色，并在所有指标上优于之前的方法。
商业成功与哪些地理和移动性因素有关？
本文探究了基于地理和用户移动性的机器学习特征在商业成功中的预测能力，并通过采集自Foursquare的数据集在纽约城市中研究了不同商业连锁店的普及程度，揭示了商业的成功与多个因素有关。
PRIM算法如何推断POI之间的关系？
PRIM算法通过四个新颖组件：加权的关系图神经网络、分类目录系统、自我注意的空间上下文抽取器和距离特定的评分函数，来探讨地点基础服务中POI之间的关系。在两个真实数据集上的实验显示，PRIM能有效推断多种关系类型中POI之间的关系，并具有鲁棒性和适用性。
如何缓解POI推荐中的数据稀疏性问题？
本研究提出了一种基于转换关系嵌入和知识图谱嵌入技术的POI推荐模型，并构建了基于用户-POI图的组合矩阵分解框架来增强动态个人兴趣的推理，以缓解用户-POI数据稀疏性、时空上下文变化以及语义信息对推荐质量的影响。实验证明该方法具有较好的推荐效果。
STP-UDGAT模型如何平衡个性化偏好和新POI探索？
STP-UDGAT使用新颖的探索-利用模型，同时为用户的个性化偏好和探索新的POI，并通过随机游走来寻找新的高阶POI邻居，以解决POI推荐问题。在六个真实世界数据集上的实验结果显示，该模型明显优于基准线和现有方法。
DisenPOI如何区分顺序和地理影响以改进推荐？
DisenPOI是一种基于双图的POI推荐方法，旨在通过利用顺序和地理关系、自我监督等手段，将这两种影响区分开来，实现更好的POI推荐效果。
Bi-STDDP模型如何处理缺失的签到数据？
Bi-STDDP模型通过整合双向时空相关性和用户动态偏好，识别具有缺失POI签到信息和时间的用户所访问的地点。在三个大规模真实世界数据集上表现出优于最先进方法的显著改进，并可扩展应用于POI推荐和位置预测任务。
CRESIv2如何优化城市道路提取和路线计算？
CRESIv2方法包含语义特征识别以及道路速度限制和行车时间的计算，旨在优化路线计算而非简单的最短路径距离。实验证明，该方法在使用SpaceNet数据集的训练和测试数据时优于使用OpenStreetMap标签的方法60%以上，并通过度量平均路径长度相似度（APLS）和地图拓扑（TOPO）等指标评估了算法性能。
