1. 研究目的与意义
近年来，智能设备的快速普及以及无线网络技术的迅速发展使得人们的生活越来越便捷，人们可以更方便的获取带有地理位置标志的信息从而进行签到或者实现信息共享。智能设备和软件允许用户间彼此建立联系，同时能够相互交流、分享经验，由此使得社交网络中产生了大量的信息，比如时间、空间、社交关系、文本、图像、微视频等，这些可用信息为实现基于位置的个性化的推荐系统奠定了良好的基础。POI推荐的工作就是，它不仅能够快速有效的帮助用户找到满意的饭店、宾馆、娱乐场所、旅游景点等，同时也使这些人们感兴趣的地点与场所能够吸引更多的用户去接受它们的服务。把LBSN 活动中收集到的大量数据进行处理，并利用用户在 LBSN中产生的历史活动记录对用户的行为偏好进行学习，最终获得满足用户个性化需要的合适的POI位置或服务。
然而，面对这海量的数据信息，“信息过载”问题短时间内还得不到有效处理，用户时常在耗费巨额的时间与精力的前提下，仍然无法选择合适的POI或其服务，比如选择一个中意的餐厅。同时，海量的数据中也蕴藏着丰富的可利用资源，拥有着巨大的商用价值和实用价值。POI的推荐系统利用社交网中用户交互产生的丰富的数据信息，比如时间、空间、社交关系、文本、图像、微视频等，不仅能够帮助用户快速找到合适的POI服务，探寻新的位置，而且对POI 的所有者而言，也能够帮助他们发现更多优质的潜在的客户，获得更大的经济收益叫。因此，如何依靠形形色色的数据资源快速有效的挖掘出用户的兴趣，满足用户的个性化需要成为学术界、工业界共同感兴趣的课题。
2. 研究内容和预期目标
近些年来，POI 推荐工作受到了广泛关注，同时也面临更多的挑战。第一，对于用户而言，所谓“选择”并非是一个简单的即时决定，它可能是一个复杂的决策过程，会受到众多因素的影响。第二，不同的影响因素可能来自于不同的数据源，如何在同一个模型中对不同的数据源进行有效处理是一个更复杂的过程，比如如何利用社交关系、时间、文本、图像等进行融合。第三，POI推荐与用户在 POI上的签到数据有直接关系，当签到数据过分稀疏时会对推荐结果造成严重影响。面对成千上万的POI，用户真实的签到数据往往是极其稀少的，这极大的增加了POI 推荐工作的难度。第四，社交网络每天产生的数据的体量之大、产生速度之快、种类之繁多使数据处理愈加困难。庞大的数据使得信息处理速度过慢，很难满足用户的实时需求，需要有新的技术或方法满足现实需求。第五，传统的POI 推荐已不能满足用户的个性化需要。如何更真实的贴近用户所需，针对用户当前位置等进行连续的 POI 推荐已成为用户个性化推荐的新目标，比如旅游路线的制定等。
用户-项目可以构成二部图(Bipartite Graph)，用户与用户之间可以构成杜交网络(Social Network)，项目与项目之间可以存在知识图谱(Knowledge Graph)，另外把这几者都考虑进去可以构成异质图(Heterogeneous Information Network)，再把时间因素考虑进来而产生的动态演化而构成动态图(Dynamic Graph).所以推荐系统中许多形式的数据都可以表示成图，将强大的GNN应用到推荐领域具有广阔的前景。
3. 国内外研究现状
1. 协同过滤作为推荐系统中应用最早、最成功的技术之一，时至今日依然受到广大研究者的爱戴。它的基本思想是利用相似用户或者相似的项目做关联，用它们对产品的评分或评价来推测自身的评分或评价的结果。传统的推荐系统仅利用用户与项目之间的评分，根据用户的历史购买评价或者购买记录等进行推荐。
2. 2011年斯坦福大学的Cho教授指出，众多用户时常在相同的时间访问相同的位置，这种变化呈一个周期性变化规律。Cho等人利用高斯分布模拟用户在家或是在工作地点随时间变化的分布情况，用以建模周期性移动模型 PMM 的时间部分。早期的一些研究关注了时间周期性的变化的规律，一定程度上使推荐系统的性能有所提高，但并不能很好满足个体用户的个性化需求。
3. 用衰减函数模拟用户在时间上的不同行为偏好。2005年 Ding 等人认为用户购买物品时的兴趣与临近时间的行为最相关，时间上越接近，购买行为越相似。他们利用一个时间衰减函数作为权重调节整个推荐模型，提高了基于项目的协同过滤的推荐系统的性能。次年，他们又提出一种基于项目的协同过滤方法，设计了一个关于时间的衰减系数，并通过对物品预估的错误分配权重来建立对物品的打分。
4. 计划与进度安排
1. 以论文题目为核心，对相关资料进行收集和翻阅,对已搜集的资料加以整理，论证分析论文的可行性、实际性,明确自己的研究具体内容。
2. 整合已有资料、构筑论文的大纲内容。
3. 对图神经网络进行深入研究，分析图神经网络算法的特点和不足，了解相关应用问题。
5. 参考文献
[1] Quadrana M ,Karatzoglou A , Hidasi, Balzs, et al. Personalizing Session-based Recommendations with Hierarchical Recurrent Neural Networks[C]// the Eleventh ACM Conference. ACM, 2017.
[2] Li Z ,Zhao H ,Liu Q , et al. Learning from History and Present: Next-item Recommendation via Discriminatively Exploiting User Behaviors[C]// Acm Sigkdd International Conference. ACM, 2018.
[3] Kung A ,Lau S . Interferon-gamma suppresses human thyroglobulin promotor activity via a trans-acting protein[J]. International Congress of Endocrinology, 1996.
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
