基于用户行为惯性的时空下一地点（POI）推荐模型

为什么你常去的地方总是会出现

任何使用地图或点评类应用的人都见过同样的咖啡馆、健身房或公园默默地排在建议列表前列。本文探讨了为何我们的日常习惯使这些推荐变得出人意料地可预测，以及更精巧的数学方法如何将零散的签到数据转化为更有用、而非随意的下一个去处建议。

我们去向背后的习惯

作者从一个简单观察出发：人们很少随机选择下一个去处。日常生活由吃饭、通勤、休闲或外出等目的驱动。随着时间推移，为相同目的反复前往类似地点会形成作者所称的行为惯性，这是一种指向熟悉地点的默认拉力。与此同时，现实生活并不总是如此整齐——一天中的时间、距离以及尝试新地方的冲动都会将人们从常去的选择中拉开，成为对惯性的阻力。挑战在于同时捕捉这两种倾向，从而让推荐系统能更可靠地猜测用户的下一个去处。

按日常目的对地点进行排序

一个障碍是，即使是流行的基于位置的应用，对任何单个用户的数据也非常稀疏；每个用户只访问所有场所的一小部分。为缓解这一问题，研究者将兴趣点归为四类宽泛且直观的目的：餐饮、交通与住宿、外出娱乐和户外活动。若某地点兼具多种功能，比如既是酒吧又是餐馆，则可以属于多个组。从每个用户的历史记录中，他们建立的是目的时间线而不是原始坐标。简单的时间序列技术估计用户最可能何时会追求每种目的，这在进行精细评分前大幅缩小了候选地点集合。

结合距离与习惯强度

在猜测出用户可能的目的之后，模型转向地理与习惯。人们倾向在几个熟悉的区域内活动，其中关键地点（如家或办公室）充当中心。系统利用过去的签到数据学习这些中心的位置以及附近各地点的访问频次。靠近用户常去地点的位置会得到自然的加分，反映出出行更远所需的额外代价。同时，模型通过观察某人多规律地回访同一地点以及访问间隔通常有多长，来衡量行为惯性。它还考虑用户为同一目的尝试了多少不同场所：总是去同一家餐馆的习惯性强者，与经常尝新的人的行为不同，即便双方外出就餐的频率相近。

在舒适区与好奇心之间取得平衡

该方法的核心是将惯性与阻力视为相互竞争的力量。如果用户经常以稳定的时间间隔返回某地，模型就会假设有强烈的回访拉力，尤其是在下次预测访问窗口临近时。对于很少被访问的地点，系统会检查它们是否靠近用户当前位置，以及是否属于用户愿意探索的更广类别。这样就能不仅推荐显而易见的常去之地，还能在熟悉的街区中提出合理的新选择。每个候选地点的最终得分融合了三部分要素：预测目的、地理接近性以及学得的行为惯性与阻力的强度。

这些更智能的猜测真的有效吗

为检验他们的方法，作者将其应用于近一年的纽约和东京真实签到数据。他们将模型与大量现有方法进行了比较，包括依赖社交网络、深度学习和详细序列建模的技术。在两个城市中，他们基于行为惯性的模型在关键准确度指标上实现了高达约15%的召回率提升和约20%的排序指标（MAP）提升。简单来说，系统不仅更频繁地找到正确的下一个地点，而且更倾向于将其排在建议列表的更靠前位置，从而更容易被用户注意到。

这对未来推荐意味着什么

对于日常用户而言，结论是更好的推荐来源于理解我们去向的原因，而不仅仅是地点与时间。通过认识到人们遵循由目的、习惯与小幅探索欲望塑造的松散常规，该模型提供了一种建议下一个去处的方式，让建议更直观且更合时宜。作者建议未来工作可以随着更多数据到来动态调整惯性与阻力之间的平衡，并将其与现代深度学习结合，从而赋予基于位置的服务更具人性化的舒适区与好奇心感知。

引用: Zhang, K., Chu, D., Tu, Z. et al. A user behavior inertia based spatio temporal next POI recommendation model. Sci Rep 16, 15784 (2026). https://doi.org/10.1038/s41598-026-42191-x

关键词: 下一地点推荐, 用户行为惯性, 基于位置的服务, 时空建模, 移动模式