智能手机和基于位置的社交网络的广泛应用导致了海量时空数据的涌入，为改进兴趣点(POI)推荐系统创造了前所未有的机遇。这些先进的POI系统对于丰富用户体验、实现个性化互动以及优化数字环境中的决策过程至关重要。然而，现有的综述往往侧重于传统方法，很少深入探讨POI推荐领域的尖端发展、新兴架构以及安全问题。为了弥补这一差距，这篇综述通过提供对POI推荐系统全面且最新的回顾脱颖而出，涵盖了模型、架构和安全方面的进步。我们系统地考察了从传统模型到先进技术（例如大型语言模型）的转变。此外，我们还探讨了从集中式到分散式和联邦学习系统的架构演变，突出了可扩展性和隐私方面的改进。此外，我们还探讨了安全日益增长的重要性，研究了潜在的漏洞和隐私保护方法。我们的分类法提供了对当前POI推荐现状的结构化概述，同时我们也指出了这一快速发展领域未来研究的有前景的方向。
研究领域：时空数据，大语言模型，社交网络，数据安全，POI推荐
张倩茹，杨鹏，余俊良，汪海昕，贺兴伟，姚兆明，阴红志|作者
研究背景
POI推荐研究在过去十年中取得了显著进展，研究人员不断在三个维度上突破界限：模型、架构和安全。
模型演变：从传统到先进。在早期阶段，POI推荐系统主要依赖于潜在因子模型，如潜在狄利克雷分配(LDA)[16]和矩阵分解(MF)[17]来模拟动态用户行为[18,19]。虽然这些方法提供了初步的解决方案，但它们在捕捉用户-POI交互的复杂模式方面受到限制。深度学习的出现标志着一次变革性的转变，长短期记忆(LSTM)网络[20]和Transformer架构[21]等模型被证明更能够捕捉全局特征和用户行为的动态序列。伴随着深度学习革命，图神经网络(GNN)的探索被证明特别适合于学习POI推荐中的表示[22-24]。GNN擅长捕捉用户和POI之间的复杂依赖关系，从而实现更细致的推荐。最近，该领域随着尖端技术的整合而取得了快速发展，例如大型语言模型(LLM)[25]、扩散模型(DM)[26,27]和自监督学习(SSL)[28]。这些创新显著提高了推荐精度，使系统能够更好地模拟用户偏好。
架构转变：从集中式到分散式及其他。最初，POI推荐系统主要是在服务器端[29,30]，依靠集中式处理来管理数据和训练模型。然而，这种集中式方法很快面临挑战，尤其是在可扩展性和延迟方面，因为对实时推荐日益增长的需求给系统性能带来了压力。为了解决这些问题，边缘计算的采用应运而生，将计算转移到更靠近用户设备的地方。这种转变通过减少对云基础设施的依赖，提高了响应速度和实时能力。在此基础上，联邦学习[31]的最新进展引入了一种分散的模型训练方法。通过在多个设备上分配训练，联邦学习不仅提高了系统的可扩展性，而且通过将用户数据保存在本地并降低集中式数据处理的风险，提供了更强的隐私保护。
虽然现有的综述[36-39]为POI推荐系统提供了宝贵的见解，但仍然迫切需要一篇全面的综述来反映POI模型、架构和安全方面的快速发展。例如，虽然Zhao等人[39]对使用矩阵分解等传统技术的POI推荐进行了全面的回顾，但深度POI推荐系统中日益增长的挑战并未涵盖。相比之下，Wang等人[36]对深度学习时代各种POI推荐方法进行了概述，但他们并没有深入探讨随着分散式系统兴起而出现的架构和安全挑战以及实际的隐私问题。同样，Islam的综述[37]强调了深度学习对POI推荐的影响，但它忽略了联邦学习和边缘计算的关键进展，而这些进展正日益影响着这些系统的部署。此外，Werneck的综述[38]详细介绍了2017年至2019年的POI推荐技术，为当时方法的演变提供了宝贵的见解，但它缺乏对GNN和LLM等最新进展的报道，这些进展不仅带来了强大的用户建模能力，而且带来了密集计算和可扩展性问题。总而言之，文献中关于尖端模型、架构演变和安全问题的明显差距如表1所示。
Taxonomy
本文区别于现有POI推荐综述之处在于，它采用了一种强调三个关键且相互关联的方面——模型、架构和安全——的整体方法。如图figure2所示，这一三方框架作为一种全面的分类法，用于系统地分析和比较各种POI推荐系统。为了进一步阐明研究现状，我们在figure1(a)中展示了现有研究在这三个类别中的分布。该图强调了一个明显的趋势：改进POI推荐模型的方法主导了该领域，占总研究工作的75%以上。这一重点反映了在POI推荐中提高准确性、个性化和上下文感知的持续挑战。另一方面，针对POI推荐中安全问题的研究仍然代表性不足，约占现有研究的8%。鉴于保护用户隐私、防御对抗性攻击以及确保基于位置的服务中的数据完整性日益重要，这突出了文献中的一个重大差距。相比之下，关于架构的研究（弥合了模型和实际部署之间的差距）占据了剩余部分，表明其在确保POI推荐的可扩展性、效率和响应能力方面至关重要，但却经常被忽视。在本节的其余部分，我们将沿着这三个维度展开分类法的介绍。
方法
架构
在本节中，我们将举例说明，包括基于集中式、基于分散式和基于联邦学习的架构。分别如下图所展示：
安全
在本节中，我们将举例说明安全问题，包括POI推荐系统中的数据完整性威胁和用户隐私保护。部分如下图所示：
未来的方向
随着POI推荐系统不断发展，在模型、架构和安全三个关键维度上，大量的创新机会将持续涌现。通过整合尖端的模型结构，采用灵活的架构，并加强安全措施，POI推荐系统的未来有望更加适应性强、个性化，并能够应对新兴挑战。下面，我们将概述将在这些关键方面塑造这些系统发展的关键未来方向。
通过采用这些不同的研究方向，并利用尖端技术和方法，POI推荐领域有望彻底改变用户在数字环境中发现和参与兴趣点的方式。