Modeling point-of-Interest (POI) for recommendations is vital in location-based social networks, yet it is a challenging task due to data sparsity and cold-start problems. Most existing approaches incorporate content features into a probabilistic matrix factorization model using unsupervised learning, which results in inaccuracy and weak robustness of recommendations when data is sparse, and the cold-start problems remain unsolved. In this paper, we propose a deep multimodal rank learning (DMRL) model that improves both the accuracy and robustness of POI recommendations. DMRL exploits temporal dynamics by allowing each user to have time-dependent preferences and captures geographical influences by introducing spatial regularization to the model. DMRL jointly learns ranking for personal preferences and supervised deep learning models to create a semantic representation of POIs from multimodal content. To make model optimization converge more rapidly while preserving high effectiveness, we develop a ranking-based dynamic sampling strategy to sample adverse or negative POIs for model training. We conduct experiments to compare our DMRL model with existing models that use different approaches using two large-scale datasets obtained from Foursquare and Yelp. The experimental results demonstrate the superiority of DMRL over the other models in creating cold-start POI recommendations and achieving excellent and highly robust results for different degrees of data sparsity.

为建议建模兴趣点（POI）在基于位置的社交网络中至关重要，但是由于数据稀疏和冷启动问题，这是一项具有挑战性的任务。大多数现有方法使用无监督学习将内容功能合并到概率矩阵分解模型中，当数据稀疏且冷启动问题仍未解决时，这会导致建议的准确性和鲁棒性不足。在本文中，我们提出了一种深度多模式等级学习（DMRL）模型，该模型可以提高POI建议的准确性和鲁棒性。DMRL通过允许每个用户具有与时间相关的偏好来利用时间动态，并通过将空间正则化引入模型来捕获地理影响。DMRL联合学习个人喜好的排名，并监督深度学习模型以从多模式内容创建POI的语义表示。为了使模型优化收敛更快，同时又能保持较高的有效性，我们开发了一种基于排名的动态采样策略来对不利或负面的POI进行采样，以进行模型训练。我们进行实验，以比较我们的DMRL模型与使用从Foursquare和Yelp获得的两个大规模数据集使用不同方法的现有模型。实验结果表明，在创建冷启动POI建议以及针对不同程度的数据稀疏性获得出色且高度鲁棒的结果方面，DMRL优于其他模型。为了使模型优化收敛更快，同时又能保持较高的有效性，我们开发了一种基于排名的动态采样策略来对不利或负面的POI进行采样，以进行模型训练。我们进行实验，以比较我们的DMRL模型和使用从Foursquare和Yelp获得的两个大规模数据集使用不同方法的现有模型。实验结果表明，在创建冷启动POI建议以及针对不同程度的数据稀疏性获得出色且高度鲁棒的结果方面，DMRL优于其他模型。为了使模型优化收敛更快，同时又能保持较高的有效性，我们开发了一种基于排名的动态采样策略来对不利或负面的POI进行采样，以进行模型训练。我们进行实验，以比较我们的DMRL模型与使用从Foursquare和Yelp获得的两个大规模数据集使用不同方法的现有模型。实验结果表明，在创建冷启动POI建议以及针对不同程度的数据稀疏性获得出色且高度鲁棒的结果方面，DMRL优于其他模型。我们进行实验，以比较我们的DMRL模型与使用从Foursquare和Yelp获得的两个大规模数据集使用不同方法的现有模型。实验结果表明，在创建冷启动POI建议以及针对不同程度的数据稀疏性获得出色且高度鲁棒的结果方面，DMRL优于其他模型。我们进行实验，以比较我们的DMRL模型与使用从Foursquare和Yelp获得的两个大规模数据集使用不同方法的现有模型。实验结果表明，在创建冷启动POI建议以及针对不同程度的数据稀疏性获得出色且高度鲁棒的结果方面，DMRL优于其他模型。