读后感：
时间不多，略扫一遍。
亮点在于1）问题从POI角度出发来预测用户（但实际是换汤不换药）。
2）方法使用word2vec,但这种思想其实在以前的Metric Embeding已经体现过；至于融入地理信息，感觉其方法过于繁琐。
3）提出的假设与WWO中的基本相同，rate=序列概率*兴趣概率。
问题：
对比实验中，并没有对最新研究方法的对比，如ST-RNN, WWO.
所以，该文章创新性大于贡献性（谁让这是AAAI呢！）。
相关文章：
相似解决方案
热门标签
读后感：
时间不多，略扫一遍。
亮点在于1）问题从POI角度出发来预测用户（但实际是换汤不换药）。
2）方法使用word2vec,但这种思想其实在以前的Metric Embeding已经体现过；至于融入地理信息，感觉其方法过于繁琐。
3）提出的假设与WWO中的基本相同，rate=序列概率*兴趣概率。
问题：
对比实验中，并没有对最新研究方法的对比，如ST-RNN, WWO.
所以，该文章创新性大于贡献性（谁让这是AAAI呢！）。
相关文章：