تعد توصيات نقاط الاهتمام (Point-of-Interest) أحد المجالات الرئيسية لتطبيقات الذكاء الاصطناعي، حيث يتطلب ذلك نمذجة تنقل المستخدمين ضمن تسلسل زمني ومكاني يحتوي على عوامل سلوكية متنوعة. في هذا الصدد، تميل الطرق التقليدية إلى ضغط تاريخ المستخدم في تمثيل واحد، مما يؤدي إلى تداخل الإشارات المختلفة مثل أنماط الحركة الروتينية والنوايا قصيرة المدى. وهذا التداخل يقيّد قدرة النظام على التكيف مع السياقات المختلفة.

في هذه الدراسة، تم تقديم إطار ADS-POI كحل مبتكر لمعالجة مشكلة توصيات نقاط الاهتمام، حيث يقدّم طريقة جديدة لفك شيفرة سلوك المستخدم. يعتمد ADS-POI على تمثيل المستخدم من خلال حالات فرعية متعددة متوازية، كل منها يخضع لديناميات انتقال زمانية ومكانية خاصة.

تتمثل الفائدة الأساسية لهذا الإطار في قدرته على تجميع هذه الحالات الفرعية بشكل انتقائي من خلال آلية تعتمد على السياق، مما يُمكّن مكونات السلوك المتنوعة من التطور بسرعات مختلفة، مع الحفاظ على التنسيق وفقًا للسياق الزمني المكاني الحالي. وقد تم اختبار كفاءة هذا النظام عبر ثلاثة مجموعات بيانات حقيقية، حيث أثبت خلال التقييم أنه متفوق على العديد من الحلول الرائجة.

باختصار، يُظهر إطار ADS-POI القدرة على تقديم توصيات نقاط اهتمام أكثر فعالية وقوة من خلال فصل سلوك المستخدم إلى حالات متعددة واعية زمانيًا ومكانيًا. إذا كنت ترغب في استكشاف الكود الخاص بهذه الدراسة، يمكنك زيارة [GitHub](https://github.com/YuZhenyuLindy/ADS-POI.git).