[論文レビュー] A Location-Sentiment-Aware Recommender System for Both Home-Town and Out-of-Town Users

Hao Wang, Yanmei Fu+4 more|arXiv (Cornell University)|Jun 20, 2017

Human Mobility and Location-Based Analysis参考文献 23被引用数 7

ひとこと要約

本論文では、ユーザーの関心の地理的変化とレビューからのコアの感情を統合的にモデル化することで、出身地および外出先のユーザーの両方における空間的アイテム推薦を向上させる、潜在的確率的生成モデルLSARSを提案する。場所に適応したユーザー関心、感情に適応したアイテム表現、および地域の集団的好みを統合することで、外出先の状況におけるデータスパarsityを効果的に軽減し、2つのスケールのLBSNデータセットにおいて最先端の手法を上回る性能を示した。

ABSTRACT

Spatial item recommendation has become an important means to help people discover interesting locations, especially when people pay a visit to unfamiliar regions. Some current researches are focusing on modelling individual and collective geographical preferences for spatial item recommendation based on users' check-in records, but they fail to explore the phenomenon of user interest drift across geographical regions, i.e., users would show different interests when they travel to different regions. Besides, they ignore the influence of public comments for subsequent users' check-in behaviors. Specifically, it is intuitive that users would refuse to check in to a spatial item whose historical reviews seem negative overall, even though it might fit their interests. Therefore, it is necessary to recommend the right item to the right user at the right location. In this paper, we propose a latent probabilistic generative model called LSARS to mimic the decision-making process of users' check-in activities both in home-town and out-of-town scenarios by adapting to user interest drift and crowd sentiments, which can learn location-aware and sentiment-aware individual interests from the contents of spatial items and user reviews. Due to the sparsity of user activities in out-of-town regions, LSARS is further designed to incorporate the public preferences learned from local users' check-in behaviors. Finally, we deploy LSARS into two practical application scenes: spatial item recommendation and target user discovery. Extensive experiments on two large-scale location-based social networks (LBSNs) datasets show that LSARS achieves better performance than existing state-of-the-art methods.

研究の動機と目的

• 限られたユーザーのチェックイン記録による外出先の空間的アイテム推薦におけるデータスパarsityの課題に対処すること。
• ユーザーが不慣れな地域を訪問する際、静的な出身地の関心を超えて、関心の変化（関心の地理的シフト）をモデル化すること。
• ユーザーのレビューからのコアの感情をチェックイン意思決定に与える主な要因として統合し、推薦の関連性を向上させること。
• 統合的生成フレームワーク内でコンテンツ、感情、地理的要因を統合することで、推薦性能を向上させること。
• 空間的アイテム推薦とLBSNにおけるターゲットユーザー発見という2つの実用的応用を支援すること。

提案手法

• LSARSは、出身地および外出先の両地域におけるユーザーのチェックイン行動を模倣するため、潜在クラス確率的生成モデルを採用する。
• 空間的アイテムのコンテンツとユーザーのレビューから導出される潜在トピックを用いてユーザー関心をモデル化し、地域特有の好みに適応する。
• 空間的アイテムの全レビューからの感情スコアを集約することでコアの感情を捉え、チェックインの確率に直接影響を与える。
• 地域のユーザーのチェックインパターンを組み込むことで、公共の好みを推定し、外出先ユーザーのデータスパarsityを軽減する。
• 行列分解とマルチセンター正規分布モデルを組み合わせて、地理的影響とユーザー・アイテムの相互作用を表現する。
• 変分推論を用いてエンタープライズで訓練し、潜在変数を推定するとともに、推薦性能を最適化する。

実験結果

リサーチクエスチョン

• RQ1 ユーザーが不慣れな地理的地域に訪れる際、推薦システムはどのようにして関心の変化を効果的にモデル化できるか？
• RQ2 ユーザーのレビューからのコアの感情は、チェックイン行動にどの程度影響を与え、推薦精度を向上させるか？
• RQ3 チェックインデータからの地域の集団的好みを統合することで、外出先ユーザーのデータスパarsityを軽減できるか？
• RQ4 LSARSモデルは、出身地および外出先の両方の推薦状況において、最先端の手法と比較してどの程度優れているか？
• RQ5 LSARSは、空間的アイテム推薦やターゲットユーザー発見といった実世界のタスクに効果的に応用できるか？

主な発見

• LSARSは、2つのスケールのLBSNデータセットにおいて、既存の最先端手法を著しく上回り、出身地および外出先の両状況で優れた性能を示した。
• 出身地のターゲットユーザー発見において、R=70、K=70の条件下でaccuracy@5が0.039に達し、関連ユーザーを効果的に特定できることを示した。
• 外出先のターゲットユーザー発見において、R=70、K=70の条件下でaccuracy@5が0.0033に達し、極めてスパースなデータ状況下でも有効性を示した。
• コアの感情と地域の好みの統合により、特に活動が少ない地域においても、より正確で文脈に適した推薦が可能になった。
• アブレーションスタディの結果、ユーザー関心の変化モデル化と感情統合の両方が、性能向上に顕著な寄与をしていることが確認された。
• 地域のユーザー行動パターンと感情に適応した表現を活用することで、LSARSは外出先の状況におけるコールドスタートおよびスパarsity問題を効果的に処理した。