[論文レビュー] A Neural Network Approach to Joint Modeling Social Networks and Mobile Trajectories

Cheng Yang, Maosong Sun+3 more|arXiv (Cornell University)|Jun 27, 2016

Human Mobility and Location-Based Analysis参考文献 61被引用数 10

ひとこと要約

本稿では、場所ベースのソーシャルネットワーク（LBSNs）におけるユーザのトラジェクトリとソーシャルコネクションを共同でモデリングするため、ソーシャルネットワーク埋め込みと再帰ニューラルネットワーク（RNN）を統合した共同ニューラルネットワークモデル、JNTMを提案する。RNNおよびGRUを用いてユーザの好み、友人の影響、短期的および長期的順序的文脈を活用することで、データスパarsity下でも、次回の場所および友達推薦の精度が向上する。

ABSTRACT

The accelerated growth of mobile trajectories in location-based services brings valuable data resources to understand users' moving behaviors. Apart from recording the trajectory data, another major characteristic of these location-based services is that they also allow the users to connect whomever they like. A combination of social networking and location-based services is called as location-based social networks (LBSN). As shown in previous works, locations that are frequently visited by socially-related persons tend to be correlated, which indicates the close association between social connections and trajectory behaviors of users in LBSNs. In order to better analyze and mine LBSN data, we present a novel neural network model which can joint model both social networks and mobile trajectories. In specific, our model consists of two components: the construction of social networks and the generation of mobile trajectories. We first adopt a network embedding method for the construction of social networks: a networking representation can be derived for a user. The key of our model lies in the component of generating mobile trajectories. We have considered four factors that influence the generation process of mobile trajectories, namely user visit preference, influence of friends, short-term sequential contexts and long-term sequential contexts. To characterize the last two contexts, we employ the RNN and GRU models to capture the sequential relatedness in mobile trajectories at different levels, i.e., short term or long term. Finally, the two components are tied by sharing the user network representations. Experimental results on two important applications demonstrate the effectiveness of our model. Especially, the improvement over baselines is more significant when either network structure or trajectory data is sparse.

研究の動機と目的

• 場所ベースのソーシャルネットワーク（LBSNs）におけるソーシャルネットワーク構造とモバイルトラジェクトリデータを共同でモデリングする課題に対処すること。
• ソーシャル関係と移動パターンの間の相関関係を捉えることで、特に次回の場所推薦および友達推薦という推薦タスクの精度を向上させること。
• ソーシャルモデリングとトラジェクトリモデリングの両コンponentsで共有されるユーザ表現を統合した、包括的なディープラーニングフレームワークを構築すること。
• ソーシャルデータまたはトラジェクトリデータのいずれかが限られているようなデータスパarsity下でのモデルの有効性を調査すること。
• RNNおよびGRUアーキテクチャを用いて、トラジェクトリ生成における短期的および長期的順序的文脈の統合を検討すること。

提案手法

• ネットワーク埋め込み技術を用いて、ソーシャル関係を低次元ベクトルに符号化することで、ユーザのソーシャルネットワーク表現を構築する。
• ユーザの訪問好み、友人の影響、短期的順序的文脈、長期的順序的文脈の4要因を統合的に考慮することで、モバイルトラジェクトリ生成をモデリングする。
• チェックインシーケンスにおける短期的順序的依存関係を捉えるために、再帰ニューラルネットワーク（RNN）を採用する。
• ユーザトラジェクトリにおける長期的順序的パターンをモデル化するために、ゲーテッド再帰ユニット（GRU）を用いる。
• 両モジュール間で同じユーザネットワーク表現を共有することで、ソーシャルネットワークとトラジェクトリ生成のコンポーネントを統合する。
• トラジェクトリ生成とソーシャルリンク予測の両方を最適化するための共同目的関数を用いて、エンドツーエンドのモデルを学習する。

実験結果

リサーチクエスチョン

• RQ1 統合されたニューラルネットワークモデルは、LBSNsにおけるソーシャル関係と移動パターンの相互作用を効果的に捉えることができるか？
• RQ2 ユーザの訪問好み、友人の影響、および短期的および長期的順序的文脈が、共同でトラジェクトリ予測性能にどのように寄与するか？
• RQ3 ソーシャルデータとトラジェクトリデータを共同でモデリングすることで、特に1つのモダリティがスパースな状況下でも推薦精度が向上するか？
• RQ4 RNNおよびGRUコンponentsが、ユーザトラジェクトリにおける順序的パターンのモデリングにどの程度寄与しているか？
• RQ5 次回の場所推薦および友達推薦タスクにおいて、最先端のベースラインと比較して、モデルの性能はどの程度か？

主な発見

• 提案されたJNTMモデルは、次回の場所推薦および友達推薦の両タスクにおいて、複数の競合ベースライン手法を一貫して上回る性能を示した。
• ソーシャルネットワーク構造またはトラジェクトリデータのいずれかがスパースな状況下でも、ベースラインとの差が顕著に大きくなることから、データ不足に強く、耐性があることが示された。
• Gowallaデータセットにおいて、JNTMは次回の場所推薦で約0.85のリCALLを達成し、埋め込み次元数が25から100の間で安定した性能を示した。
• JNTMのメモリ使用量は約1,125 MBであり、これはPRME（550 MB）の約2倍である。これは、1ユーザあたり友達関係と好みの2つの表現を保持しているためである。
• JNTMのトレーニング時間はCPUで約107分であるが、GPUアクセラレーションにより12倍短縮され、Tesla K40を用いることで約9分にまで短縮された。
• 1回の予測における推論時間は30ms未満であり、リアルタイムのオンライン推薦サービスに適した性能を有している。