[論文レビュー] A Survey of Point-of-interest Recommendation in Location-based Social Networks

Shenglin Zhao, Irwin King+1 more|arXiv (Cornell University)|Jul 3, 2016

Recommender Systems and Techniques参考文献 55被引用数 79

ひとこと要約

本サーベイは、位置ベースのソーシャルネットワーク（LBSNs）におけるポイント・オブ・インタレスト（POI）推薦について包括的な分析を提供し、地理的要因、社会的要因、時間的要因、コンテンツ要因の4つに大別して、既存のアプローチを体系的に分類している。また、統合モデルと共同モデルの2つの手法論、一般POI推薦と逐次POI推薦の2つのタスクタイプについても分類している。物理的制約や異種データの問題といった主な課題を特定し、主要なデータセットと評価指標をレビューした上で、順位ベースのモデルやオンライン推薦システムといった新たなトレンドを強調している。

ABSTRACT

Point-of-interest (POI) recommendation that suggests new places for users to visit arises with the popularity of location-based social networks (LBSNs). Due to the importance of POI recommendation in LBSNs, it has attracted much academic and industrial interest. In this paper, we offer a systematic review of this field, summarizing the contributions of individual efforts and exploring their relations. We discuss the new properties and challenges in POI recommendation, compared with traditional recommendation problems, e.g., movie recommendation. Then, we present a comprehensive review in three aspects: influential factors for POI recommendation, methodologies employed for POI recommendation, and different tasks in POI recommendation. Specifically, we propose three taxonomies to classify POI recommendation systems. First, we categorize the systems by the influential factors check-in characteristics, including the geographical information, social relationship, temporal influence, and content indications. Second, we categorize the systems by the methodology, including systems modeled by fused methods and joint methods. Third, we categorize the systems as general POI recommendation and successive POI recommendation by subtle differences in the recommendation task whether to be bias to the recent check-in. For each category, we summarize the contributions and system features, and highlight the representative work. Moreover, we discuss the available data sets and the popular metrics. Finally, we point out the possible future directions in this area and conclude this survey.

研究の動機と目的

• 位置ベースのソーシャルネットワーク（LBSNs）におけるPOI推薦研究を体系的に行い、空間的・時間的・社会的制約が引き起こす独自の課題に対処すること。
• POI推薦システムを3つの次元で分類すること：影響要因（地理的、社会的、時間的、コンテンツ）、手法論（統合モデルと共同モデル）、タスクタイプ（一般推薦対比逐次推薦）。
• 各カテゴリ内における代表的論文を分析し、主な貢献とシステム的特徴を強調すること。
• 分野で一般的に用いられる標準的なデータセットと性能評価指標（P@N、R@N、Fスコア、相対指標など）を評価・比較すること。
• 順位ベースのモデルやオンライン推薦システムといった新たな研究トレンドや今後の方向性を特定し、POI推薦分野の今後の研究を導くこと。

提案手法

• 地理的情報、社会的関係、時間的ダイナミクス、コンテンツ情報（例：施設の説明文）の4つの主要要因に基づき、POI推薦システムを分類する。
• 手法論を2つの主要タイプに分類する：統合手法（複数の信号を別々に統合）と共同手法（統一フレームワーク内で信号を同時にモデル化）。
• 一般POI推薦（将来のチェックインを広く予測）と逐次POI推薦（最近のチェックインにバイアスをかける）を区別し、タスク固有の特徴を反映する。
• P@N（N位までの正確度）、R@N（N位までの再現率）、Fスコア、相対指標（r-P@N、r-R@N）といった広く用いられる評価指標をレビュー・比較し、ランダムベースラインとの性能差を評価する。
• 協調フィルタリング、コンテンツ特徴、時間的ダイナミクスを活用して精度を向上させるSPoRE、ORec、STELLARといった代表的論文を分析する。
• BPRおよびWARP損失関数を用いた順位ベースの学習技術を導入し、絶対的チェックイン確率の推定ではなく、好みの順序付けを最適化することで、推薦順位の質を向上させる。

実験結果

リサーチクエスチョン

• RQ1 伝統的な推薦システムとは対照的に、LBSNsにおけるPOI推薦に影響を与える主な要因（地理的、社会的、時間的、コンテンツ関連）は何か？
• RQ2 統合モデルと共同モデルの2つの手法論は、チェックイン、社会的つながり、施設コンテンツといった複数の信号を統合する方法でどのように異なるか？
• RQ3 一般POI推薦と逐次POI推薦の主な違いは何か？また、時間的バイアスはモデル設計と性能にどのように影響を与えるか？
• RQ4 POI推薦の性能を測るのに最も適した評価指標は何か？また、r-P@N や r-R@N といった相対指標は、ランダム選択との比較をより公平にするためにどのように機能するか？
• RQ5 順位ベースのモデルやオンライン学習といった新たなトレンドは、現在のオフライン・静的推薦システムの限界を克服する上で、どの程度の可能性を秘めているか？

主な発見

• BPRおよびWARP損失関数を用いた順位ベースのモデルは、絶対的チェックイン確率の推定に比べ、好みの順序付けに焦点を当てることで、POI推薦の目的に合致しており、優れた性能を発揮する。
• r-P@N や r-R@N といった相対指標は、ランダム選択との性能を正規化することで、より公平な比較基準を提供し、モデルの改善度合いをより正確に明らかにする。
• チェックインパターン、ソーシャルネットワーク、施設コンテンツを同時に学習する共同モデルアプローチは、信号を独立して処理する統合手法よりも高い推薦精度を達成する。
• 最近のチェックインにバイアスをかける逐次POI推薦システムは、移動パターンが変化するユーザーに対して優れた性能を示しており、時間的ダイナミクスの重要性を示している。
• マルチアームドバンディットに基づくオンライン推薦モデルは、コールドスタート問題を克服し、ユーザー行動の変化にリアルタイムで適応できるという点で、将来の有望な方向性とされている。
• 本サーベイでは、KDD、SIGIR、AAAI、WWW などのトップカンファレンスから50件以上の主要な研究を特定し、今後のPOI推薦分野の研究基盤を包括的に構築した。