[論文レビュー] CAPS: Context Aware Personalized POI Sequence Recommender System

Ramesh Baral, Tao Li+1 more|arXiv (Cornell University)|Mar 3, 2018

Recommender Systems and Techniques参考文献 5被引用数 6

ひとこと要約

CAPSは、空間的、時間的、カテゴリー的、社会的、およびグローバルなシーケンス特徴といった複数の文脈要因を隠れ層および出力層に統合することで、RNNおよびLSTMを拡張した文脈に配慮した、パーソナライズドPOIシーケンス推薦システムを提案する。これは文脈的な一貫性とシーケンスの多様性を著しく向上させ、実世界のデータセット上で、人気ベースのベースラインと比較して平均移動距離を70％以上削減する。

ABSTRACT

The revolution of World Wide Web (WWW) and smart-phone technologies have been the key-factor behind remarkable success of social networks. With the ease of availability of check-in data, the location-based social networks (LBSN) (e.g., Facebook1, etc.) have been heavily explored in the past decade for Point-of-Interest (POI) recommendation. Though many POI recommenders have been defined, most of them have focused on recommending a single location or an arbitrary list that is not contextually coherent. It has been cumbersome to rely on such systems when one needs a contextually coherent list of locations, that can be used for various day-to-day activities, for e.g., itinerary planning. This paper proposes a model termed as CAPS (Context-Aware Personalized POI Sequence Recommender System) that generates contextually coherent POI sequences relevant to user preferences. To the best of our knowledge, CAPS is the first attempt to formulate the contextual POI sequence modeling by extending Recurrent Neural Network (RNN) and its variants. CAPS extends RNN by incorporating multiple contexts to the hidden layer and by incorporating global context (sequence features) to the hidden layers and the output layer. It extends the variants of RNN (e.g., Long-short term memory (LSTM)) by incorporating multiple contexts and global features in the gate update relations. The major contributions of this paper are: (i) it models the contextual POI sequence problem by incorporating personalized user preferences through multiple constraints (e.g., categorical, social, temporal, etc.), (ii) it extends RNN to incorporate the contexts of individual item and that of the whole sequence. It also extends the gated functionality of variants of RNN to incorporate the multiple contexts, and (iii) it evaluates the proposed models against two real-world data sets.

研究の動機と目的

• 任意のまたは文脈的に一貫性のない場所リストを生成する既存のPOI推薦手法におけるギャップを解消すること。
• 複数の動的文脈（時間、空間、カテゴリ、社会的要因など）を組み込んだシーケンスモデリング問題として、パーソナライズドPOIシーケンス推薦を定式化すること。
• 個々のPOIの文脈とグローバルなシーケンスレベルの制約（距離、時間、出発／到着地点など）をモデル化することで、推薦品質を向上させること。
• 多面的なユーザーの好みと現実世界の旅行制約を処理できるように、RNNおよびLSTMを拡張するディープラーニングフレームワークを開発すること。
• 実世界のLBSNデータ上でモデルを評価し、文脈的一貫性、多様性、空間的効率性において優位性を示すこと。

提案手法

• 空間的、時間的、カテゴリー的、社会的といった複数の文脈ベクトルを隠れ層状態に統合することで、標準的なRNNおよびLSTMアーキテクチャを拡張する。
• 長距離依存性をモデル化するため、グローバルなシーケンス文脈（例：総旅行時間、出発／到着POI）を隠れ層および出力層に統合する。
• セル状態および隠れ層状態の更新時に複数の文脈特徴を組み込むように、LSTMのゲートメカニズム（入力ゲート、忘却ゲート、出力ゲート）を変更する。
• すべての時刻ステップにわたって伝播される共有文脈表現ベクトルを用いることで、シーケンス全体にわたる文脈的一致性を維持する。
• ユーザー固有の制約および文脈的制約の下で次に訪れるPOIの予測を最適化するように、エンド・ツー・エンドで学習する。
• ユーザーのチェックイン履歴、POIのカテゴリー、タイムスタンプ、空間的近接性を密度ベクトルにエンコードするための特徴工学的手法を適用する。

実験結果

リサーチクエスチョン

• RQ1 時間、空間、カテゴリ、社会的文脈といった複数の文脈要因を統合することで、ディープラーニングモデルがパーソナライズドPOIシーケンスを効果的にモデル化できるか。
• RQ2 出発／到着地点、総旅行時間といったグローバルなシーケンスレベルの特徴を組み込むことで、推薦されたPOIシーケンスの文脈的一致性と現実性はどのように向上するか。
• RQ3 提案されたRNNおよびLSTMの文脈に配慮した拡張手法が、標準モデルおよび人気ベースのベースラインに対して、どの程度シーケンス推薦品質で優れているか。
• RQ4 時間的要因と空間的要因といった異なる文脈タイプが、多様で地理的に妥当な旅行計画を生成する能力にどのように影響を与えるか。
• RQ5 異なるチェックインパターンと好みを持つユーザーに対して、文脈的一致性と低移動距離を維持しながら、一般化できるか。

主な発見

• CAPS-LSTMは、ユーザーu₁において平均移動距離を19.36 km（人気モデル）から5.02 kmに、ユーザーu₂において20.03 kmから5.61 kmにまで削減し、優れた空間的一致性を示した。
• モデルはより高いシーケンス多様性を達成し、人気ベースのモデルが3つのカテゴリーであるのに対し、推薦シーケンスでは4つの異なるカテゴリーを含むようになった。特にシーケンス長が延びるにつれて顕著に改善した。
• CAPS-RNNおよびCAPS-LSTMは、すべてのベースラインを上回るシーケンスレベルの評価指標を達成し、文脈的一致性とユーザーの好みへの適合性が優れていることを示した。
• モデルはより大きなデータセットでも優れた性能を発揮したため、十分な学習データがあれば実世界への展開に適したスケーラビリティを示した。
• グローバルなシーケンス特徴（例：旅行予算、出発／到着POI）を組み込むことで、生成された旅行計画の現実性と実現可能性が著しく向上した。
• 事例研究により、CAPSはユーザー行動パターンに基づいて企業のオフィスやナイトスポットを含む、より文脈的に関連性の高いパーソナライズドなシーケンスを生成できることを確認した。