[論文レビュー] Constructing Top-k Routes with Personalized Submodular Maximization of POI Features.

Hongwei Liang, Ke Wang|arXiv (Cornell University)|Oct 10, 2017

Data Management and Algorithms参考文献 12被引用数 1

ひとこと要約

本稿では、ユーザーの好みに基づいて特徴量と多様性のバランスをとるための、サブモジュラー最適化を用いたパーソナライズドな top-k ルート推薦システムを提案する。インデックス構造とプルーニング戦略を活用することで、移動コスト制約のもとで大規模な POI ネットワークを効率的に探索する。特徴に配慮したインデックス化と制約駆動の探索削減により、最適かつスケーラブルな推薦が実現される。

ABSTRACT

We consider a practical top-k route problem: given a collection of points of interest (POIs) with rated features and traveling costs between POIs, a user wants to find k routes from a source to a destination, that maximally match her needs on feature preferences and can be completed within a travel cost budget. One challenge is dealing with the personalized diversity requirement where each user has a different trade-off between quantity (the number of POIs with a specified feature) and variety (the coverage of specified features). Another challenge is the large scale of the POI network and the great many alternative routes to search. We model the personalized diversity requirement by the whole class of submodular functions, and present an optimal solution to the top-k route problem through an index structure for retrieving relevant POIs in both feature and route spaces and various strategies for pruning the search space using user preferences and constraints. We also present heuristic solutions and evaluate all the solutions on real life POI network data.

研究の動機と目的

• 個々のユーザーの好みに応じて、特徴量と多様性のバランスをとった k 個のパーソナライズドルートを推薦する課題に対処すること。
• 移動コスト予算のもとで多数の代替ルートを含む大規模な POI ネットワークの探索におけるスケーラビリティの課題に対処すること。
• 一般クラスのサブモジュラー関数を用いてパーソナライズドな多様性をモデル化し、好む POI 特徴のカバレッジと数の間での柔軟なトレードオフを可能にすること。
• 特徴空間およびルート空間の両方で関連する POI を高速に取得できる効率的なインデックス構造を設計すること。
• ユーザーの好みと制約を活用して探索空間を削減するプルーニング戦略を開発し、計算効率を向上させること。

提案手法

• 特定の特徴を持つ POI の数とカバーされる特徴の多様性のトレードオフを表すために、サブモジュラー関数を用いてユーザーの好みをモデル化する。
• 特徴空間およびルート空間の両方でユーザーの好みに関連する POI を効率的に取得できる二重インデックス構造を構築する。
• ユーザーが定義した特徴の好みと移動コスト制約に基づくプルーニング技術を適用し、ルート列挙中の探索空間を削減する。
• top-k ルート問題をナップサック制約のもとでのサブモジュラー最大化問題として定式化することで、最適解の計算を可能にする。
• 大規模な POI ネットワークにおけるスケーラビリティを向上させるために、ヒューリスティックな変種を設計するが、高い推薦品質を維持する。
• 実世界の POI ネットワークデータを用いて提案手法の性能と有効性を検証する。

実験結果

リサーチクエスチョン

• RQ1 ユーザーの好みに基づいて、特徴量と多様性のバランスをとったパーソナライズドなルート推薦をどのように生成できるか？
• RQ2 多数の代替ルートを含む大規模な POI ネットワークにおける効率的探索を可能にするインデックスおよびプルーニング戦略は何か？
• RQ3 サブモジュラー関数を用いてユーザーの好みをモデル化することで、top-k ルート推薦の品質と関連性はどのように向上するか？
• RQ4 コスト制約のもとで top-k ルート問題を解く際の最適性とスケーラビリティのトレードオフは何か？
• RQ5 実際の POI データにおいて、提案された最適解とヒューリスティック解は、推薦品質と実行効率の観点でどのように比較できるか？

主な発見

• 提案された最適解は、サブモジュラー関数を用いてユーザーの好みをモデル化することで、パーソナライズドな多様性を効果的にバランスさせ、高品質なルート推薦を保証する。
• インデックス構造は、特徴空間およびルート空間の両方で関連する POI の取得を著しく高速化し、探索のオーバーヘッドを低減する。
• ユーザーの好みとコスト制約に基づくプルーニング戦略は、探索空間を顕著に削減し、計算効率を向上させる。
• ヒューリスティック解は、著しく低い実行時間でほぼ最適な性能を達成しており、大規模な展開に適している。
• 実際の POI ネットワークデータを用いた評価により、提案手法の有効性とスケーラビリティが実用的環境下で確認された。
• 本手法は、多様なユーザーの好みを効果的に処理しながら、移動コスト予算内での実行可能性を維持する強力な性能を示している。