[論文レビュー] DisenPOI: Disentangling Sequential and Geographical Influence for Point-of-Interest Recommendation

Yifang Qin, Yifan Wang+7 more|arXiv (Cornell University)|Oct 29, 2022

Recommender Systems and Techniques被引用数 5

ひとこと要約

本稿では、二重のグラフと対照的学習を用いて順序的要因と地理的要因を分離する、新しいグラフニューラルネットワークフレームワークであるDisenPOIを提案する。ユーザーのチェックイン順序と空間的近接性を別々にモデル化し、好みの代理変数を用いた自己教師付き対照的損失を適用することで、3つの実世界データセットにおいて優れた推薦精度と解釈可能性を達成した。

ABSTRACT

Point-of-Interest (POI) recommendation plays a vital role in various location-aware services. It has been observed that POI recommendation is driven by both sequential and geographical influences. However, since there is no annotated label of the dominant influence during recommendation, existing methods tend to entangle these two influences, which may lead to sub-optimal recommendation performance and poor interpretability. In this paper, we address the above challenge by proposing DisenPOI, a novel Disentangled dual-graph framework for POI recommendation, which jointly utilizes sequential and geographical relationships on two separate graphs and disentangles the two influences with self-supervision. The key novelty of our model compared with existing approaches is to extract disentangled representations of both sequential and geographical influences with contrastive learning. To be specific, we construct a geographical graph and a sequential graph based on the check-in sequence of a user. We tailor their propagation schemes to become sequence-/geo-aware to better capture the corresponding influences. Preference proxies are extracted from check-in sequence as pseudo labels for the two influences, which supervise the disentanglement via a contrastive loss. Extensive experiments on three datasets demonstrate the superiority of the proposed model.

研究の動機と目的

• 順序的要因と地理的要因が混同されているPOI推薦の課題に対処すること。
• ユーザーのチェックインパターンにおける2つの主要因（順序的行動と空間的近接性）を明示的に分離すること。
• 専用のグラフ構造と自己教師付き対照的学習を用いて、これらの要因を別々にモデル化することで推薦品質を向上させること。
• 各要因タイプの寄与を明確にするために、分離された表現を学習することで解釈可能性を向上させること。
• 3つのベンチマークデータセットを用いた広範な実験を通じて、提案手法の有効性を検証すること。

提案手法

• ユーザーのチェックイン順序に基づく順序的グラフと、POI間の物理的近接性に基づく地理的グラフの2つの別々のグラフを構築する。
• 各グラフ内で意味的差を保つために、順序に敏感なおよび地理に敏感なグラフ伝搬メカニズムを設計する。
• チェックイン順序から好みの代理変数を生成し、自己教師付き対照的学習のための擬似ラベルとする。
• 同じ要因タイプの表現を一致させると同時に、異なる要因タイプの表現を分離するため、対照的損失（$\mathcal{L}_{\text{con}}$）を適用する。
• 2本のブランチエンコーダアーキテクチャを用いて、2つのグラフからの分離されたユーザーおよびPOI埋め込みを学習する。
• 最終的なPOI推薦のための予測層に、分離された表現を統合する。

実験結果

リサーチクエスチョン

• RQ1 二重グラフフレームワークは、POI推薦における順序的要因と地理的要因の分離を効果的に実現できるか？
• RQ2 好みの代理変数を用いた自己教師付き対照的学習は、要因タイプの分離をどのように向上させるか？
• RQ3 提案手法は、推薦精度と解釈可能性の両面で既存のモデルを上回るか？
• RQ4 非地理的モデルと比較して、推薦されたPOIの地理的近接性はユーザー行動とどの程度相関しているか？
• RQ5 訓練プロセスはハイパーパrameterスケジューリングに敏感であり、カリキュラム学習戦略が性能向上に寄与するか？

主な発見

• DisenPOIは、Gowalla、Brightkite、Foursquareの3つの実世界データセットで最先端の性能を達成し、リCALLおよびNDCG指標の両面で既存手法を上回った。
• アブレーションスタディの結果、対照的損失（$\mathcal{L}_{\text{con}}$）が分離を顕著に向上させていることが確認され、t-SNE可視化におけるクラスタ構造が明確になった。
• DisenPOIは、ユーザーの現在の経路から平均して2.41 kmの距離にあるPOIを推薦しているのに対し、DINは5.97 kmであった。これは、地理的関連性が強いことを示している。
• トップ50の推薦で正しく分類されたPOIの正解率が29.6%に達し、DINの28.3%を上回った。これは、ユーザーの意図に合った推薦が実現していることを示している。
• カリキュラム学習戦略（$\alpha$ を0.1から1.0へ段階的に増加）を用いた訓練は、固定またはランダムな$\alpha$設定よりも収束が良く、性能も向上した。
• 事例スタディでは、DisenPOIが近隣の機能的に類似したPOI（例：ユーザーの経路に近いカフェ）を優先して推薦する一方で、ベースラインモデルは遠く離れたカテゴリ類似POI（例：鉄道駅）を推薦する傾向にあることが明らかになった。