[論文レビュー] Geo-SAGE: A Geographical Sparse Additive Generative Model for Spatial Item Recommendation

Weiqing Wang, Hongzhi Yin+4 more|arXiv (Cornell University)|Mar 12, 2015

Human Mobility and Location-Based Analysis参考文献 25被引用数 11

ひとこと要約

Geo-SAGE は、空間的アイテム共起性とコンテンツを用いて、データスパarsity、旅行の局所性、趣味の変化の問題を同時に解消する地理的スパース加法的生成モデルである。空間ピラミッドを用いることで地域的好みの滑らかさを向上させることで、2つの大規模なLBSNデータセットにおいて、ホームタウンおよび外出先の推薦の両方で最先端の手法を上回る性能を発揮する。

ABSTRACT

With the rapid development of location-based social networks (LBSNs), spatial item recommendation has become an important means to help people discover attractive and interesting venues and events, especially when users travel out of town. However, this recommendation is very challenging compared to the traditional recommender systems. A user can visit only a limited number of spatial items, leading to a very sparse user-item matrix. Most of the items visited by a user are located within a short distance from where he/she lives, which makes it hard to recommend items when the user travels to a far away place. Moreover, user interests and behavior patterns may vary dramatically across different geographical regions. In light of this, we propose Geo-SAGE, a geographical sparse additive generative model for spatial item recommendation in this paper. Geo-SAGE considers both user personal interests and the preference of the crowd in the target region, by exploiting both the co-occurrence pattern of spatial items and the content of spatial items. To further alleviate the data sparsity issue, Geo-SAGE exploits the geographical correlation by smoothing the crowd's preferences over a well-designed spatial index structure called spatial pyramid. We conduct extensive experiments to evaluate the performance of our Geo-SAGE model on two real large-scale datasets. The experimental results clearly demonstrate our Geo-SAGE model outperforms the state-of-the-art in the two tasks of both out-of-town and home-town recommendations.

研究の動機と目的

• ロケーションベースドソーシャルネットワーキング（LBSN）における空間的アイテム推薦の分野で、データスパarsity、旅行の局所性、趣味の変化の問題を解決すること。
• 個人のユーザーの趣味と地域の群衆の好み（地元住民対観光客）を統合的なフレームワークでモデル化すること。
• ローカルなチェックイン履歴が乏しい外出先ユーザーの推薦精度を向上させること。
• 空間ピラミッドインデックス構造を用いた地理的スムージングにより、低活動地域におけるデータスパarsityを軽減すること。
• より強固な好みの推定を実現するため、空間的アイテムの共起パターンとコンテンツ情報を統合すること。

提案手法

• Geo-SAGE は、ユーザー固有および地域固有の好み成分を組み合わせたスパース加法的生成モデルを採用する。
• ユーザーの趣味は、空間的アイテムの共起パターンとそのテキストコンテンツから導出される潜在要因を介してモデル化される。
• モデルは、各地理的地域における地元（ホームタウン）と観光客（外出先）の好みを区別する。
• 空間ピラミッドインデックス構造を用いて、地域を階層的にグループ化し、隣接する地域間での群衆好みの滑らかな移行を可能にする。
• ユーザー水準と地域水準の成分を組み合わせた加法的フレームワークを用いて好みの推定を行い、スパarsityの影響を低減する。
• 変分推論を用いて生成プロセスを最適化し、ユーザー・アイテム相互作用を予測するため、エンドツーエンドでモデルを学習する。

実験結果

リサーチクエスチョン

• RQ1 どのような手法が、ユーザーのチェックイン数が限られる状況における空間的アイテム推薦のデータスパarsityを効果的に処理できるか？
• RQ2 ユーザー履歴が乏しい状況で、地域の群衆好みをどれほど活用することで外出先の推薦を改善できるか？
• RQ3 ユーザーの趣味は異なる地理的地域でどのように変化するのか、そして推薦システム内でどのようにモデル化できるか？
• RQ4 空間ピラミッド構造は、低密度地域における一般化性能を向上させるために、地域の好みを効果的にスムージングできるか？
• RQ5 ユーザー行動に依存するモデルと比較して、アイテムの共起とコンテンツ情報を統合することで、推薦性能がどのように向上するか？

主な発見

• Geo-SAGE は、2つの実世界のLBSNデータセットにおいて、ホームタウンおよび外出先の両方の空間的アイテム推薦タスクで、最先端の手法を顕著に上回る性能を発揮した。
• 特に低活動地域において、個人のユーザー趣味と地域の群衆好みの両方を効果的にモデル化することで、優れた性能を達成した。
• 空間ピラミッドを用いた地理的スムージングにより、データスパarsityの影響が軽減され、地域間での好みの転送が向上した。
• アイテムの共起とコンテンツ情報を統合することで、より正確で頑健な好みの推定が可能になった。
• 従来の協調フィルタリングがローカルなユーザー履歴が欠如するため失敗する外出先シナリオに対しても、本モデルは優れた一般化性能を示した。
• 実験結果から、地元住民と観光客の好みを区別することが、特に不慣れな場所での推薦精度向上に寄与することが確認された。