[論文レビュー] Improving Location Recommendation with Urban Knowledge Graph

Chang Liu, Chen Gao+2 more|arXiv (Cornell University)|Nov 1, 2021

Recommender Systems and Techniques参考文献 34被引用数 5

ひとこと要約

本稿では、大規模な都市知識グラフ（UrbanKG）を活用してPOIの地理的属性と機能的属性を分離する知識駆動型の場所推薦モデル、UKGCを提案する。地理的および機能的サブグラフに別々にグラフニューラルネットワークを適用し、反事実学習を用いて地理的バイアスを軽減することで、2つの実世界データセットにおいて最先端の性能を達成し、ユーザー-POI相互作用予測の精度が向上することを示した。

ABSTRACT

Location recommendation is defined as to recommend locations (POIs) to users in location-based services. The existing data-driving approaches of location recommendation suffer from the limitation of the implicit modeling of the geographical factor, which may lead to sub-optimal recommendation results. In this work, we address this problem by introducing knowledge-driven solutions. Specifically, we first construct the Urban Knowledge Graph (UrbanKG) with geographical information and functional information of POIs. On the other side, there exist a fact that the geographical factor not only characterizes POIs but also affects user-POI interactions. To address it, we propose a novel method named UKGC. We first conduct information propagation on two sub-graphs to learn the representations of POIs and users. We then fuse two parts of representations by counterfactual learning for the final prediction. Extensive experiments on two real-world datasets verify that our method can outperform the state-of-the-art methods.

研究の動機と目的

• 既存のデータ駆動型場所推薦手法が地理的要因を暗黙的にモデル化するため、最適でない結果を生じるという制限に対処すること。
• POIの地理的および機能的情報を統合した大規模かつ構造的な都市知識グラフ（UrbanKG）を構築し、より良い表現学習を実現すること。
• ユーザーとPOIの地理的および機能的埋め込みを分離することで、地理的バイアスを除去し、ユーザーの好みをより正確にモデル化すること。
• 地理的交絡要因の影響を除去する反事実学習に基づく新規な手法を開発すること。
• 実世界のデータセットを用いた広範な実験を通じて、UrbanKGおよびUKGCモデルの有効性を検証すること。

提案手法

• 実世界のデータから大規模なUrbanKGを構築し、地理座標、POIのカテゴリ、機能的属性を統合する。
• UrbanKGを2つのサブグラフに分割する：空間的近接性に基づく地理的グラフと、カテゴリおよび属性関係に基づく機能的グラフ。
• 地理的および機能的サブグラフ上で独立して情報伝搬を行うために、グラフニューラルネットワークを適用し、POIおよびユーザーの分離された表現を学習する。
• 反事実学習フレームワークを用いて分離された表現を統合し、地理的交絡の影響を最小限に抑えることで、ユーザー-POI相互作用を予測する。
• 因果推論の原則を用いて、地理がPOI属性に間接的に与える影響をモデル化しつつ、ユーザー相互作用への直接的影響を排除する。
• 相互作用データとUrbanKGを用いて、UKGCモデルをエンドツーエンドで学習し、相互作用確率予測を最適化する。

実験結果

リサーチクエスチョン

• RQ1 構造的で知識駆動型のアプローチにより、POIの地理的および機能的属性を明示的にモデル化することで、場所推薦が向上するか？
• RQ2 地理的および機能的表現を分離することで、POI推薦におけるユーザー好みのモデル化がどの程度向上するか？
• RQ3 反事実学習は、ユーザー-POI相互作用データにおける地理的バイアスを効果的に低減でき、推薦精度を向上させることができるか？
• RQ4 実世界のデータセットにおいて、提案されたUKGCモデルは最先端の手法と比較してどの程度の性能を示すか？
• RQ5 各コンポonent（UrbanKG、分離された埋め込み、反事実学習）が全体の推薦性能にどの程度寄与しているか？

主な発見

• 提案されたUKGCモデルは、2つの実世界データセットにおいて最先端の手法を上回り、優れた推薦精度を示した。
• UrbanKGの構築により、POIの地理的および機能的属性に関する豊富で構造的な情報を効果的に捉えることができ、より良い表現学習が可能になった。
• 分離された埋め込みの結果から、同じ地域に位置するPOI同士は機能的類似性よりも顕著に地理的類似性が高いため、分離プロセスの有効性が裏付けられた。
• アブレーションスタディの結果、UrbanKGおよび反事実学習のコンポーネントが性能向上に顕著に寄与していることが確認された。
• 反事実推論によって交絡要因を軽減した際の性能向上が示されたことから、地理的バイアスが効果的に低減されていることが裏付けられた。
• 結果から、地理的接近性がユーザー-POI相互作用における交絡要因であることが示され、その除去によりユーザー好みのモデル化がより正確になった。