[論文レビュー] Knowledge-driven Site Selection via Urban Knowledge Graph

Yu Liu, Jingtao Ding+1 more|arXiv (Cornell University)|Nov 1, 2021

Recommender Systems and Techniques参考文献 44被引用数 10

ひとこと要約

この論文では、都市知識グラフ（UrbanKG）を活用して、店舗立地予測における効果性と説明可能性を向上させる、知識駆動型の立地選定モデルKnowSiteを提案する。複数の都市データソースからマルチリレーションラルUrbanKGを構築し、GNNベースのエンコーダに関係パスに基づくアテンションを組み込んだデコーダを採用することで、KnowSiteは複雑なビジネス・地域間の関係を捉え、基準に特化した説明可能な推論を提供する。2つのデータセットにおいて、データ駆動型のベースラインを上回る性能を発揮する。

ABSTRACT

Site selection determines optimal locations for new stores, which is of crucial importance to business success. Especially, the wide application of artificial intelligence with multi-source urban data makes intelligent site selection promising. However, existing data-driven methods heavily rely on feature engineering, facing the issues of business generalization and complex relationship modeling. To get rid of the dilemma, in this work, we borrow ideas from knowledge graph (KG), and propose a knowledge-driven model for site selection, short for KnowSite. Specifically, motivated by distilled knowledge and rich semantics in KG, we firstly construct an urban KG (UrbanKG) with cities' key elements and semantic relationships captured. Based on UrbanKG, we employ pre-training techniques for semantic representations, which are fed into an encoder-decoder structure for site decisions. With multi-relational message passing and relation path-based attention mechanism developed, KnowSite successfully reveals the relationship between various businesses and site selection criteria. Extensive experiments on two datasets demonstrate that KnowSite outperforms representative baselines with both effectiveness and explainability achieved.

研究の動機と目的

• 手動による特徴工学に依存しやすく、説明可能性に欠けるデータ駆動型立地選定手法の限界を是正すること。
• 多様な都市データを統合する構造的知識グラフに統合可能な、一般化された知識駆動型立地選定のパラダイムを構築すること。
• グラフニューラルネットワークにおけるマルチリレーションラルメッセージパッシングを通じて、立地選定に影響を与える多様な要因を柔軟にモデル化すること。
• 関係パスに基づくアテンション機構を活用し、立地意思決定に対して透明性があり論理的な説明を提供すること。
• 立地選定に関連する20,000以上のエンティティと300,000以上の事実を含む包括的な都市知識グラフ（UrbanKG）を構築すること。

提案手法

• 複数の都市データソースからエンティティ（例：地域、POI、ブランド）とその意味的関係（属性、所属関係、空間的関係、移動性）を抽出することで、都市知識グラフ（UrbanKG）を構築する。
• UrbanKG上で事前学習を用いてエンティティおよび関係の埋め込みを初期化し、豊かな意味的表現を捉える。
• 多様な文脈的要因に基づいた知識表現の精錬を図るため、マルチリレーションラルメッセージパッシングを備えたGNNベースのエンコーダを採用する。
• 異なる立地選定基準（例：人の流れ、競合状況）に対応する複数のマルチホップ関係パスを生成する関係パスベースのデコーダを設計する。
• 関係の意味的合成を通じて関係パス表現を構成し、これらのパスに対するアテンション機構を用いて最終的な立地意思決定スコアを計算する。
• 最適な店舗立地を予測する教師あり学習の目的関数を用いて、エンドツーエンドのKnowSiteモデルを学習する。

実験結果

リサーチクエスチョン

• RQ1 知識駆動型アプローチは、従来のデータ駆動型手法を上回る性能を発揮するとともに、説明可能な推論を提供できるか？
• RQ2 複雑でマルチリレーションラルな都市知識を、立地選定タスクに効果的に構造化・表現する方法は何か？
• RQ3 GNNエンコーダにおけるマルチリレーションラルメッセージパッシングは、ビジネス立地選定に影響を与える多様で文脈特化型の要因をどの程度効果的にモデル化できるか？
• RQ4 関係パスに基づくアテンション機構は、立地選定意思決定に対して透明性があり論理的根拠を持つ説明を提供できるか？
• RQ5 提案された知識駆動型フレームワークは、異なる業態や都市環境においても一般化可能か？

主な発見

• KnowSiteは、Geo-Spotting、DD3S、DeepStore、AR2Netといった代表的なデータ駆動型ベースラインを、2つの実世界データセットにおいて立地選定の精度で上回る。
• UrbanKGが捉える豊富で構造化された都市知識のおかげで、単純な特徴を越えた複雑な関係性を活用することで、優れた効果性を達成している。
• 関係パスベースのアテンション機構により、既存店と新規店の間の流れの遷移といった論理的推論パスを明らかにし、説明可能な立地意思決定が可能になった。
• GNNエンコーダにおけるマルチリレーションラルメッセージパッシングは、ブランド固有の関連性など多様な要因を効果的にモデル化し、異なる業態への一般化を向上させた。
• UrbanKG上で事前学習を実施することで、初期のエンティティおよび関係埋め込みの質が著しく向上し、下流タスクの性能向上に寄与した。
• 構築されたUrbanKGには20,000以上のエンティティと300,000以上の事実が含まれており、立地選定を超えた都市コンピューティング応用の基盤として強固な基盤を形成している。