[論文レビュー] Modelling of Bi-directional Spatio-Temporal Dependence and Users' Dynamic Preferences for Missing POI Check-in Identification

Dongbo Xi, Fuzhen Zhuang+4 more|arXiv (Cornell University)|Dec 31, 2021

Human Mobility and Location-Based Analysis被引用数 13

ひとこと要約

本稿では、ユーザーの動的嗜好とグローバルな空間的・局所的な時間的依存関係を統合することで、欠落したPOIチェックインを同定する、双方向的ディープラーニングモデルBi-STDDPを提案する。双方向の空間時間的文脈とユーザー-POIの時間的パターンを活用することで、3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、既存手法と比較して再現率および平均平均精度の両面で顕著に優れている。

ABSTRACT

Human mobility data accumulated from Point-of-Interest (POI) check-ins provides great opportunity for user behavior understanding. However, data quality issues (e.g., geolocation information missing, unreal check-ins, data sparsity) in real-life mobility data limit the effectiveness of existing POI-oriented studies, e.g., POI recommendation and location prediction, when applied to real applications. To this end, in this paper, we develop a model, named Bi-STDDP, which can integrate bi-directional spatio-temporal dependence and users' dynamic preferences, to identify the missing POI check-in where a user has visited at a specific time. Specifically, we first utilize bi-directional global spatial and local temporal information of POIs to capture the complex dependence relationships. Then, target temporal pattern in combination with user and POI information are fed into a multi-layer network to capture users' dynamic preferences. Moreover, the dynamic preferences are transformed into the same space as the dependence relationships to form the final model. Finally, the proposed model is evaluated on three large-scale real-world datasets and the results demonstrate significant improvements of our model compared with state-of-the-art methods. Also, it is worth noting that the proposed model can be naturally extended to address POI recommendation and location prediction tasks with competitive performances.

研究の動機と目的

• 欠落した位置情報、現実に即さないチェックイン、データの疎らさといったデータ品質の問題を伴う実世界のモビリティデータにおける欠落POIチェックイン同定の課題に対処すること。
• グローバルな空間的および局所的な時間的情報を用いて、POI間の複雑な双方向的空間時間的依存関係をモデル化すること。
• ターゲット時間的パターンとユーザーおよびPOIの特徴を組み合わせることで、ユーザーの動的チェックイン嗜好を捉えること。
• 統合的なディープラーニングフレームワーク内で空間時間的依存関係と動的嗜好を統合することで、欠落POIチェックイン同定の精度を向上させること。
• POI推薦および位置予測タスクへの応用を拡張することで、モデルの一般化能力を実証すること。

提案手法

• Bi-STDDPは、前向きおよび後向きの時間方向に、POI間の複雑な依存関係をモデル化するため、双方向のグローバル空間的および局所的時間的エンコーダーを採用する。
• マルチレイヤーネットワークを用いてターゲット時間的パターンを符号化し、ユーザーおよびPOIの情報を統合することで、動的チェックイン嗜好を捉える。
• 空間時間的依存関係表現と動的嗜好埋め込みは、共通の潜在空間に投影され、統合的なモデリングが行われる。
• 最終的な予測は、学習された統合機構を通じて双方向の空間時間的文脈と動的嗜好特徴を統合することで生成される。
• 大規模な実世界のチェックインデータセット上で、教師あり損失関数を用いて勾配降下法によりエンドツーエンドでモデルを訓練する。
• 埋め込み次元や隠れユニット数といったハイパーパrameterはグリッドサーチにより最適化され、$d=64$および$h=256$が最適な設定として選ばれた。

実験結果

リサーチクエスチョン

• RQ1 POI間の双方向的空間時間的依存関係を効果的にモデル化することで、欠落POIチェックイン同定の性能をどのように向上させられるか？
• RQ2 時間的パターンとユーザー-POI相互作用によって形成されるユーザーの動的チェックイン嗜好は、同定精度をどの程度向上させ得るか？
• RQ3 グローバル空間的および局所的時間的情報を統合した手法が、単方向的または局所的のみのモデリングと比較して、欠落チェックイン同定においてどのような差を生じるか？
• RQ4 埋め込み次元や隠れユニット数といったモデルハイパーパrameterの影響は、性能および安定性にどのような影響を及えるか？
• RQ5 提案手法は、POI推薦および位置予測といった関連タスクへ効果的に拡張可能か？

主な発見

• Bi-STDDPは、3つの大規模な実世界データセットにおいて、Recall@KおよびMAPの両面で最先端手法を顕著に上回る性能を達成した。
• 埋め込み次元$d$が16を超えるとモデルの性能が安定化し、性能と効率のバランスを考慮して$d=64$が最適とされた。
• 隠れユニット数$h$が32を超えるとモデルの性能が安定化し、最適な設定として$h=256$が選ばれた。
• ウィンドウ幅$w=1$が最良の性能を示し、より長いシーケンスは意味のある改善をもたらさずノイズを導入することが示された。
• モデルはハイパーパrameterの変動に対して頑健であり、広範な設定範囲で高い性能を維持した。
• Bi-STDDPはPOI推薦および位置予測タスクへ自然に拡張可能であり、競争力ある性能を示した。これは、モデルの一般化能力を示している。