[論文レビュー] Multifaceted Scenario-Aware Hypergraph Learning for Next POI Recommendation

Yuxi Lin, Yuanzhe Li+2 more|arXiv (Cornell University)|Jan 9, 2026

Recommender Systems and Techniques被引用数 0

ひとこと要約

MSAHGは、シナリオごとにサブハイパーグラフを構築し、適応的パラメータ分割を用いてシナリオ間の衝突を解決することで、多シナリオ移動性を明示的にモデル化し、3つの実データセットで最先端の結果を達成します。

ABSTRACT

Among the diverse services provided by Location-Based Social Networks (LBSNs), Next Point-of-Interest (POI) recommendation plays a crucial role in inferring user preferences from historical check-in trajectories. However, existing sequential and graph-based methods frequently neglect significant mobility variations across distinct contextual scenarios (e.g., tourists versus locals). This oversight results in suboptimal performance due to two fundamental limitations: the inability to capture scenario-specific features and the failure to resolve inherent inter-scenario conflicts. To overcome these limitations, we propose the Multifaceted Scenario-Aware Hypergraph Learning method (MSAHG), a framework that adopts a scenario-splitting paradigm for next POI recommendation. Our main contributions are: (1) Construction of scenario-specific, multi-view disentangled sub-hypergraphs to capture distinct mobility patterns; (2) A parameter-splitting mechanism to adaptively resolve conflicting optimization directions across scenarios while preserving generalization capability. Extensive experiments on three real-world datasets demonstrate that MSAHG consistently outperforms five state-of-the-art methods across diverse scenarios, confirming its effectiveness in multi-scenario POI recommendation.

研究の動機と目的

• 多面的な文脈シナリオ（ユーザタイプ、時間、空間）下での次のPOI推奨を動機づける。
• マルチビューのサブハイパーグラフを通じてシナリオ特異的な移動パターンを捉える枠組みを開発する。
• 適応的パラメータ分割を通じてシナリオ間の最適化衝突を緩和しつつ、汎用性を維持する。

提案手法

• 協調的、時系列的、地理的ビューと共通の遷移ビューを含む8つのシナリオ特異的サブハイパーグラフを構築する。
• ノード/ハイパーエッジの更新のためにリザイド接続を備えた2段階のサブハイパーグラフ畳み込みを適用する。
• シナリオ特異的埋め込みをビュー風ゲーティングで統合し、マルチビュー表現を整合させるためにコントラスト学習（InfoNCE）を使用する。
• 対立するパラメータを複製し、勾配類似度でシナリオをグループ化してシナリオ認識訓練を可能にする適応的パラメータ分割を導入する。
• コントラスト項と推奨損失を組み合わせた最終損失で最適化し、マルチビュー協調と精度のバランスを取る。

実験結果

リサーチクエスチョン

• RQ1 複数の文脈シナリオ（ユーザタイプ、時間、空間）にまたがる次のPOI推奨を効果的にモデル化するにはどうすればよいか？
• RQ2 シナリオ特異的サブハイパーグラフは、単一グラフのベースラインよりも異なる移動パターンを捉えられるか？
• RQ3 適応的パラメータ分割はシナリオ間の干渉を減らし、マルチシナリオ学習を改善するか？
• RQ4 複数のシナリオ下での推奨品質に対するマルチビュー統合とコントラスト学習の影響はどの程度か？

主な発見

Model	Scenario	ACC@1	ACC@5	ACC@10	ACC@20	MRR	ACC@1	ACC@5	ACC@10	ACC@20	MRR	ACC@1	ACC@5	ACC@10	ACC@20	MRR
Gowalla	Local	0.1314	0.2758	0.3369	0.3934	0.2014	0.2020	0.3762	0.4237	0.4583	0.2809	0.2159	0.3878	0.4573	0.5203	0.2978
Gowalla	Tourist	0.1079	0.2349	0.2999	0.3623	0.1714	0.1298	0.2576	0.3056	0.3398	0.1886	0.1679	0.3137	0.3762	0.4367	0.2387
Gowalla	HSTLSTM	0.1405	0.2909	0.3558	0.4163	0.2122	0.2065	0.3731	0.4276	0.4650	0.2334	0.4236	0.5002	0.5626	0.3229
Gowalla	Suburban	0.1102	0.2391	0.3019	0.3614	0.1746	0.1454	0.2877	0.3327	0.3658	0.2107	0.1785	0.3227	0.3828	0.4452	0.2489
Gowalla	Workday	0.1366	0.2846	0.3512	0.4133	0.2085	0.1723	0.3295	0.3793	0.4152	0.2439	0.2118	0.3813	0.4497	0.5121	0.2927
Gowalla	Weekend	0.0820	0.1901	0.2471	0.3023	0.1373	0.0240	0.0524	0.0689	0.0778	0.0394	0.0728	0.1715	0.2275	0.2897	0.1239
NYC	Local	0.1343	0.2984	0.3644	0.4242	0.2122	0.1603	0.3311	0.3871	0.4268	0.2382	0.1756	0.3791	0.4575	0.5232	0.2698
NYC	Tourist	0.1074	0.2435	0.3066	0.3699	0.1751	0.1178	0.2322	0.2827	0.3272	0.1722	0.1455	0.3155	0.3861	0.4411	0.2254
NYC	DeepMove	0.1441	0.3114	0.3807	0.4402	0.2238	0.1544	0.3078	0.3606	0.3950	0.2235	0.1806	0.3897	0.4727	0.5392	0.2773
NYC	Suburban	0.1096	0.2505	0.3131	0.3758	0.1789	0.1305	0.2660	0.3192	0.3648	0.1944	0.1574	0.3406	0.4114	0.4714	0.2428
TKY	Downtown	0.1556	0.3385	0.4104	0.4768	0.2432	0.1782	0.2970	0.3762	0.5149	0.2398	0.1416	0.3625	0.4969	0.6247	0.2479
TKY	Suburban	0.0785	0.1983	0.2438	0.3058	0.1329	0.0714	0.2143	0.3571	0.4464	0.1519	0.0213	0.1277	0.2128	0.3404	0.0771
TKY	DCHL	0.1929	0.4180	0.5145	0.5627	0.2968	0.1000	0.2000	0.3000	0.5000	0.1600	0.1511	0.4106	0.5668	0.7162	0.2753
TKY	Suburban	0.1262	0.2816	0.3398	0.4107	0.2011	0.1460	0.2774	0.3796	0.4891	0.2155	0.1207	0.2783	0.3781	0.4741	0.1978
TKY	Workday	0.1494	0.3274	0.3980	0.4651	0.2337	0.1450	0.2748	0.3969	0.5115	0.2157	0.1438	0.3598	0.4912	0.6259	0.2480
TKY	Weekend	0.1031	0.2422	0.2915	0.3498	0.1713	0.1154	0.2308	0.2308	0.3846	0.1719	0.1223	0.3476	0.4871	0.5923	0.2304
MSAHG	Downtown	0.1871	0.3680	0.4349	0.4882	0.2723	0.2947	0.6974	0.8237	0.8605	0.4666	0.2132	0.4858	0.5689	0.6410	0.3358
MSAHG	Suburban	0.1540	0.3151	0.3801	0.4316	0.2310	0.1816	0.4447	0.5658	0.6000	0.3013	0.1993	0.4073	0.4789	0.5372	0.2927
MSAHG	Workday	0.1882	0.3585	0.4301	0.4945	0.2704	0.2316	0.5474	0.6526	0.7158	0.3736	0.2171	0.4804	0.5620	0.6216	0.3351
MSAHG	Weekend	0.0960	0.2250	0.2857	0.3346	0.1580	0.1868	0.4395	0.5500	0.5763	0.3011	0.1446	0.3218	0.3902	0.4534	0.2274

• MSAHGは Gowalla、NYC、TKY の多様なシナリオで最先端の性能を達成した。
• シナリオ特異的サブハイパーグラフと適応的パラメータ分割の両方が性能向上に有意に寄与する。
• MSAHGは、局所/観光客とダウンタウン/郊外のシナリオ間で、地上真のPOIカテゴリ分布と距離パターンをベースラインよりもより正確に保持する。
• アブレーションにより、分割なしまたはサブハイパーグラフなしの変種より、ACC@1/5/10/20と NYCでのMRRでフルモデルが優れていることが示された。
• MSAHGは、勾配バッファによるメモリオーバーヘッドが許容範囲内で、いくつかのベースラインと比較して効率的であることを示す。