[論文レビュー] Personalized Next Point-of-Interest Recommendation via Latent Behavior Patterns Inference

Jing He, Xin Li+2 more|arXiv (Cornell University)|May 16, 2018

Recommender Systems and Techniques参考文献 27被引用数 5

ひとこと要約

本稿では、LBSNにおける個人向け次回POI（ポイント・オブ・インタレスト）推薦を向上させるために、順序付きチェックインデータから潜在的行動パターンを推定するテンソルベースのモデルPPDMを提案する。ユーザー-POI遷移を3階テンソルとしてモデル化し、EM最適化を用いたベイジアンパーソナライズドランクイング（BPR）フレームワークで文脈的特徴を統合することで、特にチェックイン履歴が疎なユーザーにおいて、最先端の性能を達成する。

ABSTRACT

In this paper, we address the problem of personalized next Point-of-interest (POI) recommendation which has become an important and very challenging task for location-based social networks (LBSNs), but not well studied yet. With the conjecture that, under different contextual scenarios, human exhibits distinct mobility pattern, we attempt here to jointly model the next POI recommendation under the influence of user's latent behavior pattern. We propose to adopt a third-rank tensor to model the successive check-in behaviors. By integrating categorical influence into mobility patterns and aggregating user's spatial preference on a POI, the proposed model deal with the next new POI recommendation problem by nature. By incorporating softmax function to fuse the personalized Markov chain with latent pattern, we furnish a Bayesian Personalized Ranking (BPR) approach and derive the optimization criterion accordingly. Expectation Maximization (EM) is then used to estimate the model parameters. We further develop a personalized model by taking into account personalized mobility patterns under the contextual scenario to improve the recommendation performance. Extensive experiments on two large-scale LBSNs datasets demonstrate the significant improvements of our model over several state-of-the-art methods.

研究の動機と目的

• ユーザーのチェックインデータが極めて疎く、順序的である地点ベースのソーシャルネットワーク（LBSN）における、個人向け次回POI推薦の課題に対処すること。
• 従来の協調フィルタリングや行列分解の限界を克服し、順序的なチェックインパターンを明示的にモデル化すること。
• 時間帯、週の曜日などの異なる文脈的状況下でのユーザー移動パターンを捉えることで、推薦精度を向上させること。
• 共有された移動トレンドから潜在的行動パターンを推定することで、チェックイン頻度が低いユーザーの推薦性能を向上させること。
• ユーザーの好み、空間的近接性、文脈的特徴を統合した一元的な確率的モデルとして、次回POI予測のための統合フレームワークを構築すること。

提案手法

• ユーザー×現在のPOI×次のPOIという3階テンソルを用いて、連続するチェックイン行動をモデル化し、順序的な移動パターンを捉える。
• 時間帯、週の曜日、POIカテゴリーなどの文脈的特徴をカテゴリー的要因として導入し、潜在的行動パターンを精緻化する。
• 暗黙のチェックインフィードバックからユーザーの好みを学ぶために、ベイジアンパーソナライズドランクイング（BPR）に類似した最適化基準を定式化する。
• 期待値最大化（EM）アルゴリズムを用いて、潜在的行動パターンや遷移確率などのモデルパラメータを推定する。
• 共有された潜在的構造内でのユーザー固有の行動パターンをモデル化することで、文脈的状況下での個人向け移動パターンを統合する。
• パーソナライズドマルコフ連鎖と潜在的行動パターンを統合するためのソフトマックス融合を適用し、ランキング性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、疎で順序的なチェックインデータから潜在的行動パターンを効果的に推定し、次回POI推薦を向上させることができるか？
• RQ2 時間帯や週の曜日といった文脈的特徴は、次回POI推薦の正確性をどの程度向上させるのか？
• RQ3 潜在的行動パターンの数が推薦性能に与える影響は何か？また、実世界のLBSNデータセットにおいて最適な数は何か？
• RQ4 共有された潜在的移動トレンドを活用することで、チェックインが非常に少ないユーザーに対しても、モデルは十分に一般化できるか？
• RQ5 POI間の長距離または長時間間隔の遷移を予測する場合、モデルの性能はいかがなものか？

主な発見

• FoursquareおよびGowallaの両データセットにおいて、PPDMは最先端の手法を著しく上回る性能を達成し、Gowallaデータセットでは潜在的パターン数を3から4に増加させた際、P@10で59.2%の相対的改善を達成した。
• ユーザーのチェックイン頻度が低い状況では、グローバルパターンモデルであるGPDMよりもPPDMが優れた性能を示した。これは、PPDMがより効果的にパーソナライズド潜在的パターンを活用しているためである。
• Foursquareでは6つの潜在的パターン、Gowallaでは4つの潜在的パターンで、ほぼ最適な性能が達成された。さらなる増加は限界効果を示した。
• 本モデルは、短距離で局所的な遷移から、最大304kmの長距離移動までを効果的に予測でき、移動スケールにわたる頑健性を示した。
• POIカテゴリー、時間帯、週の曜日をすべて組み合わせた文脈的特徴の統合が、最も高い性能向上をもたらした。これは、細分化された文脈が潜在的パターンの発見を強化することを示している。
• 44時間にわたる長い時間間隔に対しても、本モデルは強い予測能力を維持しており、周期的・ランダムな両方の移動パターンに適していることが示された。