[論文レビュー] RELINE: Point-of-Interest Recommendations using Multiple Network Embeddings

Giannis Christoforidis, Pavlos Kefalas+2 more|arXiv (Cornell University)|Feb 2, 2019

Recommender Systems and Techniques被引用数 4

ひとこと要約

RELINEは、複数のネットワーク埋め込みを用いてユーザーとPOIのダイナミクスを統合的に学習することで、ポイント・オブ・インタレスト（POI）推薦のための統合モデルを提案する。社会的要因、地理的要因、時間的要因、好みの要因を統合し、8つの関係的グラフを共有の潜在空間に埋め込むことで、特にコールドスタート状況において最先端の手法を大きく上回る高い精度を達成する。

ABSTRACT

The rapid growth of users' involvement in Location-Based Social Networks (LBSNs) has led to the expeditious growth of the data on a global scale. The need of accessing and retrieving relevant information close to users' preferences is an open problem which continuously raises new challenges for recommendation systems. The exploitation of Points-of-Interest (POIs) recommendation by existing models is inadequate due to the sparsity and the cold start problems. To overcome these problems many models were proposed in the literature, but most of them ignore important factors such as: geographical proximity, social influence, or temporal and preference dynamics, which tackle their accuracy while personalize their recommendations. In this work, we investigate these problems and present a unified model that jointly learns users and POI dynamics. Our proposal is termed RELINE (REcommendations with muLtIple Network Embeddings). More specifically, RELINE captures: i) the social, ii) the geographical, iii) the temporal influence, and iv) the users' preference dynamics, by embedding eight relational graphs into one shared latent space. We have evaluated our approach against state-of-the-art methods with three large real-world datasets in terms of accuracy. Additionally, we have examined the effectiveness of our approach against the cold-start problem. Performance evaluation results demonstrate that significant performance improvement is achieved in comparison to existing state-of-the-art methods.

研究の動機と目的

• スパarsity、コールドスタート問題、多次元的なユーザー行動を捉えられない既存のPOI推薦モデルの限界を解消すること。
• 社会的影響、地理的近接性、時間的パターン、進化するユーザーの好みを統合した1つの統合的推薦フレームワークを構築すること。
• 関係性グラフ埋め込みを用いて動的なユーザーおよびPOI行動をモデル化することで、スパarsityとコールドスタート問題を克服すること。
• 複数の異種ネットワークからの埋め込みを共有の潜在空間ですべて同時に学習する確率的でグラフベースのアプローチを開発すること。

提案手法

• RELINEは、ユーザー-社会的、ユーザー-地理的、ユーザー-時間的、POI-時間的、ユーザー-ルート、POI-ルート、ユーザー-好み、POI-好みの8つの関係的グラフを構築し、多様なユーザー-POI相互作用をモデル化する。
• 各グラフからの寄与をバランスさせるための確率的重み付け戦略を適用し、それぞれ社会的要因、地理的要因、時間的要因、好みの要因に対応する可学習パラメータα、β、γ、δを導入する。
• 次元dの共有潜在空間内で、ユーザーとPOIの埋め込みをグラフベースの学習フレームワークにより同時に最適化する。訓練効率を向上させるために確率的サンプリングを用いる。
• 時間間隔ΔTを用いて時間的セグメントを定義し、ユーザー-時間期間およびPOI-時間期間のような時間に依存するグラフを構築可能にする。
• 次元dやサンプル数Sといったハイパーパrameterは、精度を最大化するために経験的に調整され、データセット全体でd=100–140、S=100–300の範囲で最適化される。
• 予測損失を最小化するように、ネガティブサンプリングと確率的最適化を用いて、ユーザー-POI相互作用シーケンス全体にわたってエンドツーエンドでモデルを訓練する。

実験結果

リサーチクエスチョン

• RQ1 複数のネットワーク埋め込みを効果的に統合することで、POI推薦の精度をどのように向上させられるか？
• RQ2 社会的要因、地理的要因、時間的要因、好みの要因が統合的に組み合わさることで、POI推薦におけるスパarsityとコールドスタート問題はどの程度軽減されるか？
• RQ3 統合的推薦モデルにおいて、社会的要因、地理的要因、時間的要因、好みの要因の各影響要因の最適なバランスは何か？
• RQ4 最先端のベースラインと比較して、モデルはコールドスタートユーザーおよびコールドスタート場所においてどの程度の性能を示すか？

主な発見

• RELINEは、Foursquare、Weeplaces、Gowallaの3つの実世界データセットすべてにおいて、最先端の手法を顕著に上回る性能向上を達成する。
• FoursquareとWeeplacesでは次元d=100で、Gowallaではd=140で精度がピークに達し、それ以上の値ではさらなる向上が見られない。
• 最適な時間間隔ΔTは、Foursquareで20、Weeplacesで40、Gowallaで15であり、それより大きいまたは小さい間隔は、データスパarsityや過学習のため精度を低下させる。
• パラメータチューニングの結果、Foursquareでは社会的影響が支配的であり、Weeplacesでは地理的影響が支配的であり、Gowallaでは好みのダイナミクスが支配的であることが判明し、データセット固有の行動パターンを反映している。
• モデルはコールドスタートユーザーおよび場所に対して強く頑健であり、これらの困難な状況においても顕著にベースラインを上回る性能を示す。
• 社会的要因、地理的要因、時間的要因、好みの要因の4つすべてを統合したモデルは、1つまたは2つの要因に依存するモデルよりも高い精度を達成する。