[論文レビュー] Spatial Object Recommendation with Hints: When Spatial Granularity Matters

Hui Luo, Jingbo Zhou+6 more|arXiv (Cornell University)|Jan 1, 2020

Recommender Systems and Techniques参考文献 47被引用数 14

ひとこと要約

本稿では、空間的包含関係をモデル化するPOIツリーを用いて、さまざまな空間的粒度（例：都市、市街地、施設）でトップ-kの空間的オブジェクト（例：都市、市街地、施設）を推薦するマルチタスク学習モデルであるMPR（Multi-level POI Recommendation）を提案する。属性ベースおよびインタラクションベースのサブタスクを通じて、ユーザーおよびPOIの表現を共同で学習し、アテンション機構とPOIコンテキストグラフを活用することで、スパースな現実世界のデータにおいて推薦精度を向上させるとともに、推薦の解釈可能性を高めるヒントを提供する。

ABSTRACT

Existing spatial object recommendation algorithms generally treat objects identically when ranking them. However, spatial objects often cover different levels of spatial granularity and thereby are heterogeneous. For example, one user may prefer to be recommended a region (say Manhattan), while another user might prefer a venue (say a restaurant). Even for the same user, preferences can change at different stages of data exploration. In this paper, we study how to support top-k spatial object recommendations at varying levels of spatial granularity, enabling spatial objects at varying granularity, such as a city, suburb, or building, as a Point of Interest (POI). To solve this problem, we propose the use of a POI tree, which captures spatial containment relationships between POIs. We design a novel multi-task learning model called MPR (short for Multi-level POI Recommendation), where each task aims to return the top-k POIs at a certain spatial granularity level. Each task consists of two subtasks: (i) attribute-based representation learning; (ii) interaction-based representation learning. The first subtask learns the feature representations for both users and POIs, capturing attributes directly from their profiles. The second subtask incorporates user-POI interactions into the model. Additionally, MPR can provide insights into why certain recommendations are being made to a user based on three types of hints: user-aspect, POI-aspect, and interaction-aspect. We empirically validate our approach using two real-life datasets, and show promising performance improvements over several state-of-the-art methods.

研究の動機と目的

• 異なる空間的粒度（例：都市、市街地、施設）での空間的オブジェクトの推薦を統合的なモデルで効果的に対応すること。
• POI間の階層的空間的包含関係を活用することで、現実世界の場所データセットにおけるデータスパarsityを克服すること。
• ユーザーの探索段階の変化や好みに応じて動的に適応する推薦を可能にすること。
• ユーザー行動、POI属性、インタラクションパターンに基づいた解釈可能な推薦ヒントを提供すること。
• 別々の粒度レベルごとに別々のモデルを必要としない、スケーラブルでエンドツーエンドのモデルを構築すること。

提案手法

• 空間的包含関係に基づいてPOIツリーを構築し、子POI（例：レストラン）が親POI（例：ショッピングモールや市街地）に完全に含まれるようにする。
• 各タスクが特定の空間的粒度レベルでのトップ-k POIの推薦に対応するマルチタスク学習フレームワークを設計する。
• 各タスクにおいて、2つのサブタスクを組み合わせる：(1) ユーザーおよびPOIのプロファイル特徴を用いた属性ベースの表現学習、(2) ユーザー-POIのチェックインデータを用いたインタラクションベースの学習。
• 子POIから親POIへ特徴表現を伝搬するアテンションネットワークを採用し、データが少ない状況でも表現学習を強化する。
• 同じレベルのPOI間の共検索、共訪問、およびユークリッド距離の3つの要因を用いて、地理的影響をモデル化するPOIコンテキストグラフを構築する。
• ユーザー側、POI側、インタラクション側の3種類の推薦ヒントを生成することで、モデルの解釈可能性とユーザーの信頼を向上させる。

実験結果

リサーチクエスチョン

• RQ1 1つの推薦モデルが、複数の空間的粒度にわたってトップ-k POIの推薦を効果的にサポートできるか？
• RQ2 POIツリーを介して空間的包含関係を活用することで、スパースな現実世界のデータセットにおける推薦性能にどのような影響を与えるか？
• RQ3 アテンションベースの特徴伝搬と地理的影響モデル化は、性能向上にどのように寄与するか？
• RQ4 モデルがユーザーに推薦の理由を説明する解釈可能なヒントをどの程度提供できるか？
• RQ5 提案されたMPRモデルは、スパースデータにおける推薦精度とロバスト性の面で、最先端の手法と比較してどのように差をつけるか？

主な発見

• MPRは、極めてスパースな2つの現実世界のデータセット（スパース率約99.97%）において、最先端の手法を常に上回る性能を達成した。
• アブレーションスタディの結果、アテンションベースの特徴伝搬とPOIコンテキストグラフの両方がNDCG@10スコアの向上に顕著な寄与をしていることが確認され、両方のコンponentsを備えた完全なモデルが、いずれかを欠いたバージョンよりも優れた性能を示した。
• 共検索、共訪問、距離といった地理的影響要因の統合により、特に都市部のような密集地帯において、推薦品質の明確な向上が得られた。
• モデルが生成する3種類の推薦ヒント（ユーザー側、POI側、インタラクション側）により、説明可能性が向上し、特にユーザー側およびインタラクション側のヒントはユーザー行動と強く整合していた。
• マルチタスク学習フレームワークにより、粒度レベル間で知識を効果的に共有でき、スパースなデータにもかかわらず過学習を抑制し、一般化性能を向上させた。