[論文レビュー] User modeling for point-of-interest recommendations in location-based social networks: the state-of-the-art

Shudong Liu|arXiv (Cornell University)|Dec 19, 2017

Human Mobility and Location-Based Analysis被引用数 3

ひとこと要約

本論文は、場所ベースのソーシャルネットワーク（LBSNs）におけるポイント・オブ・インタレスト（POI）推薦のためのユーザーモデリング技術について包括的なサーベイを提供し、データタイプに基づいてアプローチを分類している：チェックインデータ、地理的情報、空間的・時間的パターン、およびジオ・ソーシャル特徴。ユーザーモデリングフレームワークを形式化し、LBSN推薦システムにおける主な課題と今後の研究方向性を特定している。

ABSTRACT

The rapid growth of location-based services(LBSs)has greatly enriched people's urban lives and attracted millions of users in recent years. Location-based social networks(LBSNs)allow users to check-in at a physical location and share daily tips on points-of-interest (POIs) with their friends anytime and anywhere. Such check-in behavior can make daily real-life experiences spread quickly through the Internet. Moreover, such check-in data in LBSNs can be fully exploited to understand the basic laws of human daily movement and mobility. This paper focuses on reviewing the taxonomy of user modeling for POI recommendations through the data analysis of LBSNs. First, we briefly introduce the structure and data characteristics of LBSNs,then we present a formalization of user modeling for POI recommendations in LBSNs. Depending on which type of LBSNs data was fully utilized in user modeling approaches for POI recommendations, we divide user modeling algorithms into four categories: pure check-in data-based user modeling, geographical information-based user modeling, spatio-temporal information-based user modeling, and geo-social information-based user modeling. Finally,summarizing the existing works, we point out the future challenges and new directions in five possible aspects

研究の動機と目的

• LBSNsにおけるPOI推薦のためのユーザーモデリング技術を、データ利用に基づいて体系的かつ分類的にレビューすること。
• 構造的データ分析を用いて、LBSNsにおけるPOI推薦のためのユーザーモデリングフレームワークを形式化すること。
• 現在のアプローチの制限事項と未解決の課題を特定し、今後の研究を導くこと。
• 使用されるLBSNデータの種別（チェックイン、地理的情報、空間的・時間的、ジオ・ソーシャル）に基づいたユーザーモデリング手法の分類体系を提供すること。

提案手法

• データタイプに基づいて、ユーザーモデリングアプローチを4つのカテゴリーに分類：純粋なチェックインデータ、地理的情報、空間的・時間的パターン、ジオ・ソーシャル情報。
• LBSNsの構造とデータ特性を分析し、ユーザーモデリングの基盤を確立すること。
• データ駆動型モデリングの原則を用いて、POI推薦のためのユーザーモデリングを形式化すること。
• 各カテゴリー内での既存研究をレビューし、パターン、強み、制限を同定すること。
• 多様なLBSNデータソースからの知見を統合し、多面的なユーザーモデリングを支援すること。
• 現在の手法とデータ利用のギャップに基づいて、今後の研究方向性を同定すること。

実験結果

リサーチクエスチョン

• RQ1 POI推薦のためのユーザーモデリングは、使用されるデータタイプに基づいてどのように体系的に分類可能か？
• RQ2 チェックインデータにのみ依存するユーザーモデリングアプローチの主な特徴と制限は何か？
• RQ3 地理的情報と空間的・時間的データは、POI推薦の正確性とパーソナライゼーションをどのように向上させるか？
• RQ4 ソーシャル関係とユーザーユーザー相互作用を統合することで、推薦パフォーマンスはどのように向上するか？
• RQ5 LBSNベースのPOI推薦システムにおける主な未解決の課題と新たな研究方向性は何か？

主な発見

• LBSNsにおけるユーザーモデリングアプローチは、データ利用に基づいて4つの明確なタイプに分類される：チェックインデータ、地理的、空間的・時間的、およびジオ・ソーシャル情報。
• 純粋なチェックインデータに基づくモデルは広く用いられているが、通常、ユーザーモビリティパターンの文脈的認識に欠ける。
• 地理的情報を組み込むことで空間的関連性が向上するが、ユーザービヘイビアの時間的ダイナミクスを無視する可能性がある。
• 時間と場所を統合する空間的・時間的モデルは、ユーザーパーソナリティの予測精度がより高い。
• ソーシャル関係とチェックイン行動を統合するジオ・ソーシャルモデルは、よりパーソナライズされた推薦を提供するが、スケーラビリティとプライバシーの課題に直面する。
• 本論文は、データスパarsityの対処、説明可能性の向上、複雑なモビリティパターンのためのディープラーニングの活用を含む、5つの主要な今後の研究方向性を同定した。