[논문 리뷰] A Location-Sentiment-Aware Recommender System for Both Home-Town and Out-of-Town Users

Hao Wang, Yanmei Fu외 4명|arXiv (Cornell University)|2017. 06. 20.

Human Mobility and Location-Based Analysis참고 문헌 23인용 수 7

한 줄 요약

이 논문은 공간적 항목 추천에서 고향 지역 및 외지 지역 사용자 모두의 성능을 향상시키기 위해 지리적 지역 간 사용자 관심도 변화와 리뷰에서 유도된 군중 감성을 동시에 모델링하는 잠재 확률 생성 모델 LSARS를 제안한다. 위치 인식 사용자 관심도, 감성 인식 항목 표현, 지역 사회 선호도를 통합함으로써 LSARS는 외지 상황에서의 데이터 희소성 문제를 효과적으로 완화하고 두 개의 대규모 LBSN 데이터셋에서 최신 기법들을 능가하는 성능을 보인다.

ABSTRACT

Spatial item recommendation has become an important means to help people discover interesting locations, especially when people pay a visit to unfamiliar regions. Some current researches are focusing on modelling individual and collective geographical preferences for spatial item recommendation based on users' check-in records, but they fail to explore the phenomenon of user interest drift across geographical regions, i.e., users would show different interests when they travel to different regions. Besides, they ignore the influence of public comments for subsequent users' check-in behaviors. Specifically, it is intuitive that users would refuse to check in to a spatial item whose historical reviews seem negative overall, even though it might fit their interests. Therefore, it is necessary to recommend the right item to the right user at the right location. In this paper, we propose a latent probabilistic generative model called LSARS to mimic the decision-making process of users' check-in activities both in home-town and out-of-town scenarios by adapting to user interest drift and crowd sentiments, which can learn location-aware and sentiment-aware individual interests from the contents of spatial items and user reviews. Due to the sparsity of user activities in out-of-town regions, LSARS is further designed to incorporate the public preferences learned from local users' check-in behaviors. Finally, we deploy LSARS into two practical application scenes: spatial item recommendation and target user discovery. Extensive experiments on two large-scale location-based social networks (LBSNs) datasets show that LSARS achieves better performance than existing state-of-the-art methods.

연구 동기 및 목표

• 제한된 사용자 체크인 기록으로 인해 외지 지역에서의 데이터 희소성 문제를 해결하기 위한 도전 과제를 다루기 위해.
• 사용자가 낯선 지역을 방문할 때 다른 선호도를 보이는 '사용자 관심도 변화'를 정적 고향 지역 관심도를 넘어서 모델링하기 위해.
• 사용자 리뷰에서 유도된 군중 감성을 체크인 결정에 영향을 주는 핵심 요소로 통합하여 추천의 관련성 향상시키기 위해.
• 내용, 감성, 지리적 영향 요소를 통합된 생성 프레임워크에서 융합함으로써 추천 성능 향상시키기 위해.
• 실제 응용 두 가지를 지원하기 위해: 공간적 항목 추천 및 LBSN에서의 타겟 사용자 탐색.

제안 방법

• LSARS는 고향 지역 및 외지 지역 모두에서 사용자 체크인 행동을 시뮬레이션하기 위해 잠재 클래스 기반의 확률 생성 모델을 사용한다.
• 공간적 항목의 콘텐츠와 사용자 리뷰에서 유도된 잠재 주제를 사용하여 사용자 관심도를 모델링하며, 지역별 특화된 선호도에 적응한다.
• 군중 감성은 공간적 항목의 모든 리뷰에서 유도된 감성 점수를 집계하여 캡처하며, 이는 체크인 가능성에 직접적인 영향을 미친다.
• 모델은 현지 사용자 체크인 패턴을 통합하여 대중 선호도를 추론함으로써 외지 사용자에 대한 데이터 희소성 문제를 완화한다.
• 행렬 분해와 다중 중심 정규분포 모델을 결합하여 지리적 영향과 사용자-항목 상호작용을 표현한다.
• 잠재 변수 추정과 추천 성능 최적화를 위해 변분 추론을 사용하여 엔드 투 엔드로 프레임워크를 훈련한다.

실험 결과

연구 질문

• RQ1 사용자가 낯선 지리적 지역으로 이동할 때, 어떻게 효과적으로 사용자 관심도 변화를 모델링할 수 있는가?
• RQ2 사용자 리뷰에서 도출된 군중 감성이 체크인 행동에 얼마나 큰 영향을 미치며, 추천 정확도 향상에 기여하는가?
• RQ3 체크인 데이터에서 유도된 지역 사회 공통 선호도 통합이 외지 사용자에 대한 데이터 희소성 문제를 완화하는 데 효과적인가?
• RQ4 제안된 LSARS 모델은 고향 지역 및 외지 지역 추천 시나리오에서 최신 기법들과 비교해 어떻게 성능을 냈는가?
• RQ5 LSARS는 실세계 응용 과제인 공간적 항목 추천 및 타겟 사용자 탐색에 효과적으로 적용될 수 있는가?

주요 결과

• LSARS는 두 개의 대규모 LBSN 데이터셋에서 기존 최신 기법들을 뛰어넘는 성능을 보이며, 고향 지역 및 외지 지역 모두에서 뛰어난 성능을 입증했다.
• R=70, K=70 조건에서 고향 지역 타겟 사용자 탐색의 정확도@5는 0.039를 기록하여 관련 사용자를 식별하는 데 뛰어난 성능을 보였다.
• 외지 지역 타겟 사용자 탐색에서는 R=70, K=70 조건에서 정확도@5가 0.0033를 기록하여 극도로 희소한 데이터 상황에서도 효과성을 입증했다.
• 군중 감성과 지역 선호도 통합은 특히 활동이 적은 지역에서 더 정확하고 맥락 인식 가능한 추천을 가능하게 했다.
• 절단 실험 결과, 사용자 관심도 변화 모델링과 감성 통합이 성능 향상에 기여하는 데 있어 중요한 역할을 한다는 것이 확인되었다.
• 지역 사용자 행동 패턴과 감성 인식 표현을 활용함으로써 LSARS는 외지 상황에서의 콜드스타트 및 희소성 문제를 효과적으로 다룰 수 있었다.