[논문 리뷰] A Survey of Point-of-interest Recommendation in Location-based Social Networks

Shenglin Zhao, Irwin King외 1명|arXiv (Cornell University)|2016. 07. 03.

Recommender Systems and Techniques참고 문헌 55인용 수 79

한 줄 요약

이 종합적 서베이는 위치 기반 소셜 네트워크(LBSNs)에서 장소 기반 관심사(POI) 추천에 대해 포괄적인 분석을 제공하며, 영향을 미치는 요인(지리적, 사회적, 시간적, 콘텐츠), 방법론(융합 및 동시 모델), 그리고 작업 유형(일般 대비 연속적 POI 추천)에 따라 기존 접근법을系통적으로 분류한다. 물리적 제약과 이질적 데이터와 같은 주요 과제를 밝히며, 주요 데이터셋과 평가 지표를 검토하고, 랭킹 기반 모델과 온라인 추천 시스템과 같은 새로운 추세를 강조한다.

ABSTRACT

Point-of-interest (POI) recommendation that suggests new places for users to visit arises with the popularity of location-based social networks (LBSNs). Due to the importance of POI recommendation in LBSNs, it has attracted much academic and industrial interest. In this paper, we offer a systematic review of this field, summarizing the contributions of individual efforts and exploring their relations. We discuss the new properties and challenges in POI recommendation, compared with traditional recommendation problems, e.g., movie recommendation. Then, we present a comprehensive review in three aspects: influential factors for POI recommendation, methodologies employed for POI recommendation, and different tasks in POI recommendation. Specifically, we propose three taxonomies to classify POI recommendation systems. First, we categorize the systems by the influential factors check-in characteristics, including the geographical information, social relationship, temporal influence, and content indications. Second, we categorize the systems by the methodology, including systems modeled by fused methods and joint methods. Third, we categorize the systems as general POI recommendation and successive POI recommendation by subtle differences in the recommendation task whether to be bias to the recent check-in. For each category, we summarize the contributions and system features, and highlight the representative work. Moreover, we discuss the available data sets and the popular metrics. Finally, we point out the possible future directions in this area and conclude this survey.

연구 동기 및 목표

• 위치 기반 소셜 네트워크(LBSNs)에서 POI 추천 연구에 대한 체계적인 리뷰를 제공하여 공간적, 시간적, 사회적 제약이 초래하는 고유한 과제를 다루는 것.
• 영향을 미치는 요인(지리적, 사회적, 시간적, 콘텐츠), 방법론(융합 및 동시 모델), 그리고 작업 유형(일반 대비 연속적 추천)의 세 가지 차원에 따라 기존 POI 추천 시스템을 분류하는 것.
• 각 범주 내 대표적 연구를 분석하여 핵심 기여 사항과 시스템 기능을 부각하는 것.
• 표준 데이터셋과 성능 지표를 평가하고 비교하여, P@N, R@N, F-score 및 상대 지표를 포함한 지표들을 분석하는 것.
• 랭킹 기반 모델과 온라인 추천 시스템과 같은 새로운 연구 추세와 향후 방향성을 식별하여, 향후 POI 추천 분야의 연구를 이끌어내는 것.

제안 방법

• 지리적 정보, 사회적 관계, 시간 역동성, 콘텐츠 신호(예: 장소 설명)와 같은 네 가지 주요 영향 요인을 기반으로 POI 추천 시스템을 분류한다.
• 융합 방법(여러 신호를 별도로 통합)과 동시 방법(통합 프레임워크 내에서 신호를 동시에 모델링)으로 나누어 방법론을 두 가지 주요 유형으로 분류한다.
• 일반 POI 추천(향후 체크인 예측의 광범위한 범위)과 연속적 POI 추천(최근 체크인에 대한 편향)을 구분하여 작업 유형의 특수성에 맞는 세부 사항을 반영한다.
• P@N(정밀도 at N), R@N(재현율 at N), F-score 및 상대 지표(r-P@N, r-R@N) 등 널리 사용되는 평가 지표를 검토하고 비교하여 모델 성능을 평가한다.
• 협업 필터링, 콘텐츠 특징, 시간 역동성을 활용하여 추천 정확도를 향상시키는 SPoRE, ORec, STELLAR 등의 대표적 연구를 분석한다.
• 절대 체크인 확률이 아닌 선호도 순서를 최적화하는 데 초점을 맞춘 랭킹 기반 학습 기법을 도입하며, BPR 및 WARP 손실 함수를 활용하여 추천 랭킹 품질을 향상시킨다.

실험 결과

연구 질문

• RQ1 전통적인 추천 시스템과 비교할 때 LBSNs에서 POI 추천에 영향을 미치는 주요 차별 요인인 지리적, 사회적, 시간적, 콘텐츠 관련 요소는 무엇인가?
• RQ2 융합 및 동시 모델링 방법론은 체크인, 사회적 유대, 장소 콘텐츠 등의 다중 신호를 통합하는 방식에서 어떻게 다름가?
• RQ3 일반 POI 추천과 연속적 POI 추천의 차이는 무엇이며, 시간적 편향은 모델 설계와 성능에 어떻게 영향을 미치는가?
• RQ4 POI 추천 성능을 측정하는 데 가장 적합한 평가 지표는 무엇이며, r-P@N와 같은 상대 지표는 어떻게 랜덤 기반 베이스라인과의 비교를 공정하게 만드는가?
• RQ5 랭킹 기반 모델과 온라인 학습과 같은 새로운 추세는 현재 오프라인, 정적 추천 시스템의 한계를 극복하는 데 있어 어떤 가능성을 지니는가?

주요 결과

• BPR 및 WARP 손실 함수를 사용하는 랭킹 기반 모델은 선호도 순서에 초점을 맞추므로, 기존의 확률 추정 방법보다 우수한 성능을 보이며, POI 추천의 목표와 더 잘 부합한다.
• r-P@N 및 r-R@N와 같은 상대 지표는 무작위 선택 기반 성능을 정규화함으로써 보다 공정한 비교 기준을 제공하며, 모델 향상 정도를 더 정확히 드러낸다.
• 체크인 패턴, 사회 네트워크, 장소 콘텐츠를 동시에 학습하는 동시 모델링 접근 방식은 독립적으로 신호를 처리하는 융합 방법보다 더 높은 추천 정확도를 달성한다.
• 최근 체크인에 우선순위를 두는 연속적 POI 추천 시스템은 이동 패턴이 변화하는 사용자에게서 향상된 성능을 보이며, 시간 역동성의 중요성을 입증한다.
• 다중 암호 기반 밴딧 기반 온라인 추천 모델은 냉시작 문제를 해결하고 실시간 사용자 행동 변화에 적응할 수 있는 유망한 미래 방향으로 확인된다.
• 이 서베이에서는 KDD, SIGIR, AAAI, WWW 등의 최상위 컨fer런스에서 발표된 50개 이상의 핵심 연구를 식별하여, 향후 POI 추천 분야의 연구에 포괄적인 기반을 마련한다.