[논문 리뷰] CAPS: Context Aware Personalized POI Sequence Recommender System

Ramesh Baral, Tao Li외 1명|arXiv (Cornell University)|2018. 03. 03.

Recommender Systems and Techniques참고 문헌 5인용 수 6

한 줄 요약

CAPS는 공간, 시간, 카테고리, 사회적 요인 및 전역 시퀀스 특징을 은닉층과 출력층에 통합함으로써 RNN과 LSTM을 확장하여 맥락 인식형 개인화된 POI 순서 추천 시스템을 제안한다. 이는 맥락적 일관성과 시퀀스 다양성을 크게 향상시키며, 실제 데이터셋에서 인기 기반 기준 대비 평균 이격 거리를 70% 이상 감소시킨다.

ABSTRACT

The revolution of World Wide Web (WWW) and smart-phone technologies have been the key-factor behind remarkable success of social networks. With the ease of availability of check-in data, the location-based social networks (LBSN) (e.g., Facebook1, etc.) have been heavily explored in the past decade for Point-of-Interest (POI) recommendation. Though many POI recommenders have been defined, most of them have focused on recommending a single location or an arbitrary list that is not contextually coherent. It has been cumbersome to rely on such systems when one needs a contextually coherent list of locations, that can be used for various day-to-day activities, for e.g., itinerary planning. This paper proposes a model termed as CAPS (Context-Aware Personalized POI Sequence Recommender System) that generates contextually coherent POI sequences relevant to user preferences. To the best of our knowledge, CAPS is the first attempt to formulate the contextual POI sequence modeling by extending Recurrent Neural Network (RNN) and its variants. CAPS extends RNN by incorporating multiple contexts to the hidden layer and by incorporating global context (sequence features) to the hidden layers and the output layer. It extends the variants of RNN (e.g., Long-short term memory (LSTM)) by incorporating multiple contexts and global features in the gate update relations. The major contributions of this paper are: (i) it models the contextual POI sequence problem by incorporating personalized user preferences through multiple constraints (e.g., categorical, social, temporal, etc.), (ii) it extends RNN to incorporate the contexts of individual item and that of the whole sequence. It also extends the gated functionality of variants of RNN to incorporate the multiple contexts, and (iii) it evaluates the proposed models against two real-world data sets.

연구 동기 및 목표

• 기존 POI 추천 시스템이 맥락적으로 일관되지 않은 또는 임의의 위치 목록을 생성하는 데 발생하는 격차를 해소한다.
• 다양한 동적 맥락을 통합한 시퀀스 모델링 문제로 개인화된 POI 순서 추천을 재정의한다.
• 개별 POI의 맥락과 전역 시퀀스 수준 제약 조건(예: 거리, 시간, 출발/도착 지점)을 모두 모델링하여 추천 품질을 향상시킨다.
• 다층 사용자 선호도와 실제 여행 제약 조건을 처리할 수 있도록 RNN과 LSTM을 확장하는 딥 러닝 프레임워크를 개발한다.
• 실제 LBSN 데이터를 기반으로 모델을 평가하여 맥락적 일관성, 다양성 및 공간 효율성 측면에서의 우수성을 입증한다.

제안 방법

• 은닉층 상태에 공간, 시간, 카테고리, 사회적 요인 등의 다중 맥락 벡터를 통합함으로써 표준 RNN 및 LSTM 아키텍처를 확장한다.
• 장기 의존성을 모델링하기 위해 전역 시퀀스 맥락(예: 총 여행 시간, 출발/도착 POI)을 은닉층과 출력층 양쪽에 통합한다.
• 셀 상태와 은닉층 상태 갱신 시 다중 맥락 특징을 통합할 수 있도록 LSTM 게이트 메커니즘(입력, 잊기, 출력)을 수정한다.
• 모든 시간 단계에 걸쳐 전파되는 공유 맥락 표현 벡터를 사용하여 시퀀스 전반에 걸친 맥락 일관성을 유지한다.
• 사용자별 및 맥락 기반 제약 조건 하에서 다음 POI 예측을 최적화하는 시퀀스 예측 손실을 사용해 모델을 종단 간(end-to-end)으로 훈련한다.
• 사용자 체크인 이력, POI 카테고리, 타임스탬프 및 공간적 근접도를 조합하여 네트워크 입력용 밀집 임베딩으로 인코딩하기 위한 특징 공학 기법을 적용한다.

실험 결과

연구 질문

• RQ1 시간, 공간, 카테고리, 사회적 맥락 등의 다중 맥락 요소를 통합함으로써 딥 러닝 모델이 개인화된 POI 순서를 효과적으로 모델링할 수 있는가?
• RQ2 출발/도착 지점, 총 여행 시간 등의 전역 시퀀스 수준 특징을 통합할 경우, 추천된 POI 순서의 일관성과 현실성은 어떻게 향상되는가?
• RQ3 제안된 RNN 및 LSTM의 맥락 인식 확장 기법이 표준 모델 및 인기 기반 기준 대비 순서 추천 품질에서 얼마나 뛰어난 성능을 보이는가?
• RQ4 시간적 맥락과 공간적 맥락 등의 다양한 맥락 유형이 모델이 다양한 지리적 타당성을 갖춘 일정을 생성하는 데 미치는 영향은 어떠한가?
• RQ5 다양한 체크인 패턴과 선호도를 가진 사용자 간에서 일반화 가능성이 있으며, 맥락 일관성과 낮은 이격 거리를 유지할 수 있는가?

주요 결과

• CAPS-LSTM는 사용자 u₁의 평균 이격 거리를 인기 기반 모델의 19.36 km에서 5.02 km로 감소시키며 공간적 일관성 향상을 입증하였다. 사용자 u₂의 경우 20.03 km에서 5.61 km로 감소하였다.
• 모델은 더 긴 시퀀스 길이에서 특히 두드러지게 높은 시퀀스 다양성을 달성하였으며, 인기 기반 모델 대비 3개에서 4개의 서로 다른 카테고리를 포함하였다.
• CAPS-RNN과 CAPS-LSTM는 모든 기준 대비 순서 수준 평가 지표에서 뛰어난 성능을 보였으며, 더 나은 맥락 일관성과 사용자 선호도 일치도를 입증하였다.
• 더 큰 데이터셋에서의 성능 향상으로 인해 모델의 확장성과 충분한 훈련 데이터가 확보된 환경에서의 실생활 적용 잠재력이 높다는 점을 시사하였다.
• 전역 시퀀스 특징(예: 여행 예산, 출발/도착 POI)을 통합함으로써 생성된 일정의 현실성과 실현 가능성이 뚜렷이 향상되었다.
• 사례 연구를 통해 CAPS는 사용자 행동 패턴에 기반해 기업 사무소나 야간 레저 시설 등을 포함하는 더 맥락적으로 관련성 있고 사용자 중심의 순서를 생성함을 확인하였다.