[논문 리뷰] Knowledge-driven Site Selection via Urban Knowledge Graph

Yu Liu, Jingtao Ding외 1명|arXiv (Cornell University)|2021. 11. 01.

Recommender Systems and Techniques참고 문헌 44인용 수 10

한 줄 요약

이 논문은 도시 지식 그래프(UrbanKG)를 활용하여 효과성과 설명 가능성을 향상시키는 지식 기반의 사이트 선택 모델인 KnowSite를 제안한다. 다중 소스 도시 데이터에서 다중 관계형 UrbanKG를 구축하고, GNN 기반 인코더에 관계 경로 기반 어텐션을 적용한 디코더를 사용하여 복잡한 사업-지역 관계를 포착하고, 기준에 특화된 해석 가능한 추론을 제공함으로써 두 데이터셋에서 데이터 기반 기준보다 뛰어난 성능을 발휘한다.

ABSTRACT

Site selection determines optimal locations for new stores, which is of crucial importance to business success. Especially, the wide application of artificial intelligence with multi-source urban data makes intelligent site selection promising. However, existing data-driven methods heavily rely on feature engineering, facing the issues of business generalization and complex relationship modeling. To get rid of the dilemma, in this work, we borrow ideas from knowledge graph (KG), and propose a knowledge-driven model for site selection, short for KnowSite. Specifically, motivated by distilled knowledge and rich semantics in KG, we firstly construct an urban KG (UrbanKG) with cities' key elements and semantic relationships captured. Based on UrbanKG, we employ pre-training techniques for semantic representations, which are fed into an encoder-decoder structure for site decisions. With multi-relational message passing and relation path-based attention mechanism developed, KnowSite successfully reveals the relationship between various businesses and site selection criteria. Extensive experiments on two datasets demonstrate that KnowSite outperforms representative baselines with both effectiveness and explainability achieved.

연구 동기 및 목표

• 수동적 특징 공학에 의존하고 설명 가능성이 부족한 데이터 기반 사이트 선택 방법의 한계를 해결하기 위해.
• 다양한 도시 데이터를 구조화된 지식 그래프로 통합하는 일반화된 지식 기반 사이트 선택 패러다임을 개발하기 위해.
• 그래프 신경망에서의 다중 관계 메시지 전파를 통해 다양한 영향 요소를 적응적으로 모델링하기 위해.
• 관계 경로 기반 어テン션 메커니즘을 활용하여 사이트 결정에 대한 투명하고 논리적인 추론을 제공하기 위해.
• 사이트 선택과 관련된 20,000개 이상의 실체와 300,000개 이상의 사실을 포함하는 종합적인 도시 지식 그래프(UrbanKG)를 구축하기 위해.

제안 방법

• 다중 소스 도시 데이터에서 실체(예: 지역, POI, 브랜드)와 그들의 의미적 관계(속성, 소속, 공간성, 이동성)를 추출하여 도시 지식 그래프(UrbanKG)를 구축한다.
• UrbanKG에서 사전 훈련 기법을 사용하여 실체 및 관계 임베딩을 초기화하여 풍부한 의미 표현을 캡처한다.
• 다양한 맥락적 영향을 기반으로 지식 표현을 개선하기 위해 다중 관계 메시지 전파를 적용한 그래프 신경망(GNN) 기반 인코더를 활용한다.
• 다양한 사이트 선택 기준(예: 인구 유동성, 경쟁력)에 해당하는 다중 홉 관계 경로를 생성하는 관계 경로 기반 디코더를 설계한다.
• 관계의 의미적 조합을 통해 관계 경로 표현을 구성하고, 이러한 경로들에 대한 어텐션 메커니즘을 통해 최종 사이트 결정 점수를 계산한다.
• 최적의 스토어 위치를 예측하기 위한 지도 학습 목표를 사용하여 엔드 투 엔드로 KnowSite 모델을 훈련시킨다.

실험 결과

연구 질문

• RQ1 지식 기반 접근 방식이 전통적인 데이터 기반 방법보다 사이트 선택 정확도를 높일 수 있을까? 동시에 설명 가능한 추론을 제공할 수 있을까?
• RQ2 복잡한 다중 관계형 도시 지식을 사이트 선택 작업에 효과적으로 구조화하고 표현할 수 있는가?
• RQ3 GNN 인코더에서의 다중 관계 메시지 전파가 사업 사이트 결정에 영향을 주는 다양한 맥락 특화 영향을 얼마나 잘 모델링할 수 있을까?
• RQ4 관계 경로 기반 어텐션 메커니즘이 사이트 선택 결정에 대해 투명하고 논리적인 설명을 제공할 수 있을까?
• RQ5 제안된 지식 기반 프레임워크는 다양한 사업 유형과 도시 환경 간에 얼마나 일반화될 수 있을까?

주요 결과

• KnowSite는 Geo-Spotting, DD3S, DeepStore, AR2Net 등의 대표적인 데이터 기반 기준보다 두 개의 실세계 데이터셋에서 사이트 선택 정확도에서 뛰어난 성능을 발휘한다.
• UrbanKG에서 유래한 풍부하고 구조화된 도시 지식을 활용함으로써 모델은 단순한 특징을 넘어서는 복잡한 관계를 포착하여 뛰어난 효과성을 달성한다.
• 관계 경로 기반 어텐션 메커니즘이 인구 유동성 전이와 같은 논리적 추론 경로를 드러내어 설명 가능한 사이트 결정을 가능하게 한다.
• GNN 인코더에서의 다중 관계 메시지 전파가 브랜드 특화 관련성 등의 다양한 영향을 효과적으로 모델링하여 다양한 사업 유형 간 일반화 성능을 향상시킨다.
• UrbanKG에서의 사전 훈련은 초기 실체 및 관계 임베딩의 품질을 크게 향상시켜 후속 작업 성능 향상에 기여한다.
• 구축된 UrbanKG는 20,000개 이상의 실체와 300,000개 이상의 사실을 포함하여 사이트 선택 외의 도시 컴퓨팅 응용 분야를 위한 견고한 기반을 제공한다.