[논문 리뷰] Learning Spatiotemporal-Aware Representation for POI Recommendation

Bei Liu, Tieyun Qian외 4명|arXiv (Cornell University)|2017. 04. 28.

Recommender Systems and Techniques참고 문헌 9인용 수 3

한 줄 요약

이 논문은 지식 그래프 임bedding 프레임워크 내에서 이동 벡터를 통해 사용자-POI 관계를 모델링하기 위해 시간과 장소를 함께 고려하는 스판타임-aware(스파atiotemporal-aware, STA) 표현 모델을 제안한다. 이 방법은 공유된 의미적 표현을 통해 이동 동역학을 학습함으로써 정확도, 데이터 희소성에 대한 강건성, 그리고 콜드스타트 POI 처리 능력에서 기존의 기준 모델들을 크게 능가하는 최신 기술 성능을 달성한다.

ABSTRACT

The wide spread of location-based social networks brings about a huge volume of user check-in data, which facilitates the recommendation of points of interest (POIs). Recent advances on distributed representation shed light on learning low dimensional dense vectors to alleviate the data sparsity problem. Current studies on representation learning for POI recommendation embed both users and POIs in a common latent space, and users' preference is inferred based on the distance/similarity between a user and a POI. Such an approach is not in accordance with the semantics of users and POIs as they are inherently different objects. In this paper, we present a novel spatiotemporal aware (STA) representation, which models the spatial and temporal information as \emph{a relationship connecting users and POIs}. Our model generalizes the recent advances in knowledge graph embedding. The basic idea is that the embedding of a $$ pair corresponds to a translation from embeddings of users to POIs. Since the POI embedding should be close to the user embedding plus the relationship vector, the recommendation can be performed by selecting the top-\emph{k} POIs similar to the translated POI, which are all of the same type of objects. We conduct extensive experiments on two real-world datasets. The results demonstrate that our STA model achieves the state-of-the-art performance in terms of high recommendation accuracy, robustness to data sparsity and effectiveness in handling cold start problem.

연구 동기 및 목표

• 기존의 POI 추천 방법들이 사용자와 POI를 공통 잠재 공간 내에서 동일한 실체로 취급하는 한계를 해결하기 위해.
• 공간적 또는 시간적 요소를 별도로 사용하는 것보다 시간과 장소의 공동 영향을 사용자 체크인 행동에 더 효과적으로 모델링하기 위해.
• 공유된 스판타임-aware 표현을 학습함으로써 데이터 희소성 및 콜드스타트 조건에서의 추천 성능을 향상시키기 위해.
• 통합된 임베딩 공간 내에서 이동 벡터를 통해 사용자와 POI 간의 의미적 관계를 자연스럽게 포착하는 방법을 개발하기 위해.

제안 방법

• 모델은 공동 스판타임-aware 맥락을 $<$시간, 장소$>$ 쌍으로 표현하고, 사용자 임베딩에서 POI 임베딩으로의 이동 벡터로 모델링한다.
• 특히 $\vec{u} + \vec{r}_{t,l} \approx \vec{v}$ 형태의 이동 메커니즘을 사용하는 지식 그래프 임베딩 기법을 일반화하며, 여기서 $\vec{r}_{t,l}$ 는 시간과 장소에 대한 이동 벡터이다.
• 추천은 변환된 사용자 임베딩과 후보 POI 임베딩 간의 유사도를 계산하여 유사도가 가장 높은 상위-k개의 POI를 선택함으로써 수행된다.
• 개인화된 POI 추천을 최적화하기 위해 음성 샘플링 전략을 사용하여 엔드 투 엔드로 모델을 훈련시킨다.
• 콜드스타트 POI를 처리하기 위해 공유된 $<$단어, 장소$>$ 쌍을 활용하여 이동 벡터를 추정하는 확장된 버전인 STA-C가 제안된다.
• 직접적인 사용자-POI 거리 계산을 피하기 위해, 대신 구조화된 관계 지식을 사용하여 사용자 선호도를 모델링한다.

실험 결과

연구 질문

• RQ1 시간과 장소를 별개가 아닌 $<$시간, 장소$>$ 쌍으로 통합하여 모델링할 경우, 개별적으로 시간 또는 장소를 사용하는 것보다 POI 추천 정확도가 향상되는가?
• RQ2 사용자-POI 간의 관계를 스판타임-aware 관계를 통해 이동 기반 임베딩 메커니즘으로 연결할 경우, 데이터가 희소한 환경에서 기존의 사용자-POI 유사도 방법보다 성능이 뛰어나지 않는가?
• RQ3 제안된 STA 모델이 POI 추천에서 데이터 희소성 문제를 어느 정도 완화하는가?
• RQ4 기존 기준 모델들과 비교해 볼 때 STA 모델은 콜드스타트 POI 추천에서 얼마나 효과적인가?
• RQ5 이 모델의 이동 구조는 다양한 실제 LBSN 데이터셋에 잘 일반화되는가?

주요 결과

• Foursquare 데이터셋에서 훈련 데이터가 20% 감소한 상황에서도 STA는 GE 기준 모델 대비 accuracy@1에서 20.00% 향상되어 데이터 희소성에 대한 강건성을 뛰어나게 입증하였다.
• Gowalla에서 동일한 20% 데이터 감소 조건 하에서 STA는 GE 대비 정확도 감소율을 15.73% 줄여, 추가로 강건성을 확인하였다.
• 데이터 희소성 하에서 STA는 Foursquare에서 정확도 저하를 20.00% 감소시키고, Gowalla에서는 15.73% 감소시켰으며, 이는 GE가 각각 31.69%와 18.91%의 감소를 보인 것과 대비된다.
• 콜드스타트 POI 추천에서 STA-C는 공유된 $<$단어, 장소$>$ 쌍을 활용해 이동 벡터 추정을 할 수 있는 능력 덕분에 Foursquare에서 GE를 일관되게 앞서며 뚜렷한 격차를 보였다.
• 체크인 기록이 제한된 상황에서도 모델의 성능은 안정적이고 뛰어나며, 이는 콜드스타트 시나리오 처리 능력의 효과성을 입증한다.
• 제거 분석 결과, 시간과 장소를 개별적으로 다루는 것보다 하나의 관계적 실체로 통합하여 모델링하는 것이 모델 성능에 핵심적임을 확인하였다.