[논문 리뷰] Multifaceted Scenario-Aware Hypergraph Learning for Next POI Recommendation

Yuxi Lin, Yuanzhe Li외 2명|arXiv (Cornell University)|2026. 01. 09.

Recommender Systems and Techniques인용 수 0

한 줄 요약

MSAHG는 시나리오별 하이퍼그래프를 구성하고 적응 파라미터 분할을 사용하여 시나리오 간 갈등을 해결함으로써 다중 시나리오 모빌리티를 명시적으로 모델링하고 세 가지 실제 데이터셋에서 최첨단 성능을 달성한다.

ABSTRACT

Among the diverse services provided by Location-Based Social Networks (LBSNs), Next Point-of-Interest (POI) recommendation plays a crucial role in inferring user preferences from historical check-in trajectories. However, existing sequential and graph-based methods frequently neglect significant mobility variations across distinct contextual scenarios (e.g., tourists versus locals). This oversight results in suboptimal performance due to two fundamental limitations: the inability to capture scenario-specific features and the failure to resolve inherent inter-scenario conflicts. To overcome these limitations, we propose the Multifaceted Scenario-Aware Hypergraph Learning method (MSAHG), a framework that adopts a scenario-splitting paradigm for next POI recommendation. Our main contributions are: (1) Construction of scenario-specific, multi-view disentangled sub-hypergraphs to capture distinct mobility patterns; (2) A parameter-splitting mechanism to adaptively resolve conflicting optimization directions across scenarios while preserving generalization capability. Extensive experiments on three real-world datasets demonstrate that MSAHG consistently outperforms five state-of-the-art methods across diverse scenarios, confirming its effectiveness in multi-scenario POI recommendation.

연구 동기 및 목표

• 다양한 맥락 시나리오(사용자 유형, 시간, 공간)에서의 다음 POI 추천에 대한 동기를 제시한다.
• 다중 뷰 하이퍼그래프를 통해 시나리오별 모빌리티 패턴을 포착하는 프레임워크를 개발한다.
• 적응 파라미터 분할을 통해 시나리오 간 최적화 충돌을 완화하되 일반화는 보존한다.

제안 방법

• 협업, 시간적, 지리적 뷰와 공유 전이 뷰를 포함해 8개의 시나리오별 하이퍼그래프를 구성.
• 잔여 연결을 갖는 두 단계의 하이퍼그래프 합성으로 노드/하이퍼에지 업데이트.
• 시나리오별 임베딩을 뷰에서 영감을 얻은 게이팅으로 융합하고 대조 학습(InfoNCE)을 사용해 다중 뷰 표현을 정렬.
• 상충하는 파라미터를 중복시키고 그래디언트 유사성에 따라 시나리오를 그룹화해 시나리오 인지 학습을 가능하게 하는 적응 파라미터 분할 도입.
• 대조 용어와 추천 손실을 결합한 최종 손실로 최적화해 다중 뷰 협력과 정확도 간의 균형을 맞춘다.

실험 결과

연구 질문

• RQ1 다중 맥락 시나리오(사용자 유형, 시간, 공간)에서의 다음 POI 추천을 효과적으로 모델링하는 방법은 무엇인가?
• RQ2 시나리오별 하이퍼그래프가 단일 그래프 기반 기초모델보다 뚜렷한 모빌리티 패턴을 더 잘 포착하는가?
• RQ3 적응 파라미터 분할이 시나리오 간 간섭을 줄이고 다중 시나리오 학습을 개선하는가?
• RQ4 다중 뷰 융합과 대조 학습이 다중 시나리오에서의 추천 품질에 어떤 영향을 미치는가?

주요 결과

모델	시나리오	ACC@1	ACC@5	ACC@10	ACC@20	MRR	ACC@1	ACC@5	ACC@10	ACC@20	MRR	ACC@1	ACC@5	ACC@10	ACC@20	MRR
Gowalla	Local	0.1314	0.2758	0.3369	0.3934	0.2014	0.2020	0.3762	0.4237	0.4583	0.2809	0.2159	0.3878	0.4573	0.5203	0.2978
Gowalla	Tourist	0.1079	0.2349	0.2999	0.3623	0.1714	0.1298	0.2576	0.3056	0.3398	0.1886	0.1679	0.3137	0.3762	0.4367	0.2387
Gowalla	HSTLSTM	0.1405	0.2909	0.3558	0.4163	0.2122	0.2065	0.3731	0.4276	0.4650	0.2334	0.4236	0.5002	0.5626	0.3229
Gowalla	Suburban	0.1102	0.2391	0.3019	0.3614	0.1746	0.1454	0.2877	0.3327	0.3658	0.2107	0.1785	0.3227	0.3828	0.4452	0.2489
Gowalla	Workday	0.1366	0.2846	0.3512	0.4133	0.2085	0.1723	0.3295	0.3793	0.4152	0.2439	0.2118	0.3813	0.4497	0.5121	0.2927
Gowalla	Weekend	0.0820	0.1901	0.2471	0.3023	0.1373	0.0240	0.0524	0.0689	0.0778	0.0394	0.0728	0.1715	0.2275	0.2897	0.1239
NYC	Local	0.1343	0.2984	0.3644	0.4242	0.2122	0.1603	0.3311	0.3871	0.4268	0.2382	0.1756	0.3791	0.4575	0.5232	0.2698
NYC	Tourist	0.1074	0.2435	0.3066	0.3699	0.1751	0.1178	0.2322	0.2827	0.3272	0.1722	0.1455	0.3155	0.3861	0.4411	0.2254
NYC	DeepMove	0.1441	0.3114	0.3807	0.4402	0.2238	0.1544	0.3078	0.3606	0.3950	0.2235	0.1806	0.3897	0.4727	0.5392	0.2773
NYC	Suburban	0.1096	0.2505	0.3131	0.3758	0.1789	0.1305	0.2660	0.3192	0.3648	0.1944	0.1574	0.3406	0.4114	0.4714	0.2428
TKY	Downtown	0.1556	0.3385	0.4104	0.4768	0.2432	0.1782	0.2970	0.3762	0.5149	0.2398	0.1416	0.3625	0.4969	0.6247	0.2479
TKY	Suburban	0.0785	0.1983	0.2438	0.3058	0.1329	0.0714	0.2143	0.3571	0.4464	0.1519	0.0213	0.1277	0.2128	0.3404	0.0771
TKY	DCHL	0.1929	0.4180	0.5145	0.5627	0.2968	0.1000	0.2000	0.3000	0.5000	0.1600	0.1511	0.4106	0.5668	0.7162	0.2753
TKY	Suburban	0.1262	0.2816	0.3398	0.4107	0.2011	0.1460	0.2774	0.3796	0.4891	0.2155	0.1207	0.2783	0.3781	0.4741	0.1978
TKY	Workday	0.1494	0.3274	0.3980	0.4651	0.2337	0.1450	0.2748	0.3969	0.5115	0.2157	0.1438	0.3598	0.4912	0.6259	0.2480
TKY	Weekend	0.1031	0.2422	0.2915	0.3498	0.1713	0.1154	0.2308	0.2308	0.3846	0.1719	0.1223	0.3476	0.4871	0.5923	0.2304
MSAHG	Downtown	0.1871	0.3680	0.4349	0.4882	0.2723	0.2947	0.6974	0.8237	0.8605	0.4666	0.2132	0.4858	0.5689	0.6410	0.3358
MSAHG	Suburban	0.1540	0.3151	0.3801	0.4316	0.2310	0.1816	0.4447	0.5658	0.6000	0.3013	0.1993	0.4073	0.4789	0.5372	0.2927
MSAHG	Workday	0.1882	0.3585	0.4301	0.4945	0.2704	0.2316	0.5474	0.6526	0.7158	0.3736	0.2171	0.4804	0.5620	0.6216	0.3351
MSAHG	Weekend	0.0960	0.2250	0.2857	0.3346	0.1580	0.1868	0.4395	0.5500	0.5763	0.3011	0.1446	0.3218	0.3902	0.4534	0.2274

• MSAHG가 Gowalla, NYC, TKY 데이터셋에서 다양한 시나리오에 대해 최첨단 성능을 달성한다.
• 시나리오별 하이퍼그래프와 적응 파라미터 분할이 성능 향상에 크게 기여한다.
• MSAHG는 로컬/관광객 및 다운타운/교외 시나리오에서 지상실제 POI 카테고리 분포 및 거리 패턴을 더 정확하게 보존한다(기준 모델 대비).
• 절단(아블레이션) 결과 전체 모델이 분할 없거나 하이퍼그래프 없는 변형보다 ACC@1/5/10/20 및 MRR에서 NYC에서 우수하다.
• MSAHG는 여러 기준선에 비해 우수한 효율성 지표를 보이며 그래디언트 버퍼로 인한 메모리 오버헤드는 관리 가능하다.