[논문 리뷰] Personalised Travel Recommendation based on Location Co-occurrence

Maarten Clements, Pavel Serdyukov외 2명|arXiv (Cornell University)|2011. 06. 26.

Human Mobility and Location-Based Analysis참고 문헌 23인용 수 32

한 줄 요약

이 논문은 플리커 지오태그에서 유저의 방문 패턴 공존 패턴을 활용하여 지리적으로 떨어진 지역의 관광 명소를 개인화된 방식으로 추천하는 시스템을 제안한다. 스케일 파라미터를 가진 가우시안 커널 밀도 추정을 사용해 사용자 방문 공존 패턴을 모델링함으로써, 특히 방문 시간으로 필터링된 경우 기존의 인기 기반 순위보다 뛰어난 성능을 보이며, 코사인 유사도와 RankDiff 순위 방법을 통해 놀라운 교차 대륙 추천을 가능하게 한다.

ABSTRACT

We propose a new task of recommending touristic locations based on a user's visiting history in a geographically remote region. This can be used to plan a touristic visit to a new city or country, or by travel agencies to provide personalised travel deals. A set of geotags is used to compute a location similarity model between two different regions. The similarity between two landmarks is derived from the number of users that have visited both places, using a Gaussian density estimation of the co-occurrence space of location visits to cluster related geotags. The standard deviation of the kernel can be used as a scale parameter that determines the size of the recommended landmarks. A personalised recommendation based on the location similarity model is evaluated on city and country scale and is able to outperform a location ranking based on popularity. Especially when a tourist filter based on visit duration is enforced, the prediction can be accurately adapted to the preference of the user. An extensive evaluation based on manual annotations shows that more strict ranking methods like cosine similarity and a proposed RankDiff algorithm provide more serendipitous recommendations and are able to link similar locations on opposite sides of the world.

연구 동기 및 목표

• 사용자의 방문 이력 기반으로 지리적으로 떨어진 지역의 관련 관광 명소를 예측하는 개인화된 여행 추천 시스템을 개발하는 것.
• 플리커의 집단적 지오태그 데이터를 사용해 다양한 지역 간 사용자 방문의 공존 패턴을 캡처함으로써 위치 유사도를 모델링하는 것.
• 특히 낯선 목적지로 여행을 계획하는 사용자를 대상으로, 도시 수준 및 국가 수준에서의 위치 추천 효과성을 평가하는 것.
• 코사인 유사도 및 RankDiff와 같은 다양한 순위 방법이 기존의 인기 기반 기준 대비 정확하고 놀라운 추천을 얼마나 잘 생성하는지 비교하는 것.
• 방문 시간 또는 지오태그 정확도로 사용자 데이터를 필터링했을 때 추천 품질과 개인화에 미치는 영향을 평가하는 것.

제안 방법

• 이 방법은 플리커의 지오태그 6차원 공존 공간에 대해 가우시안 커널 컨볼루션을 적용하여 위치 유사도를 모델링하며, 각 지오태그는 델타 펄스로 간주된다.
• 가우시안 커널의 표준편차(밴드위드)는 스케일 파라미터로 기능하여, 도시 수준에서 국가 수준까지의 추천 범위를 제어한다.
• 공존 모델의 피크는 평균 이동 알고리즘을 사용해 타깃 지역 내 가장 관련성이 높은 랜드마크를 추정한다.
• 베를린과 바르셀로나와 같은 두 지역 간의 위치 유사도는 커널 밀도 추정을 통해 사용자 방문 패턴의 겹침을 측정함으로써 계산된다.
• 코사인 유사도 및 새로운 RankDiff 알고리즘과 같은 순위 방법을 적용해 유사도 점수에 기반해 추천을 우선순위 정렬함으로써 놀라움을 증진시킨다.
• 수동 애너테이션을 통해 추천 품질을 평가하며, 특히 인기 있는 랜드마크를 제거함으로써 진정된 개인화와 신선함을 평가한다.

실험 결과

연구 질문

• RQ1 지오태그 데이터에서 유도된 위치 공존 패턴이 지리적으로 떨어진 지역에서 개인화된 여행 추천을 효과적으로 예측할 수 있는가?
• RQ2 가우시안 커널 모델의 스케일 파라미터(밴드위드)가 추천 랜드마크의 크기와 관련성에 어떤 영향을 미치는가?
• RQ3 코사인 유사도 및 RankDiff와 같은 순위 방법이 인기 기반 기준 대비 추천의 놀라움을 얼마나 향상시키는가?
• RQ4 방문 시간 또는 정확도로 지오태그를 필터링하면 추천의 품질과 개인화에 어떤 영향을 미치는가?
• RQ5 공존 모델에서 피크 위치의 근사치가 전체 6차원 커널 컨볼루션과 비교해 얼마나 정확한가?

주요 결과

• 가우시안 커널 밀도 추정을 적용한 제안된 공존 모델은 특히 방문 시간으로 필터링된 경우 기존의 인기 기반 순위보다 개인화된 여행 추천에서 뚜렷한 성능 향상을 보였다.
• RankDiff 알고리즘은 안정적이고 높은 품질의 추천을 생성했으며, 일관성 면에서 코사인 유사도를 능가했고 노이즈 유도의 부적절한 관련성도 감소시켰다.
• 수동 평가 결과, 더 엄격한 순위 방법이 더 많은 놀라움을 유도하는 추천을 생성했으며, 베를린과 바르셀로나처럼 떨어진 지역 간 유사한 랜드마크를 연결하는 데 성공했다.
• 공존 모델에서 피크 위치의 근사치는 전체 6차원 컨볼루션 대비 평균 26미터의 편차를 보였고, 평균 앰플리튜드 감쇠율은 2.4%로, 정확도가 검증되었다.
• 지오태그 정확도(거리 수준 정밀도)로 데이터를 필터링하면 모델 신뢰성이 향상되었지만, 전체 데이터의 40%가 손실되었으며, 향후 지오태그 정확도를 가우시안 분산으로 모델에 통합할 수 있다.
• 시스템은 방문하지 않은 도시나 국가의 관련 랜드마크를 성공적으로 추천하여 사용자 행동 패턴 기반의 교차 대륙 개인화를 입증했다.