[논문 리뷰] Personalized Next Point-of-Interest Recommendation via Latent Behavior Patterns Inference

Jing He, Xin Li외 2명|arXiv (Cornell University)|2018. 05. 16.

Recommender Systems and Techniques참고 문헌 27인용 수 5

한 줄 요약

이 논문은 위치기반 소셜네트워크(LBSNs)에서 개인화된 다음 장소(Point-of-Interest, POI) 추천을 향상시키기 위해 순차적 체크인 데이터로부터 잠재 행동 패턴을 추론하는 텐서 기반 모델 PPDM을 제안한다. 사용자-POI 전이를 제3계층 텐서로 모델링하고, 베이지안 개인화 랭킹(BPR) 프레임워크를 활용해 EM 최적화를 통해 맥락적 특징을 통합함으로써, PPDM은 특히 체크인 기록이 희박한 사용자에게도 최신 기술 수준의 성능을 달성한다.

ABSTRACT

In this paper, we address the problem of personalized next Point-of-interest (POI) recommendation which has become an important and very challenging task for location-based social networks (LBSNs), but not well studied yet. With the conjecture that, under different contextual scenarios, human exhibits distinct mobility pattern, we attempt here to jointly model the next POI recommendation under the influence of user's latent behavior pattern. We propose to adopt a third-rank tensor to model the successive check-in behaviors. By integrating categorical influence into mobility patterns and aggregating user's spatial preference on a POI, the proposed model deal with the next new POI recommendation problem by nature. By incorporating softmax function to fuse the personalized Markov chain with latent pattern, we furnish a Bayesian Personalized Ranking (BPR) approach and derive the optimization criterion accordingly. Expectation Maximization (EM) is then used to estimate the model parameters. We further develop a personalized model by taking into account personalized mobility patterns under the contextual scenario to improve the recommendation performance. Extensive experiments on two large-scale LBSNs datasets demonstrate the significant improvements of our model over several state-of-the-art methods.

연구 동기 및 목표

• 사용자 체크인 데이터가 매우 희박하고 순차적인 위치기반 소셜네트워크(LBSNs)에서 개인화된 다음 POI 추천 문제를 해결한다.
• 기존의 협업 필터링과 행렬 분해의 한계를 극복하기 위해 순차적 체크인 패턴을 명시적으로 모델링한다.
• 시간대, 주중/주말 등 다양한 맥락적 상황에서 사용자 이동 패턴을 포착하여 추천 정확도를 향상시킨다.
• 공유된 이동 추세로부터 잠재 행동 패턴을 추론함으로써 체크인 빈도가 낮은 사용자의 추천 성능을 향상시킨다.
• 개인화된 선호도, 공간적 근접성, 맥락적 특징을 하나의 확률 모델에 통합하여 다음 POI 예측을 위한 통합 프레임워크를 개발한다.

제안 방법

• 사용자 × 현재 POI × 다음 POI의 제3계층 텐서로 연속된 체크인 행동을 모델링하여 순차적 이동 패턴을 포착한다.
• 시간대, 주중/주말, POI 카테고리 등 맥락적 특징을 범주적 영향으로 통합하여 잠재 행동 패턴을 정밀화한다.
• 암시적 체크인 피드백으로부터 사용자 선호도를 학습하기 위해 베이지안 개인화 랭킹(BPR) 유사 최적화 기준을 설정한다.
• 기대값 최대화(EM) 알고리즘을 사용하여 모델 파라미터, 즉 잠재 행동 패턴과 전이 확률을 추정한다.
• 공유된 잠재 구조 내에서 사용자별 행동 패턴을 모델링하여 맥락적 상황에서 개인화된 이동 패턴을 통합한다.
• 개인화된 마르코프 체인과 잠재 행동 패턴을 결합하기 위해 소프트맥스 융합을 적용하여 랭킹 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 희박하고 순차적인 체크인 데이터로부터 잠재 행동 패턴을 효과적으로 추론하여 다음 POI 추천 성능을 향상시킬 수 있는가?
• RQ2 시간대와 주중/주말과 같은 맥락적 특징이 다음 POI 추천 정확도에 어느 정도 기여하는가?
• RQ3 잠재 행동 패턴의 수가 추천 성능에 미치는 영향은 무엇이며, 실제 LBSN 데이터셋에서 최적의 수는 얼마인가?
• RQ4 공유된 잠재 이동 패턴을 활용함으로써 체크인이 매우 적은 사용자에게도 모델이 잘 일반화되는가?
• RQ5 POI 간 장거리 또는 장시간 간격 전이를 예측할 때 모델의 성능은 어떠한가?

주요 결과

• PPDM는 Foursquare와 Gowalla 데이터셋 모두에서 최신 기술 수준의 방법보다 뚜렷한 성능 향상을 보였으며, Gowalla 데이터셋에서 잠재 패턴 수를 3에서 4로 늘일 때 P@10에서 59.2%의 상대적 향상률을 기록했다.
• 체크인 빈도가 낮은 사용자에게서 GPDM(전역 패턴 모델)보다 PPDM가 더 우수한 성능을 보였는데, 이는 PPDM가 개인화된 잠재 패턴을 더 효과적으로 활용하기 때문이다.
• Foursquare에서는 6개의 잠재 패턴, Gowalla에서는 4개의 잠재 패턴을 사용할 경우 거의 최적의 성능에 도달했으며, 추가 증가로는 성능 향상가 극명하게 감소하는 경향을 보였다.
• 모델은 짧은 거리의 국소적 전이뿐 아니라 최대 304km까지의 장거리 이동까지도 성공적으로 예측하여 다양한 이동 스케일에서의 강건성을 입증했다.
• POI 카테고리, 시간대, 주중/주말 등 모든 맥락적 특징을 통합할 경우 성능 향상이 가장 크게 나타났으며, 이는 세밀한 맥락 정보가 잠재 패턴 탐색에 기여함을 시사한다.
• 모델은 최대 44시간의 장시간 간격에도 강력한 예측 능력을 유지하여 주기적이고 비정기적인 이동 패턴 모두에 적합함을 보였다.