[논문 리뷰] RELINE: Point-of-Interest Recommendations using Multiple Network Embeddings

Giannis Christoforidis, Pavlos Kefalas외 2명|arXiv (Cornell University)|2019. 02. 02.

Recommender Systems and Techniques인용 수 4

한 줄 요약

RELINE는 다중 네트워크 임bedding을 통해 사용자 및 POI 동적 특성을 통합적으로 학습함으로써 포인트오브인테레스트(POI) 추천을 위한 통합 모델을 제안한다. 사회적, 지리적, 시간적, 선호도 동적 특성을 포함하는 8개의 관계 그래프를 공유 잠재 공간에 통합하여, 특히 쿨스타트 시나리오에서 최신 기술 대비 뚜렷한 정확도 향상을 달성한다.

ABSTRACT

The rapid growth of users' involvement in Location-Based Social Networks (LBSNs) has led to the expeditious growth of the data on a global scale. The need of accessing and retrieving relevant information close to users' preferences is an open problem which continuously raises new challenges for recommendation systems. The exploitation of Points-of-Interest (POIs) recommendation by existing models is inadequate due to the sparsity and the cold start problems. To overcome these problems many models were proposed in the literature, but most of them ignore important factors such as: geographical proximity, social influence, or temporal and preference dynamics, which tackle their accuracy while personalize their recommendations. In this work, we investigate these problems and present a unified model that jointly learns users and POI dynamics. Our proposal is termed RELINE (REcommendations with muLtIple Network Embeddings). More specifically, RELINE captures: i) the social, ii) the geographical, iii) the temporal influence, and iv) the users' preference dynamics, by embedding eight relational graphs into one shared latent space. We have evaluated our approach against state-of-the-art methods with three large real-world datasets in terms of accuracy. Additionally, we have examined the effectiveness of our approach against the cold-start problem. Performance evaluation results demonstrate that significant performance improvement is achieved in comparison to existing state-of-the-art methods.

연구 동기 및 목표

• 기존의 POI 추천 모델이 희소성, 쿨스타트 문제, 다차원 사용자 행동을 포괄하지 못하는 한계를 해결한다.
• 사회적 영향력, 지리적 근접성, 시간 패턴, 변화하는 사용자 선호도를 하나의 통합 추천 프레임워크에 통합한다.
• 관계 그래프 임베딩을 통해 동적인 사용자 및 POI 행동을 모델링하여 희소성 및 쿨스타트 문제를 해결한다.
• 다양한 이질적 네트워크에서 동시에 임베딩을 학습하는 확률적 그래프 기반 접근법을 개발한다.

제안 방법

• RELINE는 사용자-사회적, 사용자-지리적, 사용자-시간적, POI-시간적, 사용자-루트, POI-루트, 사용자-선호도, POI-선호도의 8개의 관계 그래프를 구성하여 다양한 사용자-POI 상호작용을 모델링한다.
• 각 그래프의 기여도를 균형 잡기 위해 확률적 가중 전략을 적용하며, 사회적, 지리적, 시간적, 선호도 동적 특성에 각각 가중치 파라미터 α, β, γ, δ를 사용한다.
• 차원 d의 공유 잠재 공간에서 사용자 및 POI 임베딩을 그래프 기반 학습 프레임워크를 통해 동시에 최적화하며, 학습 효율성을 향상시키기 위해 확률적 샘플링을 적용한다.
• 시간 간격 ΔT를 사용하여 시간 인식 그래프(예: 사용자-시간대, POI-시간대)를 구축할 수 있도록 한다.
• 차원(d) 및 샘플 수(S)와 같은 하이퍼파라미터는 정확도를 극대화하기 위해 경험적으로 튜닝되며, 데이터셋에 따라 d=100–140, S=100–300의 범위에서 설정된다.
• 사용자-POI 상호작용 시퀀스의 예측 손실을 최소화하기 위해 음성 샘플링과 확률적 최적화를 사용하여 엔드 투 엔드로 모델을 훈련한다.

실험 결과

연구 질문

• RQ1 다양한 네트워크 임베딩을 효과적으로 통합하여 POI 추천 정확도를 향상시킬 수 있는가?
• RQ2 사회적, 지리적, 시간적, 선호도 동적 특성이 함께 작용할 때, POI 추천에서 희소성 및 쿨스타트 문제를 얼마나 효과적으로 줄일 수 있는가?
• RQ3 통합 추천 모델에서 사회적, 지리적, 시간적, 선호도 영향 요소 간 최적의 균형은 무엇인가?
• RQ4 최신 기술 기반 모델 대비 냉각 상태 사용자 및 장소에서 모델의 성능은 어떠한가?

주요 결과

• RELINE는 Foursquare, Weeplaces, Gowalla의 세 가지 실세계 데이터셋에서 최신 기술 모델 대비 뚜렷한 성능 향상을 보였다.
• 정확도는 Foursquare와 Weeplaces에서는 차원 d=100에서, Gowalla에서는 d=140에서 최고에 도달하며, 이 이상의 값에서는 추가적인 향상이 없었다.
• 최적의 시간 간격 ΔT는 Foursquare에서 20, Weeplaces에서 40, Gowalla에서 15였으며, 너무 크거나 작을 경우 데이터 희소성 또는 과적합으로 인해 정확도가 떨어졌다.
• 파라미터 튜닝 결과, Foursquare에서는 사회적 영향력이 지배적이었고, Weeplaces에서는 지리적 영향력이 높았으며, Gowalla에서는 선호도 동적 특성이 두드러졌다. 이는 각 데이터셋의 고유한 행동 패턴을 반영한다.
• 냉각 상태 사용자 및 장소에 대한 강건한 성능을 보이며, 특히 도전적인 이 상황에서 기존 기반 모델들을 뛰어넘는 성능을 보였다.
• 사회적, 지리적, 시간적, 선호도 동적 특성의 통합은 단일 또는 이중 요소에 의존하는 모델보다 더 높은 정확도를 달성한다.