[논문 리뷰] Spatial Object Recommendation with Hints: When Spatial Granularity Matters

Hui Luo, Jingbo Zhou외 6명|arXiv (Cornell University)|2020. 01. 01.

Recommender Systems and Techniques참고 문헌 47인용 수 14

한 줄 요약

이 논문은 공간 포함 관계를 모델링하기 위해 POI 트리를 사용하여 다양한 공간 군집 수준(예: 도시, 고소, 시설)에서 상위-k 공간 객체(예: 도시, 고소, 시설)를 추천하는 다중 작업 학습 모델인 MPR(Multi-level POI Recommendation)를 제안한다. 사용자 및 POI 표현을 속성 기반 및 상호작용 기반 하위 작업을 통해 공동으로 학습하고, 주의 메커니즘과 POI 컨텍스트 그래프를 활용함으로써, 희소한 실세계 데이터에서도 추천 정확도를 향상시키며, 추천에 대한 해석 가능한 힌트를 제공한다.

ABSTRACT

Existing spatial object recommendation algorithms generally treat objects identically when ranking them. However, spatial objects often cover different levels of spatial granularity and thereby are heterogeneous. For example, one user may prefer to be recommended a region (say Manhattan), while another user might prefer a venue (say a restaurant). Even for the same user, preferences can change at different stages of data exploration. In this paper, we study how to support top-k spatial object recommendations at varying levels of spatial granularity, enabling spatial objects at varying granularity, such as a city, suburb, or building, as a Point of Interest (POI). To solve this problem, we propose the use of a POI tree, which captures spatial containment relationships between POIs. We design a novel multi-task learning model called MPR (short for Multi-level POI Recommendation), where each task aims to return the top-k POIs at a certain spatial granularity level. Each task consists of two subtasks: (i) attribute-based representation learning; (ii) interaction-based representation learning. The first subtask learns the feature representations for both users and POIs, capturing attributes directly from their profiles. The second subtask incorporates user-POI interactions into the model. Additionally, MPR can provide insights into why certain recommendations are being made to a user based on three types of hints: user-aspect, POI-aspect, and interaction-aspect. We empirically validate our approach using two real-life datasets, and show promising performance improvements over several state-of-the-art methods.

연구 동기 및 목표

• 통합 모델을 통해 다양한 공간 군집 수준(예: 도시, 고소, 시설)에서 공간 객체를 추천하는 데 도전하는 것.
• POI 간 계층적 공간 포함 관계를 활용하여 실세계 위치 데이터셋의 데이터 희소성 문제를 해결하는 것.
• 사용자 탐색 단계와 선호도 변화를 반영하는 동적이고 사용자 적응형 추천을 가능하게 하는 것.
• 사용자 행동, POI 속성, 상호작용 패턴을 바탕으로 추천에 대한 해석 가능한 힌트를 제공하는 것.
• 각 군집 수준에 대해 별도의 모델 없이도 다중 수준 추천을 지원하는 확장 가능한 종단 간 모델을 개발하는 것.

제안 방법

• 자식 POI(예: 식당)가 부모 POI(예: 백화점 또는 고소)에 완전히 포함되는 공간 포함 관계를 기반으로 POI 트리를 구축하는 것.
• 각 작업이 특정 공간 군집 수준에서 상위-k POI를 추천하는 다중 작업 학습 프레임워크를 설계하는 것.
• 각 작업에서 두 가지 하위 작업을 조합하는 것: (1) 사용자 및 POI 프로필 특성을 사용한 속성 기반 표현 학습, (2) 사용자-POI 체크인 데이터를 사용한 상호작용 기반 학습.
• 자식 POI에서 부모 POI로 특성 표현을 전파하기 위해 주의 네트워크를 활용하여, 데이터가 적은 환경에서 표현 학습을 향상시키는 것.
• 세 가지 소스(동시 검색, 동일한 수준의 POI 간 공통 방문, 유클리드 거리)를 통해 지리적 영향을 모델링하기 위해 POI 컨텍스트 그래프를 구축하는 것.
• 사용자-측면, POI-측면, 상호작용-측면의 세 가지 유형의 추천 힌트를 생성하여 모델의 해석 가능성과 사용자 신뢰도를 향상시키는 것.

실험 결과

연구 질문

• RQ1 단일 추천 모델이 다중 공간 군집 수준에서 상위-k POI 추천을 효과적으로 지원할 수 있는가?
• RQ2 POI 트리를 통해 공간 포함 관계를 활용할 경우, 희소한 실세계 데이터셋에서 추천 성능에 어떤 영향을 미치는가?
• RQ3 주의 기반 특성 전파와 지리적 영향 모델링은 성능 향상에 어떻게 기여하는가?
• RQ4 모델이 사용자에게 추천을 설명하는 데 있어 해석 가능한 힌트를 어느 정도 제공할 수 있는가?
• RQ5 희소 데이터에서 추천 정확도와 내구성 측면에서 제안된 MPR 모델은 최신 기술 대비 어떻게 비교되는가?

주요 결과

• MPR는 극도로 희소한 두 개의 실세계 데이터셋(약 99.97% 희소성)에서 최신 기술 대비 일관된 성능 향상을 달성한다.
• 제거 실험을 통해 주의 기반 특성 전파와 POI 컨텍스트 그래프 모두 NDCG@10 점수 향상에 상당한 기여를 함을 확인하였으며, 전체 모델이 각각 해당 기능이 없는 변형보다 뛰어난 성능을 보였다.
• 지리적 영향 요소(동시 검색, 공통 방문, 거리)의 포함은 특히 고밀도 도시 지역에서 추천 품질 향상에 명백한 기여를 하였다.
• 모델이 세 가지 유형의 추천 힌트를 생성할 수 있는 능력은 설명 가능성 향상에 기여하였으며, 사용자-측면 및 상호작용-측면 힌트는 사용자 행동과 강한 일치를 보였다.
• 다중 작업 학습 프레임워크는 군집 수준 간 지식 공유를 효과적으로 수행하여, 희소한 데이터에도 불구하고 과적합을 줄이고 일반화 능력을 향상시켰다.