[논문 리뷰] User modeling for point-of-interest recommendations in location-based social networks: the state-of-the-art

Shudong Liu|arXiv (Cornell University)|2017. 12. 19.

Human Mobility and Location-Based Analysis인용 수 3

한 줄 요약

이 논문은 위치기반 소셜네트워크(LBSNs)에서 포인트오브인테레스트(POI) 추천을 위한 사용자 모델링 기법에 대한 종합적인 서베이를 제공하며, 데이터 유형에 따라 접근 방식을 분류한다: 체크인 데이터, 지리정보, 공간시간 패턴, 지오-소셜 특성. 사용자 모델링 프레임워크를 정형화하고 LBSN 추천 시스템에서의 핵심 과제와 향후 연구 방향을 규명한다.

ABSTRACT

The rapid growth of location-based services(LBSs)has greatly enriched people's urban lives and attracted millions of users in recent years. Location-based social networks(LBSNs)allow users to check-in at a physical location and share daily tips on points-of-interest (POIs) with their friends anytime and anywhere. Such check-in behavior can make daily real-life experiences spread quickly through the Internet. Moreover, such check-in data in LBSNs can be fully exploited to understand the basic laws of human daily movement and mobility. This paper focuses on reviewing the taxonomy of user modeling for POI recommendations through the data analysis of LBSNs. First, we briefly introduce the structure and data characteristics of LBSNs,then we present a formalization of user modeling for POI recommendations in LBSNs. Depending on which type of LBSNs data was fully utilized in user modeling approaches for POI recommendations, we divide user modeling algorithms into four categories: pure check-in data-based user modeling, geographical information-based user modeling, spatio-temporal information-based user modeling, and geo-social information-based user modeling. Finally,summarizing the existing works, we point out the future challenges and new directions in five possible aspects

연구 동기 및 목표

• 사용자 모델링 기법을 데이터 활용도에 기반해 LBSNs에서 POI 추천에 대해 체계적으로 검토하고 분류하는 것.
• 구조화된 데이터 분석을 활용해 LBSNs에서 POI 추천을 위한 사용자 모델링 프레임워크를 정형화하는 것.
• 현재 접근 방식의 한계와 열려 있는 과제를 규명하여 향후 연구를 이끌어내는 것.
• 사용된 LBSN 데이터 유형(체크인, 지리정보, 공간시간, 지오-소셜)에 따라 사용자 모델링 방법의 분류 체계를 제공하는 것.

제안 방법

• 데이터 유형에 따라 사용자 모델링 접근 방식을 네 가지 범주로 분류: 순수 체크인 데이터, 지리정보, 공간시간 패턴, 지오-소셜 정보.
• LBSNs의 구조와 데이터 특성을 분석하여 사용자 모델링의 기초를 마련한다.
• 데이터 기반 모델링 원칙을 활용해 POI 추천을 위한 사용자 모델링을 정형화한다.
• 각 범주 내에서 기존 연구를 검토하여 패턴, 강점, 한계를 규명한다.
• 다양한 LBSN 데이터 소스에서 유래한 통찰을 융합하여 다면적인 사용자 모델링을 지원한다.
• 현재 방법론과 데이터 활용의 격차를 기반으로 향후 연구 방향을 규명한다.

실험 결과

연구 질문

• RQ1 어떻게 사용자 모델링 기법을 사용된 데이터 유형에 기반해 체계적으로 분류할 수 있는가?
• RQ2 순수 체크인 데이터에 의존하는 사용자 모델링 접근 방식의 핵심 특성과 한계는 무엇인가?
• RQ3 지리정보와 공간시간 데이터는 POI 추천의 정확성과 개인화에 어떻게 기여하는가?
• RQ4 사회적 유대관계와 사용자 상호작용을 통합함으로써 추천 성능은 어떻게 향상되는가?
• RQ5 LBSN 기반 POI 추천 시스템에서 주요 열려 있는 과제와 새로운 연구 방향은 무엇인가?

주요 결과

• LBSNs에서 사용자 모델링 접근 방식은 데이터 활용도에 따라 네 가지 명확한 유형으로 분류된다: 체크인 데이터, 지리정보, 공간시간, 지오-소셜 정보.
• 순수 체크인 데이터 기반 모델은 널리 사용되지만 종종 사용자 이동 패턴의 맥락 인식 능력에 결함이 있다.
• 지리정보를 통합하면 공간적 관련성이 향상되지만 사용자 행동의 시간적 동적 특성을 간과할 수 있다.
• 시간과 위치를 통합한 공간시간 모델은 사용자 선호도 예측에서 높은 정확도를 보인다.
• 사회적 유대관계와 체크인 행동을 융합한 지오-소셜 모델은 더 개인화된 추천을 제공하지만 확장성과 프라이버시 문제에 직면해 있다.
• 이 논문은 데이터 희소성 처리, 설명 가능성 향상, 복잡한 이동 패턴을 위한 딥러닝 활용 등 다섯 가지 주요 향후 연구 방향을 규명한다.