[논문 리뷰] DisenPOI: Disentangling Sequential and Geographical Influence for Point-of-Interest Recommendation

Yifang Qin, Yifan Wang외 7명|arXiv (Cornell University)|2022. 10. 29.

Recommender Systems and Techniques인용 수 5

한 줄 요약

이 논문은 이중 그래프와 대비 학습을 사용하여 순차적이고 지리적 영향을 분리하는 새로운 그래프 신경망 프레임워크인 DisenPOI를 제안한다. 사용자 체크인 순서와 공간적 근접성을 별도로 모델링하고, 선호도 프록시에 대해 자기지도 대비 손실을 적용함으로써 DisenPOI는 세 개의 실세계 데이터셋에서 뛰어난 추천 정확도와 향상된 해석 가능성 달성.

ABSTRACT

Point-of-Interest (POI) recommendation plays a vital role in various location-aware services. It has been observed that POI recommendation is driven by both sequential and geographical influences. However, since there is no annotated label of the dominant influence during recommendation, existing methods tend to entangle these two influences, which may lead to sub-optimal recommendation performance and poor interpretability. In this paper, we address the above challenge by proposing DisenPOI, a novel Disentangled dual-graph framework for POI recommendation, which jointly utilizes sequential and geographical relationships on two separate graphs and disentangles the two influences with self-supervision. The key novelty of our model compared with existing approaches is to extract disentangled representations of both sequential and geographical influences with contrastive learning. To be specific, we construct a geographical graph and a sequential graph based on the check-in sequence of a user. We tailor their propagation schemes to become sequence-/geo-aware to better capture the corresponding influences. Preference proxies are extracted from check-in sequence as pseudo labels for the two influences, which supervise the disentanglement via a contrastive loss. Extensive experiments on three datasets demonstrate the superiority of the proposed model.

연구 동기 및 목표

• 순차적 영향과 지리적 영향이 얽혀 있는 POI 추천 문제에 대응하여 모델의 해석 가능성과 성능을 저해하는 요인을 해결하기 위해.
• 사용자 체크인 패턴에서 두 주요 추진력인 순차적 행동과 공간적 근접성을 명시적으로 분리하기 위해.
• 전용 그래프 구조와 자기지도 대비 학습을 사용하여 이러한 영향을 별도로 모델링함으로써 추천 품질을 향상시키기 위해.
• 각 영향 유형의 기여도를 명확히 하는 분리된 표현을 학습함으로써 해석 가능성을 향상시키기 위해.
• 세 가지 벤치마크 데이터셋에서 광범위한 실험을 통해 제안된 방법의 효과성을 검증하기 위해.

제안 방법

• 사용자 체크인 순서에 기반한 순차적 그래프와 POI 간 물리적 근접성에 기반한 지리적 그래프를 별도로 구성한다.
• 각 그래프 내에서 의미적 구분을 유지하기 위해 순서 인식 및 지리 인식 그래프 전파 메커니즘을 설계한다.
• 체크인 순서에서 선호도 프록시를 생성하여 자기지도 대비 학습의 가짜 레이블로 사용한다.
• 동일한 영향 유형의 표현을 정렬하고 다른 영향 유형의 표현을 분리하기 위해 대비 손실 ($\mathcal{L}_{\text{con}}$)을 적용한다.
• 두 그래프에서 분리된 사용자 및 POI 표현을 학습하기 위해 이중 브랜치 인코더 아키텍처를 사용한다.
• 분리된 표현을 최종 예측 레이어에 통합하여 POI 추천을 수행한다.

실험 결과

연구 질문

• RQ1 이중 그래프 프레임워크는 POI 추천에서 순차적 영향과 지리적 영향을 효과적으로 분리할 수 있는가?
• RQ2 선호도 프록시를 활용한 자기지도 대비 학습은 영향 유형의 분리에 어떻게 기여하는가?
• RQ3 제안된 방법은 추천 정확도와 해석 가능성 측면에서 기존 모델을 초월하는가?
• RQ4 비지리적 모델 대비, 추천된 POI의 지리적 근접성이 사용자 행동과 얼마나 관련이 있는가?
• RQ5 학습 과정은 하이퍼파ram터 스케줄링에 민감한가? 교육 과정 학습 전략이 성능 향상에 기여하는가?

주요 결과

• DisenPOI는 Gowalla, Brightkite, Foursquare 세 개의 실세계 데이터셋에서 최신 기준 성능을 달성하여 Recall 및 NDCG 지표에서 기존 방법을 모두 능가한다.
• 제거 실험을 통해 대비 손실 ($\mathcal{L}_{\text{con}}$)이 분리 능력을 뚜렷이 향상시킴을 확인하였으며, t-SNE 시각화에서 더 명확한 클러스터 구조가 관찰되었다.
• DisenPOI는 사용자 현재 경로에서 평균 2.41 km 이내의 POI를 추천하는 반면, DIN은 5.97 km를 기록하여 더 강한 지리적 관련성을 보였다.
• 상위 50개 추천에서 정확도가 29.6%로, DIN의 28.3%를 상회하여 사용자 의도와의 일치도가 더 높음을 입증하였다.
• α를 0.1에서 1.0으로 점진적으로 증가시키는 교육 과정 학습 전략을 적용한 결과, 고정 또는 무작위 α 설정보다 더 좋은 수렴과 성능을 달성하였다.
• 사례 연구 결과, DisenPOI는 사용자 경로 근처의 기능적으로 유사한 POI(예: 카페)를 우선 추천하는 반면, 기준 모델은 떨어진, 카테고리가 유사한 POI(예: 기차역)를 자주 추천하는 경향을 보였다.