[논문 리뷰] Geo-SAGE: A Geographical Sparse Additive Generative Model for Spatial Item Recommendation

Weiqing Wang, Hongzhi Yin외 4명|arXiv (Cornell University)|2015. 03. 12.

Human Mobility and Location-Based Analysis참고 문헌 25인용 수 11

한 줄 요약

Geo-SAGE는 공간적 아이템 동시 발생 및 콘텐츠 정보를 활용하여 데이터 희소성, 여행 지역 국한성, 관심사 이동 문제를 동시에 해결하기 위해 지리적 희소 추가 생성 모델을 사용하는 공간적 아이템 추천 모델이다. 공간 피라미드를 활용하여 지역적 선호도를 부드럽게 처리함으로써, 두 개의 대규모 LBSN 데이터셋에서 기존 최고 수준의 방법들을 능가한다.

ABSTRACT

With the rapid development of location-based social networks (LBSNs), spatial item recommendation has become an important means to help people discover attractive and interesting venues and events, especially when users travel out of town. However, this recommendation is very challenging compared to the traditional recommender systems. A user can visit only a limited number of spatial items, leading to a very sparse user-item matrix. Most of the items visited by a user are located within a short distance from where he/she lives, which makes it hard to recommend items when the user travels to a far away place. Moreover, user interests and behavior patterns may vary dramatically across different geographical regions. In light of this, we propose Geo-SAGE, a geographical sparse additive generative model for spatial item recommendation in this paper. Geo-SAGE considers both user personal interests and the preference of the crowd in the target region, by exploiting both the co-occurrence pattern of spatial items and the content of spatial items. To further alleviate the data sparsity issue, Geo-SAGE exploits the geographical correlation by smoothing the crowd's preferences over a well-designed spatial index structure called spatial pyramid. We conduct extensive experiments to evaluate the performance of our Geo-SAGE model on two real large-scale datasets. The experimental results clearly demonstrate our Geo-SAGE model outperforms the state-of-the-art in the two tasks of both out-of-town and home-town recommendations.

연구 동기 및 목표

• 장소 기반 소셜 네트워크(LBSNs) 내 공간적 아이템 추천에서 데이터 희소성, 여행 지역 국한성, 관심사 이동 문제를 해결하기 위해.
• 개별 사용자 관심사와 지역적 군집 선호도(거주자 대비 관광객)를 통합된 프레임워크 내에서 모델링하기 위해.
• 로컬 체크인 기록이 부족한 외지 사용자를 위한 추천 정확도 향상하기 위해.
• 공간 피라미드 인덱스 구조를 사용한 지리적 스무딩을 통해 활동 빈도가 낮은 지역의 데이터 희소성 완화하기 위해.
• 더 강력한 선호도 추론을 위해 공간적 아이템 동시 발생 패턴과 콘텐츠 정보를 통합하기 위해.

제안 방법

• Geo-SAGE는 사용자별 및 지역별 선호도 구성요소를 결합하는 희소 추가 생성 모델을 사용한다.
• 공간적 아이템의 동시 발생 패턴과 텍스트 콘텐츠에서 유도된 잠재 요소를 통해 사용자 관심사를 모델링한다.
• 모델은 각 지리적 지역에서 거주자(본토)와 관광객(외지) 선호도를 구분한다.
• 공간 피라미드 인덱스 구조를 사용하여 지역을 계층적으로 그룹화함으로써 인접 지역 간에 군집 선호도를 부드럽게 전이할 수 있도록 한다.
• 사용자 수준과 지역 수준의 구성요소를 조합하는 추가 프레임워크를 통해 선호도 추론을 수행함으로써 희소성 영향을 줄인다.
• 변분 추론을 사용하여 생성 과정을 최적화하고 사용자-아이템 상호작용을 예측하기 위해 엔드 투 엔드로 모델을 훈련시킨다.

실험 결과

연구 질문

• RQ1 제한된 사용자 체크인으로 인한 공간적 아이템 추천에서의 데이터 희소성 문제를 효과적으로 다룰 수 있는 추천 모델은 어떻게 설계될 수 있는가?
• RQ2 사용자 기록이 희소한 상황에서 지역 군집 선호도를 얼마나 효과적으로 활용하여 외지자 추천 성능을 향상시킬 수 있는가?
• RQ3 사용자 관심사는 다양한 지리적 지역 간에 어떻게 변화하는가? 그리고 추천 시스템에서 이를 어떻게 모델링할 수 있는가?
• RQ4 공간 피라미드 구조가 지역 선호도를 효과적으로 스무딩하고 밀도가 낮은 지역에서의 일반화 성능을 향상시키는 데 기여하는가?
• RQ5 사용자 행동 외에 아이템 동시 발생 및 콘텐츠 정보를 통합할 경우, 단순히 사용자 행동에 의존하는 모델 대비 추천 성능 향상 정도는 어느 정도인가?

주요 결과

• Geo-SAGE는 두 개의 실세계 LBSN 데이터셋에서 본토 및 외지자 추천 작업 모두에서 최신 기술들을 뛰어넘는 성능을 달성한다.
• 특히 활동 빈도가 낮은 지역에서 개인 사용자 관심사와 지역 군집 선호도를 효과적으로 모델링함으로써 뛰어난 성능을 발휘한다.
• 지리적 스무딩을 위한 공간 피라미드의 활용은 데이터 희소성의 영향을 줄이고 지역 간 선호도 전이를 향상시킨다.
• 아이템 동시 발생 및 콘텐츠 정보를 통합함으로써 더 정확하고 강력한 선호도 추론이 가능해진다.
• 전통적인 협업 필터링이 지역 사용자 기록이 부족한 상황에서 실패하는 것과는 달리, Geo-SAGE는 외지자 시나리오에 대해 뛰어난 일반화 능력을 보여준다.
• 실험 결과에 따르면 거주자와 관광객 선호도를 구분함으로써 추천 정확도 향상이 확인되었으며, 특히 낯선 장소에서 그 효과가 두드러진다.