[논문 리뷰] Improving Location Recommendation with Urban Knowledge Graph

Chang Liu, Chen Gao외 2명|arXiv (Cornell University)|2021. 11. 01.

Recommender Systems and Techniques참고 문헌 34인용 수 5

한 줄 요약

이 논문은 대규모 도시 지식 그래프(UrbanKG)를 활용하여 POI의 지리적 및 기능적 특성을 분리하는 지식 기반 위치 추천 모델 UKGC를 제안한다. 지리적 및 기능적 하위그래프에 각각 그래프 신경망을 적용하고, 사후적 학습(counterfactual learning)을 통해 지리적 편향을 완화함으로써, 두 개의 실세계 데이터셋에서 최신 기술 수준(SOTA) 성능을 달성하며 사용자-POI 상호작용 예측 정확도가 향상됨을 보여준다.

ABSTRACT

Location recommendation is defined as to recommend locations (POIs) to users in location-based services. The existing data-driving approaches of location recommendation suffer from the limitation of the implicit modeling of the geographical factor, which may lead to sub-optimal recommendation results. In this work, we address this problem by introducing knowledge-driven solutions. Specifically, we first construct the Urban Knowledge Graph (UrbanKG) with geographical information and functional information of POIs. On the other side, there exist a fact that the geographical factor not only characterizes POIs but also affects user-POI interactions. To address it, we propose a novel method named UKGC. We first conduct information propagation on two sub-graphs to learn the representations of POIs and users. We then fuse two parts of representations by counterfactual learning for the final prediction. Extensive experiments on two real-world datasets verify that our method can outperform the state-of-the-art methods.

연구 동기 및 목표

• 기존의 데이터 기반 위치 추천 방법들이 암묵적으로 지리적 요소를 모델링하여 최적의 성능을 내지 못하는 한계를 해결하기 위해.
• POI의 지리적 및 기능적 정보를 통합하여 대규모이고 구조화된 도시 지식 그래프(UrbanKG)를 구축하여 표현 학습을 향상시키기 위해.
• 사용자 및 POI의 지리적 및 기능적 임베딩을 분리하여 지리적 편향을 제거함으로써 사용자 선호도를 더 정확히 모델링하기 위해.
• 사용자-POI 상호작용을 지리적 혼동 요인으로부터 탈피시키는 새로운 사후적 학습 기반 방법을 개발하기 위해.
• 실세계 데이터셋에서의 광범위한 실험을 통해 UrbanKG와 UKGC 모델의 유효성을 검증하기 위해.

제안 방법

• 실세계 데이터로부터 대규모 도시 지식 그래프(UrbanKG)를 구축하여 지리적 좌표, POI 카테고리, 기능적 특성 등을 통합한다.
• UrbanKG를 두 개의 하위그래프로 분할: 공간적 근접성 기반의 지리적 그래프와 카테고리 및 속성 관계 기반의 기능적 그래프.
• 지리적 및 기능적 하위그래프에서 독립적으로 정보를 전파하기 위해 그래프 신경망을 적용하여 POI 및 사용자의 분리된 표현을 학습한다.
• 사후적 학습 프레임워크를 사용하여 분리된 표현을 융합하여 지리적 혼동의 영향을 최소화하면서 사용자-POI 상호작용을 예측한다.
• 인과 추론 원리를 활용하여 지리적 요소가 POI 속성에 간접적으로 미치는 영향을 모델링하면서도 사용자 상호작용에 대한 직접적 영향을 제거한다.
• 상호작용 데이터와 UrbanKG를 사용하여 UKGC 모델을 종단 간(end-to-end)으로 훈련하고, 상호작용 확률 예측을 최적화한다.

실험 결과

연구 질문

• RQ1 구조화된 지식 기반 접근 방식이 POI의 지리적 및 기능적 특성을 명시적으로 모델링함으로써 위치 추천 성능을 향상시킬 수 있는가?
• RQ2 지리적 및 기능적 표현을 분리함으로써 POI 추천에서 사용자 선호도 모델링에 얼마나 기여하는가?
• RQ3 사후적 학습이 사용자-POI 상호작용 데이터의 지리적 편향을 효과적으로 줄이고 추천 정확도를 향상시킬 수 있는가?
• RQ4 실세계 데이터셋에서 제안된 UKGC 모델은 최신 기술 수준의 방법들과 비교해 어떤 성능을 보이는가?
• RQ5 각 구성 요소(UrbanKG, 분리된 임베딩, 사후적 학습)가 전체 추천 성능에 기여하는 정도는 어떠한가?

주요 결과

• 제안된 UKGC 모델은 두 개의 실세계 데이터셋에서 최신 기술 수준의 방법들을 능가하며 뛰어난 추천 정확도를 확보하였다.
• UrbanKG 구축 과정을 통해 POI의 지리적 및 기능적 특성에 대한 풍부하고 구조화된 정보를 성공적으로 캡처하여 더 나은 표현 학습을 가능하게 하였다.
• 분리된 임베딩 분석 결과, 같은 지역에 위치한 POI들은 지리적 유사도가 기능적 유사도보다 유의미하게 높은 것으로 나타나 분리 과정의 효과를 검증하였다.
• 제거 실험(ablation study) 결과, UrbanKG와 사후적 학습 구성 요소 모두 성능 향상에 기여하는 것으로 확인되었다.
• 사후적 추론를 통해 혼동 요인의 영향을 완화했을 때 성능 향상이 관찰되어 모델이 지리적 편향을 효과적으로 줄임을 입증하였다.
• 결과적으로 지리적 접근성이 사용자-POI 상호작용에서 혼동 요인임을 확인하였고, 이를 제거함으로써 사용자 선호도 모델링이 더 정확해짐을 시사한다.