[论文解读] Knowledge-driven Site Selection via Urban Knowledge Graph

Yu Liu, Jingtao Ding+1 more|arXiv (Cornell University)|Nov 1, 2021

Recommender Systems and Techniques参考文献 44被引用 10

一句话总结

本文提出 KnowSite，一种基于知识的选址模型，利用城市知识图谱（UrbanKG）提升门店选址预测的性能与可解释性。通过从多源城市数据构建多关系城市知识图谱，并在解码器中采用基于关系路径的注意力机制的图神经网络（GNN）编码器，KnowSite 能够捕捉复杂的商业-区域关系，并为选址决策提供可解释的、与具体标准相关的推理过程，在两个数据集上的表现优于数据驱动的基线模型。

ABSTRACT

Site selection determines optimal locations for new stores, which is of crucial importance to business success. Especially, the wide application of artificial intelligence with multi-source urban data makes intelligent site selection promising. However, existing data-driven methods heavily rely on feature engineering, facing the issues of business generalization and complex relationship modeling. To get rid of the dilemma, in this work, we borrow ideas from knowledge graph (KG), and propose a knowledge-driven model for site selection, short for KnowSite. Specifically, motivated by distilled knowledge and rich semantics in KG, we firstly construct an urban KG (UrbanKG) with cities' key elements and semantic relationships captured. Based on UrbanKG, we employ pre-training techniques for semantic representations, which are fed into an encoder-decoder structure for site decisions. With multi-relational message passing and relation path-based attention mechanism developed, KnowSite successfully reveals the relationship between various businesses and site selection criteria. Extensive experiments on two datasets demonstrate that KnowSite outperforms representative baselines with both effectiveness and explainability achieved.

研究动机与目标

• 解决依赖大量手工特征工程且缺乏可解释性的数据驱动选址方法的局限性。
• 开发一种通用的、基于知识的选址范式，将多样化城市数据整合为结构化知识图谱。
• 通过图神经网络中多关系消息传递实现对不同影响因素的自适应建模。
• 通过基于关系路径的注意力机制，提供透明、逻辑清晰的选址决策推理。
• 构建一个包含超过 20,000 个实体和 300,000 条事实的城市知识图谱（UrbanKG），涵盖与选址相关的丰富信息。

提出的方法

• 从多源城市数据中提取实体（如区域、兴趣点、品牌）及其语义关系（属性、从属、空间性、移动性），构建城市知识图谱（UrbanKG）。
• 利用在 UrbanKG 上的预训练技术初始化实体和关系嵌入，以捕捉丰富的语义表征。
• 采用基于图神经网络（GNN）的编码器，结合多关系消息传递，根据多样化上下文影响优化知识表征。
• 设计基于关系路径的解码器，生成对应不同选址标准（如人流动线、竞争性）的多跳关系路径。
• 通过关系的语义组合构建关系路径表征，并利用注意力机制对这些路径进行加权，计算最终的选址决策得分。
• 采用监督学习目标端到端训练 KnowSite 模型，以预测最优门店位置。

实验结果

研究问题

• RQ1 基于知识的方法是否能在提升性能的同时，提供可解释的推理？
• RQ2 如何有效构建并表示复杂、多关系的城市知识，以支持选址任务？
• RQ3 图神经网络编码器中的多关系消息传递在多大程度上能建模对商业选址决策具有多样性和上下文特异性的复杂影响？
• RQ4 基于关系路径的注意力机制是否能为选址决策提供透明、逻辑清晰的解释？
• RQ5 所提出的基于知识的框架在不同商业类型和城市背景下具有多大程度的泛化能力？

主要发现

• KnowSite 在两个真实世界数据集上的选址准确率优于代表性数据驱动基线模型（如 Geo-Spotting、DD3S、DeepStore 和 AR2Net）。
• 通过利用来自 UrbanKG 的丰富、结构化的城市知识，模型显著提升了性能，该知识捕捉了超越简单特征的复杂关系。
• 基于关系路径的注意力机制通过揭示如现有门店与新门店之间的人流动线转移等逻辑推理路径，实现了可解释的选址决策。
• GNN 编码器中的多关系消息传递有效建模了多样化影响因素（如品牌相关性），提升了在不同商业类型间的泛化能力。
• 在 UrbanKG 上进行预训练显著提升了初始实体和关系嵌入的质量，从而增强了下游任务的性能。
• 构建的 UrbanKG 包含超过 20,000 个实体和 300,000 条事实，为城市计算应用（不仅限于选址）提供了坚实的底层支持。