[论文解读] A Location-Sentiment-Aware Recommender System for Both Home-Town and Out-of-Town Users

Hao Wang, Yanmei Fu+4 more|arXiv (Cornell University)|Jun 20, 2017

Human Mobility and Location-Based Analysis参考文献 23被引用 7

一句话总结

本文提出LSARS，一种潜在概率生成模型，联合建模用户在不同地理区域的兴趣漂移以及来自评论的群体情绪，以提升对本地用户和异地用户的时空物品推荐效果。通过整合位置感知的用户兴趣、情绪感知的物品表征以及本地群体偏好，LSARS有效缓解了异地场景下的数据稀疏性问题，并在两个大规模LBSN数据集上优于最先进方法。

ABSTRACT

Spatial item recommendation has become an important means to help people discover interesting locations, especially when people pay a visit to unfamiliar regions. Some current researches are focusing on modelling individual and collective geographical preferences for spatial item recommendation based on users' check-in records, but they fail to explore the phenomenon of user interest drift across geographical regions, i.e., users would show different interests when they travel to different regions. Besides, they ignore the influence of public comments for subsequent users' check-in behaviors. Specifically, it is intuitive that users would refuse to check in to a spatial item whose historical reviews seem negative overall, even though it might fit their interests. Therefore, it is necessary to recommend the right item to the right user at the right location. In this paper, we propose a latent probabilistic generative model called LSARS to mimic the decision-making process of users' check-in activities both in home-town and out-of-town scenarios by adapting to user interest drift and crowd sentiments, which can learn location-aware and sentiment-aware individual interests from the contents of spatial items and user reviews. Due to the sparsity of user activities in out-of-town regions, LSARS is further designed to incorporate the public preferences learned from local users' check-in behaviors. Finally, we deploy LSARS into two practical application scenes: spatial item recommendation and target user discovery. Extensive experiments on two large-scale location-based social networks (LBSNs) datasets show that LSARS achieves better performance than existing state-of-the-art methods.

研究动机与目标

• 为解决由于用户签到记录有限而导致的异地时空物品推荐中的数据稀疏性挑战。
• 建模用户兴趣漂移——即用户在访问不熟悉区域时表现出不同的偏好，超越静态的本地兴趣。
• 将用户评论中的群体情绪作为影响签到决策的关键因素，提升推荐的相关性。
• 通过统一的生成框架融合内容、情绪与地理影响，提升推荐性能。
• 支持两项实际应用：时空物品推荐与LBSN中的目标用户发现。

提出的方法

• LSARS采用潜在类别概率生成模型，模拟用户在本地和异地区域的签到行为。
• 通过空间物品内容和用户评论提取的潜在主题来建模用户兴趣，适应区域特定偏好。
• 通过聚合空间物品所有评论的情感得分来捕捉群体情绪，直接影响签到可能性。
• 通过整合本地用户签到模式来推断公共偏好，缓解异地用户的稀疏性问题。
• 结合矩阵分解与多中心高斯模型，以表征地理影响与用户-物品交互。
• 采用变分推断端到端训练框架，以估计潜在变量并优化推荐性能。

实验结果

研究问题

• RQ1 推荐系统如何有效建模用户在前往不熟悉地理区域时的兴趣漂移？
• RQ2 用户评论中的群体情绪在多大程度上影响签到行为并提升推荐准确率？
• RQ3 整合来自签到数据的本地公共偏好是否能缓解异地用户的稀疏性问题？
• RQ4 LSARS模型在本地和异地推荐场景下与最先进方法相比表现如何？
• RQ5 LSARS能否有效应用于真实世界任务，如时空物品推荐与目标用户发现？

主要发现

• LSARS在两个大规模LBSN数据集上的时空物品推荐中显著优于现有最先进方法，展现出在本地和异地场景下的卓越性能。
• 在R=70、K=70条件下，LSARS在本地目标用户发现任务中的accuracy@5达到0.039，表明其在识别相关用户方面表现强劲。
• 在异地目标用户发现任务中，LSARS在R=70、K=70条件下的accuracy@5达到0.0033，即使在极端数据稀疏条件下仍表现出有效性。
• 情感与本地偏好的整合使推荐更加准确且具备上下文感知能力，尤其在低活跃度区域表现更优。
• 消融实验确认，用户兴趣漂移建模与情感整合均对性能提升有显著贡献。
• 通过利用本地用户行为模式与情感感知表征，LSARS有效应对了异地场景下的冷启动与稀疏性问题。