[论文解读] A Survey of Point-of-interest Recommendation in Location-based Social Networks

Shenglin Zhao, Irwin King+1 more|arXiv (Cornell University)|Jul 3, 2016

Recommender Systems and Techniques参考文献 55被引用 79

一句话总结

本综述对基于位置的社交网络（LBSNs）中的兴趣点（POI）推荐进行了全面分析，系统性地根据影响因素（地理、社交、时间、内容）、方法论（融合与联合模型）以及任务类型（通用推荐与连续POI推荐）对现有方法进行了分类。它识别出物理约束和异构数据等关键挑战，回顾了主要数据集和评估指标，并指出新兴趋势，如基于排序的模型和在线推荐系统。

ABSTRACT

Point-of-interest (POI) recommendation that suggests new places for users to visit arises with the popularity of location-based social networks (LBSNs). Due to the importance of POI recommendation in LBSNs, it has attracted much academic and industrial interest. In this paper, we offer a systematic review of this field, summarizing the contributions of individual efforts and exploring their relations. We discuss the new properties and challenges in POI recommendation, compared with traditional recommendation problems, e.g., movie recommendation. Then, we present a comprehensive review in three aspects: influential factors for POI recommendation, methodologies employed for POI recommendation, and different tasks in POI recommendation. Specifically, we propose three taxonomies to classify POI recommendation systems. First, we categorize the systems by the influential factors check-in characteristics, including the geographical information, social relationship, temporal influence, and content indications. Second, we categorize the systems by the methodology, including systems modeled by fused methods and joint methods. Third, we categorize the systems as general POI recommendation and successive POI recommendation by subtle differences in the recommendation task whether to be bias to the recent check-in. For each category, we summarize the contributions and system features, and highlight the representative work. Moreover, we discuss the available data sets and the popular metrics. Finally, we point out the possible future directions in this area and conclude this survey.

研究动机与目标

• 为基于位置的社交网络（LBSNs）中POI推荐研究提供系统性综述，解决空间、时间与社交约束带来的独特挑战。
• 从三个维度对现有POI推荐系统进行分类：影响因素（地理、社交、时间、内容）、方法论（融合与联合模型）以及任务类型（通用推荐与连续推荐）。
• 分析各类别中的代表性工作，突出其关键贡献与系统特性。
• 评估并比较该领域广泛使用的标准数据集与性能指标，包括P@N、R@N、F-score及相对指标。
• 识别新兴研究趋势与未来方向，如基于排序的模型与在线推荐系统，以指导POI推荐的未来研究。

提出的方法

• 根据四个关键影响因素对POI推荐系统进行分类：地理信息、社交关系、时间动态以及内容指示（如场所描述）。
• 将方法论分为两类：融合方法（分别组合多种信号）与联合方法（在统一框架内同时建模多种信号）。
• 区分通用POI推荐（预测未来广泛范围的签到）与连续POI推荐（偏向近期签到），反映任务特异性差异。
• 回顾并比较广泛使用的评估指标：P@N（N位精度）、R@N（N位召回率）、F-score以及相对指标（r-P@N、r-R@N），用于评估模型性能相对于随机基线的表现。
• 分析代表性工作如SPoRE、ORec与STELLAR，这些方法利用协同过滤、内容特征与时间动态以提升推荐准确性。
• 引入基于排序的学习技术，采用BPR与WARP损失函数，优化偏好排序而非绝对签到概率，从而提升推荐排序质量。

实验结果

研究问题

• RQ1 与传统推荐系统相比，POI推荐在LBSNs中受哪些关键区分性因素影响？包括地理、社交、时间与内容因素。
• RQ2 融合与联合建模方法在整合多源信号（如签到、社交关系、场所内容）方面有何不同？
• RQ3 通用POI推荐与连续POI推荐有何差异？时间偏置如何影响模型设计与性能？
• RQ4 哪些评估指标最适于衡量POI推荐性能？相对指标如r-P@N如何提升模型比较的公平性？
• RQ5 哪些新兴趋势（如基于排序的模型与在线学习）最有可能克服当前离线、静态推荐系统的局限性？

主要发现

• 采用BPR与WARP损失函数的基于排序的模型，通过聚焦偏好排序而非绝对签到概率，相较于传统概率估计方法表现更优，更契合POI推荐的目标。
• 使用相对指标（如r-P@N与r-R@N）可通过将性能与随机选择进行归一化，提供更公平的比较基线，从而更准确揭示模型改进效果。
• 联合建模方法通过同时学习签到模式、社交网络与场所内容，其推荐准确率高于独立处理信号的融合方法。
• 优先考虑近期签到的连续POI推荐系统，在用户移动模式演变的情境下表现更优，凸显时间动态的重要性。
• 基于多臂赌博机的在线推荐模型被识别为未来有前景的方向，可有效应对冷启动问题并实时适应用户行为变化。
• 本综述识别出来自顶级会议（如KDD、SIGIR、AAAI、WWW）的50余项关键研究，为POI推荐的未来研究奠定了全面基础。