[论文解读] CAPS: Context Aware Personalized POI Sequence Recommender System

Ramesh Baral, Tao Li+1 more|arXiv (Cornell University)|Mar 3, 2018

Recommender Systems and Techniques参考文献 5被引用 6

一句话总结

CAPS 提出了一种上下文感知的个性化 POI 序列推荐系统，通过将多种上下文因素——空间、时间、类别、社交和全局序列特征——整合到隐藏层和输出层中，扩展了 RNN 和 LSTM 模型。该方法显著提升了上下文一致性和序列多样性，在真实世界数据集上相比基于热度的基线模型，平均位移减少了 70% 以上。

ABSTRACT

The revolution of World Wide Web (WWW) and smart-phone technologies have been the key-factor behind remarkable success of social networks. With the ease of availability of check-in data, the location-based social networks (LBSN) (e.g., Facebook1, etc.) have been heavily explored in the past decade for Point-of-Interest (POI) recommendation. Though many POI recommenders have been defined, most of them have focused on recommending a single location or an arbitrary list that is not contextually coherent. It has been cumbersome to rely on such systems when one needs a contextually coherent list of locations, that can be used for various day-to-day activities, for e.g., itinerary planning. This paper proposes a model termed as CAPS (Context-Aware Personalized POI Sequence Recommender System) that generates contextually coherent POI sequences relevant to user preferences. To the best of our knowledge, CAPS is the first attempt to formulate the contextual POI sequence modeling by extending Recurrent Neural Network (RNN) and its variants. CAPS extends RNN by incorporating multiple contexts to the hidden layer and by incorporating global context (sequence features) to the hidden layers and the output layer. It extends the variants of RNN (e.g., Long-short term memory (LSTM)) by incorporating multiple contexts and global features in the gate update relations. The major contributions of this paper are: (i) it models the contextual POI sequence problem by incorporating personalized user preferences through multiple constraints (e.g., categorical, social, temporal, etc.), (ii) it extends RNN to incorporate the contexts of individual item and that of the whole sequence. It also extends the gated functionality of variants of RNN to incorporate the multiple contexts, and (iii) it evaluates the proposed models against two real-world data sets.

研究动机与目标

• 填补现有 POI 推荐系统在生成任意或非上下文一致的位置列表方面的空白。
• 将个性化 POI 序列推荐建模为一个整合多种动态上下文的序列建模问题。
• 通过建模单个 POI 上下文和全局序列级约束（如距离、时间、起点/终点）来提升推荐质量。
• 开发一种深度学习框架，扩展 RNN 和 LSTM 以处理多维度用户偏好和现实世界旅行约束。
• 在真实世界 LBSN 数据上评估模型，证明其在上下文一致性、多样性及空间效率方面的优越性。

提出的方法

• 通过在隐藏层状态中注入多个上下文向量（空间、时间、类别、社交）来扩展标准 RNN 和 LSTM 架构。
• 将全局序列上下文（如总行程时长、起点/终点 POI）引入隐藏层和输出层，以建模长距离依赖关系。
• 修改 LSTM 门机制（输入门、遗忘门、输出门），在细胞状态和隐藏状态更新过程中整合多种上下文特征。
• 使用一个共享的上下文表示向量，使其在所有时间步中传播，以在整个序列中保持上下文一致性。
• 采用端到端训练方式，使用序列预测损失进行优化，目标是在用户特定和上下文约束下预测下一个 POI。
• 应用特征工程将用户签到历史、POI 类别、时间戳和空间邻近性编码为密集嵌入向量，作为网络的输入。

实验结果

研究问题

• RQ1 深度学习模型能否通过整合时间、空间、类别和社交上下文等多种因素，有效建模个性化 POI 序列？
• RQ2 整合全局序列级特征（如起点/终点、总时长）在多大程度上提升了推荐 POI 序列的连贯性和真实性？
• RQ3 所提出的 RNN 和 LSTM 上下文感知扩展在序列推荐质量方面，与标准模型和基于热度的基线相比，优势有多大？
• RQ4 不同类型的上下文（如时间 vs. 空间）在多大程度上影响模型生成多样化且地理上合理的行程的能力？
• RQ5 该模型能否在用户签到模式和偏好各不相同的场景下保持上下文一致性和低位移，同时实现良好的泛化能力？

主要发现

• CAPS-LSTM 将用户 u₁ 的平均位移从 19.36 公里（热度模型）降低至 5.02 公里，用户 u₂ 从 20.03 公里降至 5.61 公里，表明其具有更优的空间一致性。
• 该模型实现了更高的序列多样性，推荐序列中包含四个不同类别，而基于热度的模型仅包含三个类别，尤其在序列长度增加时表现更优。
• CAPS-RNN 和 CAPS-LSTM 在所有序列级评估指标上均优于所有基线模型，展现出更强的上下文一致性和用户偏好匹配度。
• 该模型在更大数据集上表现出更优性能，表明其具备良好的可扩展性，并有潜力在拥有充足训练数据的现实场景中部署。
• 引入全局序列特征（如行程预算、起点/终点 POI）显著提升了生成行程的现实感和可行性。
• 案例研究证实，CAPS 能够生成更具上下文相关性和用户特异性的序列，例如根据用户行为模式自动包含公司办公室和夜间娱乐场所。