[论文解读] Discovering Collaborative Signals for Next POI Recommendation with Iterative Seq2Graph Augmentation

Yang Li, Tong Chen+3 more|arXiv (Cornell University)|Jun 30, 2021

Recommender Systems and Techniques参考文献 22被引用 8

一句话总结

该论文提出SGRec，一种新颖的下一POI推荐模型，通过迭代的Seq2Graph增强方法提升序列POI表征，整合跨序列POI转移的协同信号与类别感知的多任务学习。SGRec在稀疏数据集（如Gowalla）上表现SOTA，相较于ST-CLSTM在nDCG@5上提升7.36%，相较于顶尖基线模型平均提升35%。

ABSTRACT

Being an indispensable component in location-based social networks, next point-of-interest (POI) recommendation recommends users unexplored POIs based on their recent visiting histories. However, existing work mainly models check-in data as isolated POI sequences, neglecting the crucial collaborative signals from cross-sequence check-in information. Furthermore, the sparse POI-POI transitions restrict the ability of a model to learn effective sequential patterns for recommendation. In this paper, we propose Sequence-to-Graph (Seq2Graph) augmentation for each POI sequence, allowing collaborative signals to be propagated from correlated POIs belonging to other sequences. We then devise a novel Sequence-to-Graph POI Recommender (SGRec), which jointly learns POI embeddings and infers a user's temporal preferences from the graph-augmented POI sequence. To overcome the sparsity of POI-level interactions, we further infuse category-awareness into SGRec with a multi-task learning scheme that captures the denser category-wise transitions. As such, SGRec makes full use of the collaborative signals for learning expressive POI representations, and also comprehensively uncovers multi-level sequential patterns for user preference modelling. Extensive experiments on two real-world datasets demonstrate the superiority of SGRec against state-of-the-art methods in next POI recommendation.

研究动机与目标

• 为解决现有序列POI推荐模型忽略独立签到序列间协同信号的局限性。
• 通过利用更密集的类别级转移模式，缓解POI级别的数据稀疏性。
• 联合建模序列动态与协同信号，以获得更具表达力的POI与用户偏好表征。
• 开发一种图增强的序列模型，在保持时间顺序的同时，通过跨序列上下文丰富POI嵌入。

提出的方法

• 提出迭代的Seq2Graph增强方法，通过将每个POI与其它序列中语义相关的邻居连接，将单个POI序列转换为图结构序列。
• 引入类别感知图注意力网络（CA-GAT），聚合跨序列邻居POI的协同信号，以增强POI表征学习。
• 采用位置感知注意力机制，从增强后的序列顺序中建模用户的时序偏好。
• 引入多任务学习目标，联合预测下一个POI类别，以缓解POI级别的数据稀疏性。
• 使用迭代嵌入更新，通过多轮图传播与注意力聚合，优化POI表征。
• 在大规模场景中采用采样率γ的邻居采样策略，以平衡计算成本与信息保留。

实验结果

研究问题

• RQ1 来自跨序列POI转移的协同信号能否提升下一POI推荐性能？
• RQ2 在POI级别数据稀疏性下，集成类别感知学习如何影响模型鲁棒性？
• RQ3 在保持序列顺序的同时，通过基于图的上下文增强，能在多大程度上提升用户偏好建模？
• RQ4 嵌入维度、邻居采样率与损失加权等超参数如何影响模型泛化能力？

主要发现

• 在Gowalla数据集上，SGRec相较于ST-CLSTM在HR@5与nDCG@5上分别实现4.15%与7.36%的相对提升，表明其在稀疏数据上的强大性能。
• 在Gowalla上，SGRec相较最佳基线模型平均提升35%，凸显其在低密度交互场景下的有效性。
• 消融实验表明，若移除Seq2Graph增强或类别感知学习，性能显著下降，验证了二者关键作用。
• 消融结果表明，位置感知注意力机制与类别预测目标均对性能有显著贡献。
• 超参数分析显示，在D=120、γ=10%、η=0.4以及2–3层CA-GAT时性能最优，表明模型对参数选择具有鲁棒性。