[论文解读] DisenPOI: Disentangling Sequential and Geographical Influence for Point-of-Interest Recommendation

Yifang Qin, Yifan Wang+7 more|arXiv (Cornell University)|Oct 29, 2022

Recommender Systems and Techniques被引用 5

一句话总结

本文提出 DisenPOI，一种新颖的图神经网络框架，通过双图结构与对比学习，解耦点-of-兴趣（POI）推荐中的序列影响与地理影响。通过分别建模用户签到序列与空间邻近性，并在偏好代理上应用自监督对比损失，DisenPOI 在三个真实世界数据集上实现了更优的推荐准确率与更好的可解释性。

ABSTRACT

Point-of-Interest (POI) recommendation plays a vital role in various location-aware services. It has been observed that POI recommendation is driven by both sequential and geographical influences. However, since there is no annotated label of the dominant influence during recommendation, existing methods tend to entangle these two influences, which may lead to sub-optimal recommendation performance and poor interpretability. In this paper, we address the above challenge by proposing DisenPOI, a novel Disentangled dual-graph framework for POI recommendation, which jointly utilizes sequential and geographical relationships on two separate graphs and disentangles the two influences with self-supervision. The key novelty of our model compared with existing approaches is to extract disentangled representations of both sequential and geographical influences with contrastive learning. To be specific, we construct a geographical graph and a sequential graph based on the check-in sequence of a user. We tailor their propagation schemes to become sequence-/geo-aware to better capture the corresponding influences. Preference proxies are extracted from check-in sequence as pseudo labels for the two influences, which supervise the disentanglement via a contrastive loss. Extensive experiments on three datasets demonstrate the superiority of the proposed model.

研究动机与目标

• 为解决 POI 推荐中序列与地理影响纠缠的问题，该问题阻碍了模型的可解释性与性能。
• 明确解耦用户签到模式中两种主导驱动力——序列行为与空间邻近性。
• 通过专用图结构与自监督对比学习，分别建模这些影响，以提升推荐质量。
• 通过学习解耦表示，明确各类影响的贡献，从而增强可解释性。
• 通过在三个基准数据集上进行广泛实验，验证所提方法的有效性。

提出的方法

• 构建两个独立图：基于用户签到顺序的序列图，与基于 POI 之间物理邻近性的地理图。
• 设计序列感知与地理感知的图传播机制，以在各自图中保留语义差异。
• 从签到序列生成偏好代理，作为自监督对比学习的伪标签。
• 应用对比损失（$\mathcal{L}_{\text{con}}$），使相同影响类型的表示对齐，而不同影响类型的表示相互分离。
• 采用双分支编码器架构，从两个图中学习解耦的用户与 POI 表示。
• 将解耦表示整合至最终预测层，用于 POI 推荐。

实验结果

研究问题

• RQ1 双图框架能否有效解耦 POI 推荐中的序列与地理影响？
• RQ2 使用偏好代理的自监督对比学习在影响类型解耦方面有何提升作用？
• RQ3 所提方法在推荐准确率与可解释性方面是否优于现有模型？
• RQ4 与非地理模型相比，推荐 POI 的地理邻近性在多大程度上与用户行为相关？
• RQ5 训练过程是否对超参数调度敏感？课程学习策略是否能提升性能？

主要发现

• DisenPOI 在三个真实世界数据集（Gowalla、Brightkite 与 Foursquare）上达到最先进性能，召回率与 NDCG 指标均优于现有方法。
• 消融实验表明，对比损失（$\mathcal{L}_{\text{con}}$）显著提升了解耦效果，t-SNE 可视化显示聚类结构更加清晰。
• DisenPOI 推荐 POI 的平均距离为 2.41 公里（用户当前轨迹附近），而 DIN 模型为 5.97 公里，表明其具有更强的地理相关性。
• 在 top-50 推荐中，模型对正确类别的预测准确率达 29.6%，优于 DIN 的 28.3%，表明更符合用户意图。
• 采用课程学习策略（将 $\alpha$ 从 0.1 逐步增加至 1.0）训练时，模型收敛更稳定，性能更优，优于固定或随机 $\alpha$ 设置。
• 案例研究显示，DisenPOI 优先推荐路径附近、功能相似的 POI（如用户路径旁的咖啡馆），而基线模型常推荐距离较远但类别相似的 POI（如火车站）。