[论文解读] Extracting Geospatial Preferences Using Relational Neighbors

Leandro Balby Marinho, Baptista, Cláudio de Souza+4 more|arXiv (Cornell University)|Apr 6, 2012

Recommender Systems and Techniques参考文献 24被引用 3

一句话总结

本文提出一种关系图模型，通过编码基于位置的用户-项目交互和相似性，捕捉地理空间用户偏好，利用动态边权重实现高效、可定制的推荐算法。在Panoramio和HP ePrint数据集上的实验表明，该方法优于现有位置感知推荐系统，尤其在结合基于部分论的相似性与余弦相似性权重的冷启动场景中表现更优。

ABSTRACT

With the increasing popularity of location-based social media applications and devices that automatically tag generated content with locations, large repositories of collaborative geo-referenced data are appearing on-line. Efficiently extracting user preferences from these data to determine what information to recommend is challenging because of the sheer volume of data as well as the frequency of updates. Traditional recommender systems focus on the interplay between users and items, but ignore contextual parameters such as location. In this paper we take a geospatial approach to determine locational preferences and similarities between users. We propose to capture the geographic context of user preferences for items using a relational graph, through which we are able to derive many new and state-of-the-art recommendation algorithms, including combinations of them, requiring changes only in the definition of the edge weights. Furthermore, we discuss several solutions for cold-start scenarios. Finally, we conduct experiments using two real-world datasets and provide empirical evidence that many of the proposed algorithms outperform existing location-aware recommender algorithms.

研究动机与目标

• 为解决在大规模、动态地理标签数据存储库中高效提取和建模用户偏好的挑战。
• 开发一个统一框架，支持在单一图结构中实现多种推荐场景，如基于邻近度、基于历史记录或冷启动推荐。
• 通过将地理上下文直接嵌入图的边权重，避免昂贵的预处理或后处理，实现实时、高效的推荐。
• 通过整合地理部分论与协同过滤相似性度量，提升冷启动场景下的性能。
• 通过实证验证所提模型在多样化真实世界数据集和推荐任务中的有效性。

提出的方法

• 作者使用关系图建模用户偏好，其中节点代表用户、地理区域和项目，边编码用户交互和空间关系。
• 边权重动态定义，以反映不同类型的用户偏好，如对已访问位置的接近度、空间聚类或时间模式，通过权重配置实现不同推荐算法。
• 基于关系邻居的推荐算法通过聚合加权邻居信号计算推荐结果，时间复杂度与邻居数量呈线性关系。
• 通过加权图遍历组合多种权重定义（如冷启动用户使用基于部分论的相似性，活跃用户使用余弦相似性），支持混合算法。
• 使用两个真实世界数据集进行模型评估：来自Panoramio的地理标签照片和HP ePrint Mobile Print Location服务的打印作业日志。
• 该方法避免复杂的矩阵分解，确保计算可扩展性，同时保持高推荐准确率。

实验结果

研究问题

• RQ1 统一的基于图的模型能否有效表示不同推荐场景下的多样化地理空间用户偏好？
• RQ2 与现有位置感知推荐系统相比，基于边加权的关系邻居是否能在标准场景和冷启动场景中均实现更优性能？
• RQ3 在用户数据可用性不同的情况下，何种相似性度量组合（如部分论 vs. 余弦）能实现个性化推荐的最优性能？
• RQ4 与预处理或后处理方法相比，将地理上下文直接集成到图结构中，如何提升可扩展性和准确性？
• RQ5 同一算法框架在通过简单权重重新配置的情况下，能在多大程度上支持多种推荐策略的集成？

主要发现

• 所提出的基于关系邻居的框架在Panoramio和HP ePrint数据集上的精确率和召回率方面均优于现有位置感知推荐系统。
• 在冷启动场景中，通过加权图边结合基于部分论的相似性与余弦相似性，显著提升了推荐准确率。
• 对于交互历史充足的用户，仅使用基于位置的协同过滤并结合余弦相似性权重的方案实现了最佳性能。
• 该算法具有高效可扩展性，时间复杂度与邻居数量呈线性关系，适用于实时应用。
• 该框架的灵活性使其可通过简单重新定义边权重，无需修改核心算法，即可支持多种推荐策略（包括集成策略）。
• 实证结果证实，地理上下文显著影响用户偏好，直接在图中建模地理上下文可带来更准确、更个性化的推荐。