[论文解读] Geo-SAGE: A Geographical Sparse Additive Generative Model for Spatial Item Recommendation

Weiqing Wang, Hongzhi Yin+4 more|arXiv (Cornell University)|Mar 12, 2015

Human Mobility and Location-Based Analysis参考文献 25被引用 11

一句话总结

Geo-SAGE 是一种地理稀疏加性生成模型，通过利用空间物品共现和内容信息，联合建模用户个人兴趣与区域人群偏好，以解决空间物品推荐中的数据稀疏性、出行局部性及兴趣漂移问题。该模型在两个大规模基于位置的社交网络（LBSN）数据集上，针对本地和异地推荐任务，均优于当前最先进方法，其优势源于使用空间金字塔对区域偏好进行平滑处理。

ABSTRACT

With the rapid development of location-based social networks (LBSNs), spatial item recommendation has become an important means to help people discover attractive and interesting venues and events, especially when users travel out of town. However, this recommendation is very challenging compared to the traditional recommender systems. A user can visit only a limited number of spatial items, leading to a very sparse user-item matrix. Most of the items visited by a user are located within a short distance from where he/she lives, which makes it hard to recommend items when the user travels to a far away place. Moreover, user interests and behavior patterns may vary dramatically across different geographical regions. In light of this, we propose Geo-SAGE, a geographical sparse additive generative model for spatial item recommendation in this paper. Geo-SAGE considers both user personal interests and the preference of the crowd in the target region, by exploiting both the co-occurrence pattern of spatial items and the content of spatial items. To further alleviate the data sparsity issue, Geo-SAGE exploits the geographical correlation by smoothing the crowd's preferences over a well-designed spatial index structure called spatial pyramid. We conduct extensive experiments to evaluate the performance of our Geo-SAGE model on two real large-scale datasets. The experimental results clearly demonstrate our Geo-SAGE model outperforms the state-of-the-art in the two tasks of both out-of-town and home-town recommendations.

研究动机与目标

• 解决基于位置的社交网络（LBSNs）中空间物品推荐面临的 数据稀疏性、出行局部性及兴趣漂移挑战。
• 在统一框架中建模个体用户兴趣与区域人群偏好（本地居民 vs. 游客）。
• 提升缺乏本地签到历史的异地用户推荐准确性。
• 通过地理平滑方法（基于空间金字塔索引结构）缓解低活跃度区域的数据稀疏性问题。
• 整合空间物品共现模式与内容信息，实现更鲁棒的偏好推断。

提出的方法

• Geo-SAGE 采用稀疏加性生成模型，结合用户特定与区域特定的偏好分量。
• 通过空间物品共现模式及其文本内容推导出的潜在因子来建模用户兴趣。
• 在每个地理区域区分本地居民（家乡）与游客（异地）的偏好。
• 使用空间金字塔索引结构对区域进行分层分组，实现相邻区域间人群偏好的平滑传递。
• 采用加法框架结合用户级与区域级分量进行偏好推断，以减轻数据稀疏性影响。
• 通过变分推断端到端训练模型，优化生成过程并预测用户-物品交互。

实验结果

研究问题

• RQ1 推荐模型如何有效应对因用户签到数量有限而导致的空间物品推荐中数据稀疏性问题？
• RQ2 当用户历史数据稀疏时，区域人群偏好在多大程度上可被利用以提升异地推荐效果？
• RQ3 用户兴趣在不同地理区域间如何演变？推荐系统如何对这种兴趣漂移进行建模？
• RQ4 空间金字塔结构是否能有效平滑区域偏好，并提升低密度区域的泛化能力？
• RQ5 与仅依赖用户行为的模型相比，整合物品共现与内容信息在多大程度上提升了推荐性能？

主要发现

• Geo-SAGE 在两个真实世界 LBSN 数据集上的本地与异地空间物品推荐任务中，显著优于当前最先进方法。
• 该模型通过有效建模个体用户兴趣与区域人群偏好（尤其在低活跃度区域）实现卓越性能。
• 利用空间金字塔进行地理平滑可显著降低数据稀疏性影响，并提升区域间偏好迁移能力。
• 整合物品共现与内容信息可实现更准确、更鲁棒的偏好推断。
• 该模型在异地场景下表现出强泛化能力，而传统协同过滤因缺乏本地用户历史而失效。
• 实证结果证实，区分本地与游客偏好可显著提升推荐准确率，尤其在陌生地点表现更优。