[论文解读] Improving Location Recommendation with Urban Knowledge Graph

Chang Liu, Chen Gao+2 more|arXiv (Cornell University)|Nov 1, 2021

Recommender Systems and Techniques参考文献 34被引用 5

一句话总结

本文提出UKGC，一种基于知识的地点推荐模型，利用大规模城市知识图谱（UrbanKG）解耦兴趣点（POI）的地理属性与功能属性。通过在独立的地理子图与功能子图上应用图神经网络，并采用反事实学习缓解地理偏差，UKGC在两个真实世界数据集上实现了最先进性能，显著提升了用户-POI交互预测的准确性。

ABSTRACT

Location recommendation is defined as to recommend locations (POIs) to users in location-based services. The existing data-driving approaches of location recommendation suffer from the limitation of the implicit modeling of the geographical factor, which may lead to sub-optimal recommendation results. In this work, we address this problem by introducing knowledge-driven solutions. Specifically, we first construct the Urban Knowledge Graph (UrbanKG) with geographical information and functional information of POIs. On the other side, there exist a fact that the geographical factor not only characterizes POIs but also affects user-POI interactions. To address it, we propose a novel method named UKGC. We first conduct information propagation on two sub-graphs to learn the representations of POIs and users. We then fuse two parts of representations by counterfactual learning for the final prediction. Extensive experiments on two real-world datasets verify that our method can outperform the state-of-the-art methods.

研究动机与目标

• 为解决现有数据驱动地点推荐方法隐式建模地理因素导致的次优结果问题。
• 构建一个大规模、结构化的城市知识图谱（UrbanKG），整合POI的地理与功能信息，以提升表征学习效果。
• 解耦POI与用户的地理与功能嵌入，通过消除地理偏差更准确地建模用户偏好。
• 开发一种基于反事实学习的新方法，消除地理混杂因素对用户-POI交互的影响。
• 通过在真实世界数据集上的大量实验，验证UrbanKG与UKGC模型的有效性。

提出的方法

• 从真实世界数据构建大规模UrbanKG，整合地理坐标、POI类别及功能属性。
• 将UrbanKG划分为两个子图：基于空间邻近性的地理图，以及基于类别与属性关系的功能图。
• 在地理与功能子图上独立应用图神经网络，传播信息以学习POI与用户的解耦表征。
• 使用反事实学习框架融合解耦表征，预测用户-POI交互，同时最小化地理混杂因素的影响。
• 运用因果推断原理建模地理对POI属性的间接影响，同时消除其对用户交互的直接影响。
• 端到端训练UKGC模型，使用交互数据与UrbanKG，优化交互概率预测目标。

实验结果

研究问题

• RQ1 结构化、知识驱动的方法是否能通过显式建模POI的地理与功能属性，提升地点推荐性能？
• RQ2 解耦地理与功能表征在多大程度上能增强POI推荐中的用户偏好建模？
• RQ3 反事实学习是否能有效降低用户-POI交互数据中的地理偏差，并提升推荐准确性？
• RQ4 所提出的UKGC模型在真实世界数据集上的性能与最先进方法相比如何？
• RQ5 各组件（UrbanKG、解耦嵌入、反事实学习）对整体推荐性能的贡献分别是什么？

主要发现

• 所提出的UKGC模型在两个真实世界数据集上优于最先进方法，展现出更优的推荐准确性。
• UrbanKG的构建成功捕捉了POI地理与功能属性的丰富结构化信息，支持更优的表征学习。
• 解耦嵌入显示，同一区域内的POI在地理相似性上显著高于功能相似性，验证了解耦过程的有效性。
• 消融实验表明，UrbanKG与反事实学习组件均对性能提升有显著贡献。
• 模型有效降低了地理偏差，表现为通过反事实推理减轻混杂效应后性能提升。
• 结果表明地理邻近性是用户-POI交互中的混杂因素，其移除可实现更准确的用户偏好建模。