[论文解读] Learning Spatiotemporal-Aware Representation for POI Recommendation

Bei Liu, Tieyun Qian+4 more|arXiv (Cornell University)|Apr 28, 2017

Recommender Systems and Techniques参考文献 9被引用 3

一句话总结

该论文提出了一种用于兴趣点（POI）推荐的时空感知（STA）表示模型，将时间和位置联合视为 $<$time, location$>$ 对，在知识图谱嵌入框架中通过平移向量建模用户-POI 关系。该方法在准确性、对数据稀疏性的鲁棒性以及冷启动 POI 的处理方面显著优于基线模型，通过学习共享语义表示来实现最先进的性能。

ABSTRACT

The wide spread of location-based social networks brings about a huge volume of user check-in data, which facilitates the recommendation of points of interest (POIs). Recent advances on distributed representation shed light on learning low dimensional dense vectors to alleviate the data sparsity problem. Current studies on representation learning for POI recommendation embed both users and POIs in a common latent space, and users' preference is inferred based on the distance/similarity between a user and a POI. Such an approach is not in accordance with the semantics of users and POIs as they are inherently different objects. In this paper, we present a novel spatiotemporal aware (STA) representation, which models the spatial and temporal information as \emph{a relationship connecting users and POIs}. Our model generalizes the recent advances in knowledge graph embedding. The basic idea is that the embedding of a $$ pair corresponds to a translation from embeddings of users to POIs. Since the POI embedding should be close to the user embedding plus the relationship vector, the recommendation can be performed by selecting the top-\emph{k} POIs similar to the translated POI, which are all of the same type of objects. We conduct extensive experiments on two real-world datasets. The results demonstrate that our STA model achieves the state-of-the-art performance in terms of high recommendation accuracy, robustness to data sparsity and effectiveness in handling cold start problem.

研究动机与目标

• 为解决现有 POI 推荐方法将用户和 POI 视为共享潜在空间中等价实体的局限性。
• 比仅使用空间或时间因素的方法更有效地建模时间和位置对用户签到行为的联合影响。
• 通过学习稳健的联合时空表示，提升在数据稀疏性和冷启动条件下的推荐性能。
• 开发一种方法，通过统一嵌入空间中的平移向量自然捕捉用户与 POI 之间的语义关系。

提出的方法

• 该模型将联合时空上下文表示为 $<$time, location$>$ 对，并将其建模为从用户嵌入到 POI 嵌入的平移向量。
• 它推广了知识图谱嵌入技术，具体采用一种平移机制，其中 $\vec{u} + \vec{r}_{t,l} \approx \vec{v}$，$\vec{r}_{t,l}$ 为时间和位置的平移向量。
• 通过计算翻译后的用户嵌入与候选 POI 嵌入之间的相似度来执行推荐，选择相似度最高的 top-k POI。
• 采用负采样策略端到端训练模型，以优化个性化 POI 推荐的排序损失。
• 提出扩展版本 STA-C，通过利用共享的 $<$word, location$>$ 对来推断平移向量，以处理冷启动 POI。
• 该方法避免在公共空间中直接计算用户-POI 距离，而是使用结构化的关联知识来建模用户偏好。

实验结果

研究问题

• RQ1 将时间和位置联合建模为 $<$time, location$>$ 对是否能提升 POI 推荐的准确性，相较于单独使用任一因素？
• RQ2 基于平移的嵌入机制是否能通过时空关系将用户与 POI 连接，从而在稀疏数据环境下优于传统用户-POI 相似度方法？
• RQ3 所提出的 STA 模型在多大程度上缓解了 POI 推荐中的数据稀疏性问题？
• RQ4 与现有基线相比，STA 模型在处理冷启动 POI 时的效率如何？
• RQ5 该模型的平移结构在多样化的现实世界 LBSN 数据集上是否具有良好的泛化能力？

主要发现

• 在 Foursquare 数据集上，当训练数据减少 20% 时，STA 在 accuracy@1 上相比 GE 基线实现了 20.00% 的提升，表明其对数据稀疏性具有更强的鲁棒性。
• 在 Gowalla 上，相同数据减少条件下，STA 相比 GE 减少了 15.73% 的准确率下降，进一步证实了其鲁棒性。
• 在数据稀疏条件下，STA 在 Foursquare 上将准确率退化降低了 20.00%，在 Gowalla 上降低了 15.73%，而 GE 分别出现了 31.69% 和 18.91% 的下降。
• 对于冷启动 POI 推荐，STA-C 在 Foursquare 上始终显著优于 GE，主要得益于其利用共享 $<$word, location$>$ 对进行平移向量估计的能力。
• 即使在签到记录有限的情况下，该模型的性能依然保持稳定且更优，证明了其在处理冷启动场景中的有效性。
• 消融实验证实，将时间和位置联合建模为单一关系实体是模型性能的关键，相较于分别处理二者更具优势。