[论文解读] Personalized Next Point-of-Interest Recommendation via Latent Behavior Patterns Inference

Jing He, Xin Li+2 more|arXiv (Cornell University)|May 16, 2018

Recommender Systems and Techniques参考文献 27被引用 5

一句话总结

本文提出一种基于张量的模型PPDM，通过从顺序签到数据中推断潜在行为模式，以提升基于位置的社交网络（LBSNs）中的个性化下一个兴趣点（POI）推荐性能。通过将用户-POI转移建模为三阶张量，并在贝叶斯个性化排序（BPR）框架下结合上下文特征，采用EM优化方法，PPDM在性能上达到当前最优，尤其在签到历史稀疏的用户中表现显著。

ABSTRACT

In this paper, we address the problem of personalized next Point-of-interest (POI) recommendation which has become an important and very challenging task for location-based social networks (LBSNs), but not well studied yet. With the conjecture that, under different contextual scenarios, human exhibits distinct mobility pattern, we attempt here to jointly model the next POI recommendation under the influence of user's latent behavior pattern. We propose to adopt a third-rank tensor to model the successive check-in behaviors. By integrating categorical influence into mobility patterns and aggregating user's spatial preference on a POI, the proposed model deal with the next new POI recommendation problem by nature. By incorporating softmax function to fuse the personalized Markov chain with latent pattern, we furnish a Bayesian Personalized Ranking (BPR) approach and derive the optimization criterion accordingly. Expectation Maximization (EM) is then used to estimate the model parameters. We further develop a personalized model by taking into account personalized mobility patterns under the contextual scenario to improve the recommendation performance. Extensive experiments on two large-scale LBSNs datasets demonstrate the significant improvements of our model over several state-of-the-art methods.

研究动机与目标

• 解决基于位置的社交网络（LBSNs）中个性化下一个POI推荐的挑战，其中用户签到数据高度稀疏且具有序列性。
• 通过显式建模序列签到模式，克服传统协同过滤和矩阵分解方法的局限性。
• 捕捉不同上下文场景（如一天中的时间、星期几）下的用户移动模式，以提升推荐准确性。
• 通过从共享移动趋势中推断潜在行为模式，提升签到频率较低用户的推荐性能。
• 构建一个统一框架，将用户偏好、空间邻近性与上下文特征整合到单一概率模型中，用于下一个POI预测。

提出的方法

• 使用三阶张量（用户 × 当前POI × 下一个POI）建模连续签到行为，捕捉序列化移动模式。
• 将上下文特征（如一天中的时间、星期几、POI类别）作为分类影响因素，以细化潜在行为模式。
• 制定类似贝叶斯个性化排序（BPR）的优化准则，从隐式签到反馈中学习用户偏好。
• 使用期望最大化（EM）算法估计模型参数，包括潜在行为模式和转移概率。
• 通过在共享潜在结构内建模用户特定行为模式，整合上下文场景下的个性化移动模式。
• 应用Softmax融合方法，将个性化马尔可夫链与潜在行为模式结合，以提升排序性能。

实验结果

研究问题

• RQ1 如何从稀疏的序列签到数据中有效推断潜在行为模式，以提升下一个POI推荐性能？
• RQ2 时间、星期几等上下文特征在多大程度上提升了下一个POI推荐的准确性？
• RQ3 潜在行为模式的数量如何影响推荐性能？在真实LBSN数据集中，最优数量是多少？
• RQ4 通过利用共享潜在移动模式，模型能否有效泛化到签到次数极少的用户？
• RQ5 模型在预测POI之间长距离或长时间间隔的移动时表现如何？

主要发现

• 在Foursquare和Gowalla数据集上，PPDM相较于当前最优方法实现了显著的性能提升，尤其在Gowalla数据集中，当潜在模式数量从3增加到4时，P@10指标相对提升了59.2%。
• 在用户签到频率较低时，PPDM优于GPDM（全局模式模型），因为PPDM更有效地利用了个性化潜在模式。
• 在Foursquare数据集中使用6个潜在模式，在Gowalla中使用4个潜在模式时，PPDM达到接近最优性能，进一步增加模式数量带来的收益已趋于饱和。
• 模型成功预测了短距离、局部化的移动以及长距离行程（最远达304公里），表明其在不同移动尺度下均具有鲁棒性。
• 整合所有上下文特征（POI类别、一天中的时间、星期几）可带来最高性能增益，表明细粒度上下文有助于提升潜在模式的发现能力。
• PPDM在长达44小时的时间间隔内仍保持强大的预测能力，表明其适用于周期性和随机性移动模式。