[论文解读] RELINE: Point-of-Interest Recommendations using Multiple Network Embeddings

Giannis Christoforidis, Pavlos Kefalas+2 more|arXiv (Cornell University)|Feb 2, 2019

Recommender Systems and Techniques被引用 4

一句话总结

RELINE 通过联合学习用户和 POI 动态，提出了一种统一的地点兴趣点（POI）推荐模型，方法是将多个网络嵌入整合到共享潜在空间中。它通过将八个关系图嵌入共享潜在空间，整合了社交、地理、时间与偏好动态，相较于最先进方法在准确率上实现显著提升，尤其在冷启动场景中表现突出。

ABSTRACT

The rapid growth of users' involvement in Location-Based Social Networks (LBSNs) has led to the expeditious growth of the data on a global scale. The need of accessing and retrieving relevant information close to users' preferences is an open problem which continuously raises new challenges for recommendation systems. The exploitation of Points-of-Interest (POIs) recommendation by existing models is inadequate due to the sparsity and the cold start problems. To overcome these problems many models were proposed in the literature, but most of them ignore important factors such as: geographical proximity, social influence, or temporal and preference dynamics, which tackle their accuracy while personalize their recommendations. In this work, we investigate these problems and present a unified model that jointly learns users and POI dynamics. Our proposal is termed RELINE (REcommendations with muLtIple Network Embeddings). More specifically, RELINE captures: i) the social, ii) the geographical, iii) the temporal influence, and iv) the users' preference dynamics, by embedding eight relational graphs into one shared latent space. We have evaluated our approach against state-of-the-art methods with three large real-world datasets in terms of accuracy. Additionally, we have examined the effectiveness of our approach against the cold-start problem. Performance evaluation results demonstrate that significant performance improvement is achieved in comparison to existing state-of-the-art methods.

研究动机与目标

• 解决现有 POI 推荐模型在捕捉稀疏性、冷启动问题以及多维用户行为方面的局限性。
• 将社交影响、地理邻近性、时间模式与动态用户偏好整合到统一的推荐框架中。
• 通过关系图嵌入建模动态用户与 POI 行为，克服稀疏性与冷启动问题。
• 提出一种基于概率图的、联合学习来自多个异构网络的嵌入方法，嵌入空间共享于统一潜在空间。

提出的方法

• RELINE 构建了八个关系图——用户-社交、用户-地理、用户-时间、POI-时间、用户-路线、POI-路线、用户-偏好与 POI-偏好，以建模多样化的用户-POI 交互。
• 采用概率加权策略平衡各图的贡献，其中可学习参数 α、β、γ 和 δ 分别对应社交、地理、时间与偏好动态。
• 基于图的学习框架在维度为 d 的共享潜在空间中联合优化用户与 POI 嵌入，通过随机采样提升训练效率。
• 使用时间间隔 ΔT 定义时间片段，支持构建时间感知图，如用户-时间段与 POI-时间段图。
• 通过经验调优超参数，如维度（d）与采样数量（S），以最大化准确率，各数据集的 d=100–140，S=100–300。
• 采用负采样与随机优化进行端到端训练，以最小化用户-POI 交互序列的预测损失。

实验结果

研究问题

• RQ1 如何有效结合多个网络嵌入以提升 POI 推荐准确率？
• RQ2 社交、地理、时间与偏好动态在多大程度上共同缓解 POI 推荐中的稀疏性与冷启动问题？
• RQ3 在统一推荐模型中，社交、地理、时间与偏好等影响因素的最优平衡是什么？
• RQ4 与最先进基线相比，该模型在冷启动用户与地点上的表现如何？

主要发现

• RELINE 在 Foursquare、Weeplaces 与 Gowalla 三个真实数据集上，相较于最先进模型，在准确率方面均实现显著性能提升。
• 模型准确率在 Foursquare 与 Weeplaces 上于维度 d=100 处达峰值，Gowalla 上于 d=140 处达峰值，超过该值后无进一步增益。
• 最优时间间隔 ΔT 为 Foursquare 的 20，Weeplaces 的 40，Gowalla 的 15；过大或过小的间隔均因数据稀疏性或过拟合导致准确率下降。
• 参数调优显示，Foursquare 中社交影响占主导，Weeplaces 中地理影响占主导，Gowalla 中偏好动态占主导，反映出各数据集特有的行为模式。
• 模型在冷启动用户与地点上表现出强鲁棒性，显著优于基线模型。
• 整合全部四种动态（社交、地理、时间、偏好）的模型准确率高于仅依赖单一或双因素的模型。