[论文解读] Spatial Object Recommendation with Hints: When Spatial Granularity Matters

Hui Luo, Jingbo Zhou+6 more|arXiv (Cornell University)|Jan 1, 2020

Recommender Systems and Techniques参考文献 47被引用 14

一句话总结

本文提出 MPR（多层级 POI 推荐），一种多任务学习模型，通过 POI 树建模空间包含关系，以在不同空间粒度下推荐前 k 个空间对象（如城市、郊区、场所）。通过联合学习用户与 POI 表示，结合基于属性和基于交互的子任务，并利用注意力机制与 POI 上下文图，MPR 在稀疏的真实世界数据中提升了推荐准确率，并为推荐提供可解释的提示。

ABSTRACT

Existing spatial object recommendation algorithms generally treat objects identically when ranking them. However, spatial objects often cover different levels of spatial granularity and thereby are heterogeneous. For example, one user may prefer to be recommended a region (say Manhattan), while another user might prefer a venue (say a restaurant). Even for the same user, preferences can change at different stages of data exploration. In this paper, we study how to support top-k spatial object recommendations at varying levels of spatial granularity, enabling spatial objects at varying granularity, such as a city, suburb, or building, as a Point of Interest (POI). To solve this problem, we propose the use of a POI tree, which captures spatial containment relationships between POIs. We design a novel multi-task learning model called MPR (short for Multi-level POI Recommendation), where each task aims to return the top-k POIs at a certain spatial granularity level. Each task consists of two subtasks: (i) attribute-based representation learning; (ii) interaction-based representation learning. The first subtask learns the feature representations for both users and POIs, capturing attributes directly from their profiles. The second subtask incorporates user-POI interactions into the model. Additionally, MPR can provide insights into why certain recommendations are being made to a user based on three types of hints: user-aspect, POI-aspect, and interaction-aspect. We empirically validate our approach using two real-life datasets, and show promising performance improvements over several state-of-the-art methods.

研究动机与目标

• 解决在统一模型中针对不同空间粒度（如城市、郊区、场所）推荐空间对象的挑战。
• 通过利用 POI 之间的层次空间包含关系，克服真实世界位置数据集中的数据稀疏性问题。
• 实现动态、用户自适应的推荐，以反映用户探索阶段的变化与偏好变化。
• 基于用户行为、POI 属性与交互模式，提供可解释的推荐提示。
• 开发一种可扩展的端到端模型，无需为每个粒度级别单独建模，即可支持多层级推荐。

提出的方法

• 基于空间包含关系构建 POI 树，其中子 POI（如餐厅）被完全包含在父 POI（如商场或郊区）中。
• 设计一个多任务学习框架，其中每个任务对应于在特定空间粒度级别上推荐前 k 个 POI。
• 针对每个任务，结合两个子任务：(1) 基于用户与 POI 概要特征的表示学习；(2) 基于用户-POI 签到数据的交互学习。
• 采用注意力网络，将子 POI 的特征表示传播至父 POI，以增强低数据场景下的表示学习效果。
• 构建 POI 上下文图，通过三种来源建模地理空间影响：共搜索、共访问以及同一层级 POI 之间的欧氏距离。
• 生成三类推荐提示——用户-方面、POI-方面与交互-方面，以提升模型的可解释性与用户信任度。

实验结果

研究问题

• RQ1 如何使单一推荐模型有效支持在多个空间粒度下的前 k 个 POI 推荐？
• RQ2 通过 POI 树利用空间包含关系对稀疏真实世界数据集中的推荐性能有何影响？
• RQ3 基于注意力的特征传播与地理空间影响建模在性能提升中起到何种作用？
• RQ4 该模型在多大程度上能提供可解释的提示，以向用户解释推荐原因？
• RQ5 与最先进方法相比，所提出的 MPR 模型在稀疏数据上的推荐准确率与鲁棒性表现如何？

主要发现

• 在两个极端稀疏的真实世界数据集（稀疏度约为 99.97%）上，MPR 在性能上持续优于最先进方法。
• 消融实验表明，基于注意力的特征传播与 POI 上下文图均显著提升了 NDCG@10 分数，完整模型优于缺少任一组件的变体。
• 引入地理空间影响因素（共搜索、共访问、距离）显著提升了推荐质量，尤其在密集城市区域表现更优。
• 模型生成三类推荐提示的能力增强了可解释性，其中用户-方面与交互-方面提示与用户行为高度一致。
• 多任务学习框架有效实现了跨粒度层级的知识共享，即使在数据稀疏的情况下也减少了过拟合并提升了泛化能力。