[论文解读] User modeling for point-of-interest recommendations in location-based social networks: the state-of-the-art

Shudong Liu|arXiv (Cornell University)|Dec 19, 2017

Human Mobility and Location-Based Analysis被引用 3

一句话总结

本文对基于位置的社交网络（LBSNs）中兴趣点（POI）推荐的用户建模技术进行了全面综述，根据数据类型对方法进行分类：签到数据、地理信息、时空模式和地理社交特征。本文形式化了用户建模框架，并识别了LBSN推荐系统中的关键挑战与未来研究方向。

ABSTRACT

The rapid growth of location-based services(LBSs)has greatly enriched people's urban lives and attracted millions of users in recent years. Location-based social networks(LBSNs)allow users to check-in at a physical location and share daily tips on points-of-interest (POIs) with their friends anytime and anywhere. Such check-in behavior can make daily real-life experiences spread quickly through the Internet. Moreover, such check-in data in LBSNs can be fully exploited to understand the basic laws of human daily movement and mobility. This paper focuses on reviewing the taxonomy of user modeling for POI recommendations through the data analysis of LBSNs. First, we briefly introduce the structure and data characteristics of LBSNs,then we present a formalization of user modeling for POI recommendations in LBSNs. Depending on which type of LBSNs data was fully utilized in user modeling approaches for POI recommendations, we divide user modeling algorithms into four categories: pure check-in data-based user modeling, geographical information-based user modeling, spatio-temporal information-based user modeling, and geo-social information-based user modeling. Finally,summarizing the existing works, we point out the future challenges and new directions in five possible aspects

研究动机与目标

• 基于数据利用方式，系统性地回顾并分类LBSNs中POI推荐的用户建模技术。
• 利用结构化数据分析方法，形式化LBSNs中POI推荐的用户建模框架。
• 识别当前方法的局限性与开放挑战，以指导未来研究。
• 基于所采用的LBSN数据类型（签到、地理、时空、地理社交），提供用户建模方法的分类体系。

提出的方法

• 根据数据类型将用户建模方法划分为四类：纯签到数据、地理信息、时空模式和地理社交信息。
• 分析LBSNs的结构与数据特征，为用户建模奠定基础。
• 基于数据驱动建模原则，提出POI推荐用户建模的形式化方法。
• 在每个类别内回顾现有工作，以识别模式、优势与局限性。
• 整合多样化的LBSN数据源洞察，以支持多维度用户建模。
• 基于当前方法论与数据利用中的缺口，识别未来研究方向。

实验结果

研究问题

• RQ1 如何基于所使用数据类型，系统性地对POI推荐的用户建模进行分类？
• RQ2 仅依赖签到数据的用户建模方法的关键特征与局限性是什么？
• RQ3 地理信息与时空数据如何提升POI推荐的准确度与个性化程度？
• RQ4 整合社交关系与用户互动在哪些方面能提升推荐性能？
• RQ5 基于LBSN的POI推荐系统中，主要的开放挑战与新兴研究方向是什么？

主要发现

• LBSNs中的用户建模方法应根据数据利用方式划分为四类：签到数据、地理信息、时空模式与地理社交信息。
• 基于纯签到数据的模型应用广泛，但通常缺乏对用户移动模式的上下文感知能力。
• 引入地理信息可提升空间相关性，但可能忽略用户行为的时间动态。
• 整合时间与位置的时空模型在预测用户偏好方面表现出更高的准确性。
• 结合社交关系与签到行为的地理社交模型可提供更个性化的推荐，但面临可扩展性与隐私挑战。
• 本文识别出五个关键未来研究方向，包括处理数据稀疏性、提升可解释性，以及利用深度学习建模复杂移动模式。