[论文解读] Where to Go Next: A Spatio-temporal LSTM model for Next POI Recommendation

Pengpeng Zhao, Haifeng Zhu+4 more|arXiv (Cornell University)|Jun 18, 2018

Recommender Systems and Techniques参考文献 15被引用 46

一句话总结

本文提出 ST-LSTM，一种带有时间门和距离门的时空LSTM变体，用以建模下一POI推荐中的短期与长期用户兴趣，在四个真实数据集上达到最先进的结果。

ABSTRACT

Next Point-of-Interest (POI) recommendation is of great value for both location-based service providers and users. Recently Recurrent Neural Networks (RNNs) have been proved to be effective on sequential recommendation tasks. However, existing RNN solutions rarely consider the spatio-temporal intervals between neighbor check-ins, which are essential for modeling user check-in behaviors in next POI recommendation. In this paper, we propose a new variant of LSTM, named STLSTM, which implements time gates and distance gates into LSTM to capture the spatio-temporal relation between successive check-ins. Specifically, one-time gate and one distance gate are designed to control short-term interest update, and another time gate and distance gate are designed to control long-term interest update. Furthermore, to reduce the number of parameters and improve efficiency, we further integrate coupled input and forget gates with our proposed model. Finally, we evaluate the proposed model using four real-world datasets from various location-based social networks. Our experimental results show that our model significantly outperforms the state-of-the-art approaches for next POI recommendation.

研究动机与目标

• 通过明确建模连续签到之间的时间间隔和地理距离来改进下一 POI 的推荐。
• 开发一个时空LSTM（ST-LSTM），结合时间和距离门以捕捉短期和长期用户兴趣。
• 通过耦合输入门和遗忘门（ST-CLSTM）来降低参数数量，从而提高效率。
• 在多个大规模真实世界的 LBSN 数据集上评估该方法并与强基线进行比较。

提出的方法

• 引入 ST-LSTM，具有两个时间门（T1，T2）和两个距离门（D1，D2），以控制最近 POI 的短期与长期影响。
• 修改 LSTM 单元更新，包含门控的短期/长期信息流： - ĉ_t = f_t ⊙ c_{t−1} + i_t ⊙ T1_t ⊙ D1_t ⊙ ĉ_tilde; - c_t = f_t ⊙ c_{t−1} + i_t ⊙ T2_t ⊙ D2_t ⊙ ĉ_tilde; - h_t = o_t ⊙ tanh(ĉ_t or c_t); 其中 ĉ_tilde 是候选记忆，triangle t/d triangle t 表示时间/距离间隔。
• research_questions:[]

实验结果

研究问题

• RQ1 如何在循环模型中将连续 POI 之间的时间和距离间隔纳入以提升下一次 POI 的推荐？
• RQ2 双门控的短期和长期兴趣是否比单一门控或非空间的时序模型有更好表现？
• RQ3 将输入门与遗忘门耦合是否在不牺牲准确性的前提下提升效率？
• RQ4 ST-LSTM/ST-CLSTM 与多数据集的最先进基线相比如何？
• RQ5 时间和距离门对冷启动和泛化有何影响？

主要发现

• ST-LSTM 在四个真实数据集（CA、SIN、Gowalla、Brightkite）在 Acc@1、Acc@5、Acc@10 和 MAP 上显著优于基线。
• ST-CLSTM，通过耦合输入/遗忘门，在参数更少的情况下提供相似或更好的准确性，提升效率。
• 时间和距离门对短期和长期兴趣建模都有显著贡献；禁用它们会降低性能。
• ST-LSTM/ST-CLSTM 在冷启动条件（较低的签到历史）下也取得强劲结果。
• 增大单元大小和调整批量大小可在大型数据集上提高 Acc@10 和整体收敛速度。