authors:: Zheng Huang, Jing Ma, Yushun Dong, Natasha Zhang Foutz, Jundong Li container:: Proceedings of the 45th international ACM SIGIR conference on research and development in information retrieval year:: 2021 DOI:: 10.1145/3477495.3531801 rating:: ⭐⭐ share:: false comment:: 强调用户之间的社交关系建模,使用耦合的 RNN 相互更新用户和 POI 表示
2022 年 SIGIR, Empowering next POI recommendation with multi-relational modeling
论文认为在 POI 推荐任务中仍然存在以下的挑战:
为了解决上面这些问题,论文提出了 Multi-Relational Modeling (MEMO),充分利用用户之间的社交关系以及用户与 POI 之间的关系,使用 Graph Convolutional Networks (GCN) 以及 self-attention 进行特征提取。
为了捕获用户和 POI 之间随时间变化的相互影响,论文设计了一个基于耦合的递归神经网络(RNNs)的用户-POI 相互影响建模组件,该网络可以相互更新对方的表示。
模型架构如下图所示:
感觉论文说得不明不白的,连什么公式都没有。
接着,论文利用 self-attention 将每个节点的所有特定关系表示汇总到一个共同的隐藏层空间,以有效捕获每个用户在不同类型关系中的偏好。
具体来说,其实也就是利用 self-attention 计算两个关系之间的相似性:
并将所有关系聚合到关系p:
其中
为可学习权重矩阵。
之后使用多层感知机聚合不同关系类型的表示:
在用户-POI 关系中,用户的潜在状态和 POI 的潜在状态可能会随着时间的推移而相互影响。因此,需要更新用户和 POI 的表示,以捕获这样的相互关系。具体来说,论文通过用户 RNN(RNNU_UU)和位置 RNN(RNNL_LL)组成的耦合 RNN,分别学习用户和 POIs 的表示。
RNNU_UU整合了 POI 表示来更新用户表示,反之亦然。具体来说:
除了用户的关系和发展轨迹外,论文同时纳入了时空信息(时间间隔及空间间隔),以加强下一个 POI 推荐。
具体来说,论文使用
分别表示短时间和长时间的时间间隔:
其中θt为预设时间阈值,∗*∗表示对应元素乘法。
类似地,使用空间阈值θd得到空间间隔表示
其中空间距离使用 Haversine 距离计算。
最后将模型通过全连接得到最后的概率,损失函数为交叉熵损失函数。
论文看的很快,主要是感觉没什么东西,一些细节上的东西都不说清楚,另外数据集也是一个问题,那些常用的公开数据集本身就没有那么丰富的社交关系以供学习,总体感觉一般。