前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >【论文阅读】Empowering next POI recommendation with multi-relational modeling

【论文阅读】Empowering next POI recommendation with multi-relational modeling

作者头像
EmoryHuang
发布2022-10-27 20:21:31
5070
发布2022-10-27 20:21:31
举报
文章被收录于专栏:EmoryHuang's BlogEmoryHuang's Blog

【论文阅读】Empowering next POI recommendation with multi-relational modeling

Metadata

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


前言

2022 年 SIGIR, Empowering next POI recommendation with multi-relational modeling

问题描述

OverView

论文认为在 POI 推荐任务中仍然存在以下的挑战:

  1. 用户的偏好是复杂的,通常不同的社会关系有很强的联系。如下图所示,用户 Jack 从家庭成员那里寻求关于购物中心的建议,而从同事那里寻求关于培训机构的建议。这些异构的社会关系,加上用户访问 POI 所形成的用户-POI 关系,给有效利用嵌入的丰富信息带来了巨大的挑战。
  1. 获取用户和 POI 之间关键的、跨时的、相互的影响仍然具有挑战性。在用户-POI 关系中,用户的偏好可能会随时间发生变化。仍以上图为例,假如 Anna 在她最近访问的商场留下了一个正面的评价,或者推荐给其他人,那么,这个 POI 的声誉和受欢迎程度可能会得到提高。反过来,这个 POI 的声誉将影响安娜未来的访问。

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。

MEMO

模型架构如下图所示:

Relation Modeling

感觉论文说得不明不白的,连什么公式都没有。

Aggregation over Different Relation Types

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:

User-POI Mutual Influence Modeling

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:

Spatio-Temporal Representation

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。

实验

Datasets

Results

Ablation Studies

  • MEMO-NG:去除 relation
  • MEMO-NA:去除 self-attention
  • MEMO-NR:去除 RNN 中相互更新部分
  • MEMO-NTS:去除时空关系表示

总结

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。

参考资料

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2022-09-27,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 【论文阅读】Empowering next POI recommendation with multi-relational modeling
    • 前言
      • 问题描述
        • OverView
          • MEMO
            • Relation Modeling
            • User-POI Mutual Influence Modeling
          • 实验
            • Datasets
            • Results
            • Ablation Studies
          • 总结
            • 参考资料
            领券
            问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档