論文の概要: SANST: A Self-Attentive Network for Next Point-of-Interest Recommendation

• arxiv url: http://arxiv.org/abs/2001.10379v1
• Date: Wed, 22 Jan 2020 14:21:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-07 18:21:47.092397
• Title: SANST: A Self-Attentive Network for Next Point-of-Interest Recommendation
• Title（参考訳）: sanst: 次の関心のポイント・オブ・インコメンデーションのための自己完結型ネットワーク
• Authors: Qianyu Guo, Jianzhong Qi
• Abstract要約: 次のPOI(point-of-interest)推奨は、ユーザのPOI訪問履歴から、次にどのPOIを訪問するかを提案することを目的としている。 この問題は、ユーザチェックインのシーケンシャルなパターンを活用するために、シーケンシャルなレコメンデーション問題としてモデル化されることが多い。 本稿では,ユーザチェックインの時間的制限を自己注意型ネットワークに組み込むモデルSANSTを提案する。
• 参考スコア（独自算出の注目度）: 25.663836578546086
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Next point-of-interest (POI) recommendation aims to offer suggestions on which POI to visit next, given a user's POI visit history. This problem has a wide application in the tourism industry, and it is gaining an increasing interest as more POI check-in data become available. The problem is often modeled as a sequential recommendation problem to take advantage of the sequential patterns of user check-ins, e.g., people tend to visit Central Park after The Metropolitan Museum of Art in New York City. Recently, self-attentive networks have been shown to be both effective and efficient in general sequential recommendation problems, e.g., to recommend products, video games, or movies. Directly adopting self-attentive networks for next POI recommendation, however, may produce sub-optimal recommendations. This is because vanilla self-attentive networks do not consider the spatial and temporal patterns of user check-ins, which are two critical features in next POI recommendation. To address this limitation, in this paper, we propose a model named SANST that incorporates spatio-temporal patterns of user check-ins into self-attentive networks. To incorporate the spatial patterns, we encode the relative positions of POIs into their embeddings before feeding the embeddings into the self-attentive network. To incorporate the temporal patterns, we discretize the time of POI check-ins and model the temporal relationship between POI check-ins by a relation-aware self-attention module. We evaluate the performance of our SANST model with three real-world datasets. The results show that SANST consistently outperforms the state-of-theart models, and the advantage in nDCG@10 is up to 13.65%.
• Abstract（参考訳）: 次のPOI(point-of-interest)推奨は、ユーザのPOI訪問履歴から、次にどのPOIを訪問するかを提案することを目的としている。 この問題は観光業界に広く応用されており、poiのチェックインデータが増えるにつれて関心が高まっている。 この問題は、例えば、ニューヨーク市のメトロポリタン美術館の後にセントラルパークを訪れる傾向にあるユーザーチェックインのシーケンシャルなパターンを利用するために、シーケンシャルなレコメンデーション問題としてモデル化されることが多い。 近年、製品やビデオゲーム、映画を推薦するなど、一般的な逐次的推奨問題において、自己注意型ネットワークは効率的かつ効率的であることが示されている。 しかし、次のPOIレコメンデーションに自己注意型ネットワークを直接採用することは、準最適レコメンデーションを生み出す可能性がある。 これは、バニラ自己着信ネットワークは、次のpoi勧告で重要な2つの特徴であるユーザーチェックインの空間的および時間的パターンを考慮しないためである。 本稿では,ユーザチェックインの時空間パターンを自己注意型ネットワークに組み込んだSANSTモデルを提案する。 空間パターンを組み込むために,POIの相対的な位置を埋め込みにエンコードし,その埋め込みを自己注意ネットワークに入力する。 時間的パターンを組み込むために,POIチェックインの時刻を識別し,関係認識型自己認識モジュールによるPOIチェックイン間の時間的関係をモデル化する。 実世界の3つのデータセットを用いてSANSTモデルの性能を評価する。 その結果、SANSTは最先端のモデルよりも一貫して優れており、nDCG@10の利点は13.65%である。

関連論文リスト

• Bayes-enhanced Multi-view Attention Networks for Robust POI Recommendation [81.4999547454189]
  既存の作業では、ユーザによって報告された利用可能なPOIチェックインが、ユーザ行動の真真正な描写であると仮定している。 実際のアプリケーションシナリオでは、主観的および客観的な原因の両方のため、チェックインデータは信頼性が低い。 本稿では,ユーザチェックインの不確実性に対処するため,ベイズ強化型マルチビュー注意ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-11-01T12:47:38Z)
• Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
  Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。 自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。 特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
  論文  参考訳（メタデータ） (2022-10-22T17:29:34Z)
• Dynamic Relation Discovery and Utilization in Multi-Entity Time Series Forecasting [92.32415130188046]
  多くの現実世界のシナリオでは、実体の間に決定的かつ暗黙的な関係が存在する可能性がある。 本稿では,自動グラフ学習(A2GNN)を用いたマルチグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-02-18T11:37:04Z)
• Modelling of Bi-directional Spatio-Temporal Dependence and Users' Dynamic Preferences for Missing POI Check-in Identification [38.51964956686177]
  双方向の時間的依存とユーザの動的嗜好を統合するモデルであるBi-STDDPを開発した。 その結果, 最先端手法と比較して, モデルの大幅な改善が示された。
  論文  参考訳（メタデータ） (2021-12-31T03:54:37Z)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation [70.69134448863483]
  レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。 近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
  論文  参考訳（メタデータ） (2021-04-27T08:03:52Z)
• STAN: Spatio-Temporal Attention Network for Next Location Recommendation [8.093847272089475]
  位置推薦のためのS-Temporal Attention Network (STAN)を提案する。 STANは、全てのチェックインの相対時間情報と、軌道に沿った自己注意層を利用する。 実験結果から,既存の最先端手法を9-17%上回る結果が得られた。
  論文  参考訳（メタデータ） (2021-02-08T10:04:54Z)
• STP-UDGAT: Spatial-Temporal-Preference User Dimensional Graph Attention Network for Next POI Recommendation [22.705788963791445]
  Next Point-of-Interest(POI)推奨は、位置情報ベースのソーシャルネットワーク(LBSN)と交通機関の領域にまたがる長年にわたる問題である。 最近のリカレントニューラルネットワーク(RNN)に基づくアプローチは、独立したユーザ訪問シーケンスに基づいて、ローカルビューでPOI-POI関係を学習する。 本研究では,個人化されたユーザの嗜好を同時に活用し,グローバルな空間的・時間的嗜好地区における新たなPOIを探索する新しい探索・探索モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-06T04:03:42Z)
• Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
  逐次リコメンデーションタスクのための自己指導型強化学習を提案する。 提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。 このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T11:18:57Z)
• Joint Geographical and Temporal Modeling based on Matrix Factorization for Point-of-Interest Recommendation [6.346772579930929]
  POI(Point-of-Interest)レコメンデーションは,POIを推奨するユーザの好みやモビリティパターンを学習する重要なタスクとなっている。 従来の研究では、POI勧告を改善するためには、地理的影響や時間的影響などの文脈情報を取り入れることが必要であることが示されている。
  論文  参考訳（メタデータ） (2020-01-24T12:25:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。