論文の概要: A Survey on Deep Learning Based Point-Of-Interest (POI) Recommendations
- arxiv url: http://arxiv.org/abs/2011.10187v1
- Date: Fri, 20 Nov 2020 02:55:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 06:34:26.696989
- Title: A Survey on Deep Learning Based Point-Of-Interest (POI) Recommendations
- Title（参考訳）: 深層学習に基づくポイントオフ・インテンシブ(POI)勧告に関する調査
- Authors: Md. Ashraful Islam, Mir Mahathir Mohammad, Sarkar Snigdha Sarathi Das,
Mohammed Eunus Ali
- Abstract要約: 位置情報ベースのソーシャルネットワーク(LBSN)は、チェックイン、意見、写真、レビューを共有することで、友人や知り合いと交流することを可能にする。
LBSNから生成された膨大な量のデータが新たな研究の道を開き、Point-of-Interest(POI)レコメンデーションと呼ばれる新しいサブフィールドのレコメンデーションシステムを生み出した。
POIレコメンデーション技術は、ユーザの履歴チェックインとPOI属性や友情ネットワークなどのマルチモーダル情報を利用して、ユーザに適した次のPOIセットを推奨する。
- 参考スコア（独自算出の注目度）: 1.3859669037499769
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Location-based Social Networks (LBSNs) enable users to socialize with friends
and acquaintances by sharing their check-ins, opinions, photos, and reviews.
Huge volume of data generated from LBSNs opens up a new avenue of research that
gives birth to a new sub-field of recommendation systems, known as
Point-of-Interest (POI) recommendation. A POI recommendation technique
essentially exploits users' historical check-ins and other multi-modal
information such as POI attributes and friendship network, to recommend the
next set of POIs suitable for a user. A plethora of earlier works focused on
traditional machine learning techniques by using hand-crafted features from the
dataset. With the recent surge of deep learning research, we have witnessed a
large variety of POI recommendation works utilizing different deep learning
paradigms. These techniques largely vary in problem formulations, proposed
techniques, used datasets, and features, etc. To the best of our knowledge,
this work is the first comprehensive survey of all major deep learning-based
POI recommendation works. Our work categorizes and critically analyzes the
recent POI recommendation works based on different deep learning paradigms and
other relevant features. This review can be considered a cookbook for
researchers or practitioners working in the area of POI recommendation.
- Abstract（参考訳）: 位置情報ベースのソーシャルネットワーク(LBSN)は、チェックイン、意見、写真、レビューを共有することで、友人や知り合いと交流できる。
LBSNから生成される膨大な量のデータが新たな研究の道を開き、Point-of-Interest(POI)レコメンデーションと呼ばれる新しいサブフィールドのレコメンデーションシステムを生み出す。
POIレコメンデーション技術は、ユーザの履歴チェックインとPOI属性や友情ネットワークなどのマルチモーダル情報を利用して、ユーザに適した次のPOIセットを推奨する。
データセットから手作りの機能を使って、従来の機械学習技術にフォーカスした初期の作品が多数ある。
近年の深層学習研究の活発化に伴い,様々な深層学習パラダイムを活用したpoiレコメンデーション作業が数多く実施されている。
これらの技法は、問題定式化、提案手法、使用済みデータセット、特徴などによって大きく異なる。
私たちの知る限りでは、この研究は主要なディープラーニングベースのpoi推奨作業の包括的な調査としては初めてです。
我々の研究は、異なるディープラーニングパラダイムやその他の関連する機能に基づいて、最近のPOIレコメンデーションワークを分類し、批判的に分析します。
このレビューは、POIレコメンデーションの領域で働く研究者や実践者の料理本と見なすことができる。
関連論文リスト
- Embedding in Recommender Systems: A Survey [67.67966158305603]
重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。
埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。
この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
論文 参考訳（メタデータ） (2023-10-28T06:31:06Z) - Impression-Aware Recommender Systems [57.38537491535016]
新たなデータソースは、レコメンデーションシステムの品質を改善する新しい機会をもたらす。
研究者はインプレッションを使ってユーザーの好みを洗練させ、推奨システム研究の現在の制限を克服することができる。
本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。
論文 参考訳（メタデータ） (2023-08-15T16:16:02Z) - 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) - Empowering Next POI Recommendation with Multi-Relational Modeling [27.27372864066066]
位置情報ベースのソーシャルネットワーク(LBSN)は、個人レベルの位置情報関連の大規模活動と体験を提供する。
次の関心のポイント(POI)レコメンデーションは、LBSNにおける最も重要なタスクの1つである。
マルチネットワーク表現学習モジュールとの異種関係を効果的に活用する新しいフレームワークMEMOを提案する。
論文 参考訳（メタデータ） (2022-04-24T21:51:29Z) - Improving Rating and Relevance with Point-of-Interest Recommender System [0.0]
我々は、協調情報とコンテンツ情報の両方が存在する場合に、クエリとイテムの関連性をモデル化するディープニューラルネットワークアーキテクチャを開発する。
これらの学習された表現を大規模データセットに適用すると、大幅な改善がもたらされた。
論文 参考訳（メタデータ） (2022-02-17T16:43:17Z) - A Systematic Analysis on the Impact of Contextual Information on
Point-of-Interest Recommendation [6.346772579930929]
我々は、異なるコンテキストモデルを提案し、異なる主要なコンテキスト情報の融合をPOIレコメンデーションで分析する。
この結果から,地理的影響や時間的影響をモデル化することで,推奨品質が向上する一方で,他のコンテキスト情報をすべてレコメンデーションモデルに融合させることが必ずしも最善の戦略ではないことが示唆された。
論文 参考訳（メタデータ） (2022-01-20T12:41:12Z) - 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) - Generative Inverse Deep Reinforcement Learning for Online Recommendation [62.09946317831129]
オンラインレコメンデーションのための新しい逆強化学習手法InvRecを提案する。
InvRecは、オンラインレコメンデーションのために、ユーザの行動から報酬関数を自動的に抽出する。
論文 参考訳（メタデータ） (2020-11-04T12:12:25Z) - Comprehensive Empirical Evaluation of Deep Learning Approaches for
Session-based Recommendation in E-Commerce [38.42250061908039]
セッションベースのレコメンデーションでは、リコメンデーションシステムは、同じセッション内でユーザが行ったイベントの順序をカウントして、他のアイテムを予測し、支持する。
本稿では,セッションベースレコメンデーションで使用される最先端のディープラーニングアプローチについて,包括的に評価する。
論文 参考訳（メタデータ） (2020-10-17T17:22:35Z) - A Deep Hybrid Model for Recommendation Systems [0.0]
我々は,ID埋め込みだけでなく,求人情報の特徴や求人システム候補などの補助情報も含む新しいディープニューラルネットワークアーキテクチャを提案する。
ジョブサイトからのデータセットに対する実験結果から,提案手法は,ID埋め込みを用いたディープラーニングモデルよりも推奨結果を改善することが示された。
論文 参考訳（メタデータ） (2020-09-21T10:41:28Z) - A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
我々は知識グラフに基づく推薦システムの体系的な調査を行う。
論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。
これらの作業で使用されるデータセットを紹介します。
論文 参考訳（メタデータ） (2020-02-28T02:26:30Z)
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。