論文の概要: Empowering Next POI Recommendation with Multi-Relational Modeling
- arxiv url: http://arxiv.org/abs/2204.12288v1
- Date: Sun, 24 Apr 2022 21:51:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-27 13:06:27.020617
- Title: Empowering Next POI Recommendation with Multi-Relational Modeling
- Title（参考訳）: マルチリレーショナルモデリングによる次世代POI勧告の活用
- Authors: Zheng Huang, Jing Ma, Yushun Dong, Natasha Zhang Foutz, Jundong Li
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 27.27372864066066
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the wide adoption of mobile devices and web applications, location-based
social networks (LBSNs) offer large-scale individual-level location-related
activities and experiences. Next point-of-interest (POI) recommendation is one
of the most important tasks in LBSNs, aiming to make personalized
recommendations of next suitable locations to users by discovering preferences
from users' historical activities. Noticeably, LBSNs have offered unparalleled
access to abundant heterogeneous relational information about users and POIs
(including user-user social relations, such as families or colleagues; and
user-POI visiting relations). Such relational information holds great potential
to facilitate the next POI recommendation. However, most existing methods
either focus on merely the user-POI visits, or handle different relations based
on over-simplified assumptions while neglecting relational heterogeneities. To
fill these critical voids, we propose a novel framework, MEMO, which
effectively utilizes the heterogeneous relations with a multi-network
representation learning module, and explicitly incorporates the inter-temporal
user-POI mutual influence with the coupled recurrent neural networks. Extensive
experiments on real-world LBSN data validate the superiority of our framework
over the state-of-the-art next POI recommendation methods.
- Abstract（参考訳）: モバイルデバイスやWebアプリケーションの普及により、位置情報ベースのソーシャルネットワーク(LBSN)は、個人レベルの大規模活動や経験を提供する。
関心の次点(POI)レコメンデーションは、LBSNにおいて最も重要なタスクのひとつであり、ユーザの過去の活動から好みを発見することで、次の適切な場所のパーソナライズされたレコメンデーションをユーザに提供することを目的としている。
注目すべきは、LBSNは、ユーザやPOI(家族や同僚などのユーザ・ユーザ・ソーシャル関係やユーザ・POI訪問関係を含む)に関する豊富な異種関係情報に、例外なくアクセスすることである。
このような関係情報は、次のPOIレコメンデーションを促進する大きな可能性を秘めている。
しかし、既存のほとんどのメソッドは単にユーザ-POI訪問だけにフォーカスするか、あるいはリレーショナルな不均一性を無視しながら過度に単純化された仮定に基づいて異なる関係を扱う。
そこで本研究では,マルチネットワーク表現学習モジュールとのヘテロジニアスな関係を効果的に活用し,時間間ユーザとpoi間の相互影響を結合型リカレントニューラルネットワークに明示的に組み込む,新たな枠組みであるmemoを提案する。
実世界のLBSNデータに関する大規模な実験は、最先端の次世代POIレコメンデーション手法よりもフレームワークの優位性を検証する。
関連論文リスト
- BiVRec: Bidirectional View-based Multimodal Sequential Recommendation [55.87443627659778]
我々は,IDとマルチモーダルの両方で推薦タスクを共同で訓練する,革新的なフレームワークであるBivRecを提案する。
BivRecは5つのデータセットで最先端のパフォーマンスを達成し、様々な実用的な利点を示している。
論文 参考訳（メタデータ） (2024-02-27T09:10:41Z) - 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) - Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。
OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。
我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
論文 参考訳（メタデータ） (2022-09-12T09:19:22Z) - Decentralized Collaborative Learning Framework for Next POI
Recommendation [39.65626819903099]
Next Point-of-Interest (POI)レコメンデーションは位置情報ベースのソーシャルネットワーク(LBSN)において必須の機能となっている。
正確なレコメンデーションには、膨大な量の履歴チェックインデータが必要であるため、位置情報に敏感なデータをクラウドサーバで処理する必要があるため、ユーザのプライバシを脅かすことになる。
本稿では,POIレコメンデーション(DCLR)のための分散協調学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-30T11:00:11Z) - Knowledge-aware Coupled Graph Neural Network for Social Recommendation [29.648300580880683]
我々は、アイテムやユーザ間で依存する知識をレコメンデーションフレームワークに注入する知識認識結合グラフニューラルネットワーク(KCGN)を提案する。
KCGNは,グローバルグラフ構造認識のための相互情報を活用することにより,高次ユーザ・アイテム関係符号化を実現する。
さらに、動的マルチタイプユーザ-イテム対話パターンをキャプチャする機能により、KCGNをさらに強化する。
論文 参考訳（メタデータ） (2021-10-08T09:13:51Z) - Dual Side Deep Context-aware Modulation for Social Recommendation [50.59008227281762]
社会的関係と協調関係をモデル化する新しいグラフニューラルネットワークを提案する。
高次関係の上に、友人の情報とアイテムのアトラクションを捉えるために、双方向のコンテキスト認識変調を導入する。
論文 参考訳（メタデータ） (2021-03-16T11:08:30Z) - 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) - Reward Constrained Interactive Recommendation with Natural Language
Feedback [158.8095688415973]
制約強化強化学習(RL)フレームワークを提案する。
具体的には,ユーザの過去の嗜好に反するレコメンデーションを検出するために,識別器を利用する。
提案するフレームワークは汎用的であり,制約付きテキスト生成のタスクにさらに拡張されている。
論文 参考訳（メタデータ） (2020-05-04T16:23:34Z) - Relation Embedding for Personalised POI Recommendation [34.043989803855844]
本稿では,POIレコメンデーションのための翻訳ベース埋め込みを提案する。
提案手法は,低時間関係空間における時間的内容と意味的内容を効果的に符号化する。
動的個人利害の推論を強化するために,ユーザPOIグラフ上に複合因数分解フレームワークを構築した。
論文 参考訳（メタデータ） (2020-02-09T22:26:52Z)
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。