論文の概要: DisenPOI: Disentangling Sequential and Geographical Influence for
Point-of-Interest Recommendation
- arxiv url: http://arxiv.org/abs/2210.16591v1
- Date: Sat, 29 Oct 2022 12:55:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 18:28:22.582067
- Title: DisenPOI: Disentangling Sequential and Geographical Influence for
Point-of-Interest Recommendation
- Title（参考訳）: DisenPOI:ポイント・オブ・インテンシブ・レコメンデーションにおける逐次的・地理的影響
- Authors: Yifang Qin, Yifan Wang, Fang Sun, Wei Ju, Xuyang Hou, Zhe Wang, Jia
Cheng, Jun Lei, Ming Zhang
- Abstract要約: ポイント・オブ・インテリジェンス(POI)レコメンデーションは、様々な位置情報サービスにおいて重要な役割を果たす。
POIレコメンデーションは、逐次的および地理的影響の両方によって引き起こされる。
本稿では,POIレコメンデーションのためのDistangled dual-graphフレームワークであるDisenPOIを提案する。
- 参考スコア（独自算出の注目度）: 10.833288549547309
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Point-of-Interest (POI) recommendation plays a vital role in various
location-aware services. It has been observed that POI recommendation is driven
by both sequential and geographical influences. However, since there is no
annotated label of the dominant influence during recommendation, existing
methods tend to entangle these two influences, which may lead to sub-optimal
recommendation performance and poor interpretability. In this paper, we address
the above challenge by proposing DisenPOI, a novel Disentangled dual-graph
framework for POI recommendation, which jointly utilizes sequential and
geographical relationships on two separate graphs and disentangles the two
influences with self-supervision. The key novelty of our model compared with
existing approaches is to extract disentangled representations of both
sequential and geographical influences with contrastive learning. To be
specific, we construct a geographical graph and a sequential graph based on the
check-in sequence of a user. We tailor their propagation schemes to become
sequence-/geo-aware to better capture the corresponding influences. Preference
proxies are extracted from check-in sequence as pseudo labels for the two
influences, which supervise the disentanglement via a contrastive loss.
Extensive experiments on three datasets demonstrate the superiority of the
proposed model.
- Abstract（参考訳）: POI(Point-of-Interest)は、様々な位置情報サービスにおいて重要な役割を果たす。
POIレコメンデーションは、逐次的および地理的影響の両方によって引き起こされる。
しかしながら、推奨期間中に支配的な影響を示す注釈付きラベルが存在しないため、既存の手法はこれら2つの影響を絡み合わせる傾向にあり、これは準最適推奨性能と弱い解釈可能性をもたらす可能性がある。
本稿では,2つのグラフ上の逐次的および地理的な関係を共同で利用し,これら2つの影響を自己超越で解消する,新しいPOIレコメンデーション用分散二重グラフフレームワークであるDisenPOIを提案する。
既存手法と比較して,本モデルの重要な新奇性は,逐次的および地理的影響と対比的学習の相違表現を抽出することである。
具体的には、ユーザのチェックインシーケンスに基づいて、地理的グラフとシーケンシャルグラフを構築する。
我々は、それらの伝播スキームをシーケンシャル/ジオアウェアに調整し、対応する影響をよりよく捉えます。
2つの影響の擬似ラベルとしてチェックインシーケンスから選好プロキシを抽出し、対比損失を介して異方性を監督する。
3つのデータセットに関する広範な実験は、提案モデルの優越性を示している。
関連論文リスト
- Degree Distribution based Spiking Graph Networks for Domain Adaptation [17.924123705983792]
Spiking Graph Networks (SGNs)は、グラフ分類におけるエネルギー消費の課題に対処する能力のために、研究者と業界双方から大きな注目を集めている。
まず、SGNにおけるドメイン適応問題を提案し、Dgree-aware Spiking Graph Domain Adaptation for Classificationという新しいフレームワークを提案する。
The proposed DeSGDA address the spiking graph domain adapt problem by three aspects: node degree-aware Personal spiking representation, adversarial feature distribution alignment, pseudo-label distillation。
論文 参考訳（メタデータ） (2024-10-09T13:45:54Z) - 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) - Variational Disentangled Graph Auto-Encoders for Link Prediction [10.390861526194662]
本稿では,DGAE(disentangled graph auto-encoder)とVDGAE(variantal disentangled graph auto-encoder)の2つの変種を持つ新しいフレームワークを提案する。
提案フレームワークは,グラフのエッジの原因となる潜伏因子を推定し,その表現を一意の潜伏因子に対応する複数のチャネルに分解する。
論文 参考訳（メタデータ） (2023-06-20T06:25:05Z) - 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) - Kernel-based Substructure Exploration for Next POI Recommendation [20.799741790823425]
POI(Point-of-Interest)レコメンデーションは、レコメンデーションシステムにおいてますます重要な役割を果たす。
既存のほとんどの手法は、リカレントニューラルネットワーク(RNN)を利用して、レコメンデーションのためのシーケンシャルな影響を探索する。
地理的および逐次的影響の両特性を組み合わせた,次回のPOIレコメンデーションのための Kernel-based Graph Neural Network (KBGNN) を提案する。
論文 参考訳（メタデータ） (2022-10-08T08:36:34Z) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳（メタデータ） (2022-06-06T14:26:34Z) - Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。
EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2022-02-05T02:31:01Z) - Consistency Regularization for Deep Face Anti-Spoofing [69.70647782777051]
顔認証システムでは、顔認証(FAS)が重要な役割を担っている。
このエキサイティングな観察によって、異なる視点の特徴整合性を促進することが、FASモデルを促進するための有望な方法かもしれないと推測する。
FASにおけるEPCR(Embeddding-level and Prediction-level Consistency Regularization)とEPCR(Embeddding-level Consistency Regularization)を併用した。
論文 参考訳（メタデータ） (2021-11-24T08:03:48Z) - Dual Attentive Sequential Learning for Cross-Domain Click-Through Rate
Prediction [76.98616102965023]
クロスドメインレコメンダシステムは、コールドスタートとスパシティの問題に対処するための強力な方法である。
本稿では,二元学習機構に基づくクロスドメインシーケンシャルなレコメンデーション手法を提案する。
論文 参考訳（メタデータ） (2021-06-05T01:21:21Z) - 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。