論文の概要: Understanding the Influence of Data Characteristics on the Performance of Point-of-Interest Recommendation Algorithms

• arxiv url: http://arxiv.org/abs/2311.07229v2
• Date: Mon, 06 Jan 2025 13:10:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:01:51.100377
• Title: Understanding the Influence of Data Characteristics on the Performance of Point-of-Interest Recommendation Algorithms
• Title（参考訳）: ポイント・オブ・インテリジェンス・レコメンデーション・アルゴリズムの性能に及ぼすデータ特性の影響の理解
• Authors: Linus W. Dietz, Pablo Sánchez, Alejandro Bellogín,
• Abstract要約: 関心のポイント(POI)レコメンデーションは旅行者やe-ツーリズムビジネスにとって不可欠である。 従来のレコメンデーションアルゴリズムのパフォーマンスは、スパーシリティ、人気バイアス、嗜好分布などのデータ特性に依存することが知られている。 本研究では,データ特性がレコメンデーション性能に与える影響を定量化する汎用手法を提案する。
• 参考スコア（独自算出の注目度）: 46.36494968837701
• License:
• Abstract: Point-of-interest (POI) recommendations are essential for travelers and the e-tourism business. They assist in decision-making regarding what venues to visit and where to dine and stay. While it is known that traditional recommendation algorithms' performance depends on data characteristics like sparsity, popularity bias, and preference distributions, the impact of these data characteristics has not been systematically studied in the POI recommendation domain. To fill this gap, we extend a previously proposed explanatory framework by introducing new explanatory variables specifically relevant to POI recommendation. At its core, the framework relies on having subsamples with different data characteristics to compute a regression model, which reveals the dependencies between data characteristics and performance metrics of recommendation models. To obtain these subsamples, we subdivide a POI recommendation data set on New York City and measure the effect of these characteristics on different classical POI recommendation algorithms in terms of accuracy, novelty, and item exposure. Our findings confirm the crucial role of key data features like density, popularity bias, and the distribution of check-ins in POI recommendation. Additionally, we identify the significance of novel factors, such as user mobility and the duration of user activity. In summary, our work presents a generic method to quantify the influence of data characteristics on recommendation performance. The results not only show why certain POI recommendation algorithms excel in specific recommendation problems derived from a LBSN check-in data set in New York City, but also offer practical insights into which data characteristics need to be addressed to achieve better recommendation performance.
• Abstract（参考訳）: 関心のポイント(POI)レコメンデーションは旅行者やe-ツーリズムビジネスにとって不可欠である。 彼らはどの会場を訪れ、どこで食事をし、滞在するかに関する意思決定を支援します。 従来のレコメンデーションアルゴリズムのパフォーマンスは、スパーシリティ、人気バイアス、嗜好分布といったデータ特性に依存することが知られているが、これらのデータ特性の影響はPOIレコメンデーションドメインで体系的に研究されていない。 このギャップを埋めるために、我々は、POIレコメンデーションに特に関連する新しい説明変数を導入することで、以前に提案された説明フレームワークを拡張した。 フレームワークの中核は、回帰モデルを計算するために異なるデータ特性を持つサブサンプルを持つことに依存しており、データ特性とレコメンデーションモデルのパフォーマンスメトリクスの間の依存関係を明らかにする。 これらのサブサンプルを得るために、ニューヨーク市に設定したPOI勧告データセットを分割し、精度、ノベルティ、アイテム露出の点で異なる古典的なPOI勧告アルゴリズムにこれらの特徴が与える影響を計測する。 以上の結果から,POIレコメンデーションにおいて,密度,人気バイアス,チェックインの分布といった重要なデータ特徴が重要であることが確認された。 さらに,ユーザモビリティやユーザ活動の持続時間など,新しい要因の意義を明らかにした。 本稿では,データ特性がレコメンデーション性能に与える影響を定量化する汎用手法を提案する。 その結果、ニューヨーク市のLBSNチェックインデータセットから得られる特定のレコメンデーション問題に、特定のPOIレコメンデーションアルゴリズムが優れている理由だけでなく、より優れたレコメンデーション性能を達成するために、どのデータ特性に対処する必要があるかという実践的な洞察を与えることができた。

関連論文リスト

• Revisiting BPR: A Replicability Study of a Common Recommender System Baseline [78.00363373925758]
  我々は,BPRモデルの特徴を考察し,その性能への影響を示し,オープンソースのBPR実装について検討する。 分析の結果,これらの実装とオリジナルのBPR論文の矛盾が明らかとなり,特定の実装に対して最大50%の性能低下がみられた。 BPRモデルは、トップnのレコメンデーションタスクにおける最先端メソッドに近いパフォーマンスレベルを達成でき、特定のデータセット上でもパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2024-09-21T18:39:53Z)
• 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)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• 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)
• 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)
• Variance-Aware Off-Policy Evaluation with Linear Function Approximation [85.75516599931632]
  線形関数近似を用いた強化学習における非政治的評価問題について検討する。 本稿では,値関数の分散を推定し,フィルタQ-Iterationにおけるベルマン残差を再重み付けするアルゴリズムVA-OPEを提案する。
  論文  参考訳（メタデータ） (2021-06-22T17:58:46Z)
• 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)
• 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。