論文の概要: Learning Time Slot Preferences via Mobility Tree for Next POI Recommendation

• arxiv url: http://arxiv.org/abs/2403.12100v1
• Date: Sun, 17 Mar 2024 08:43:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-20 18:41:45.059070
• Title: Learning Time Slot Preferences via Mobility Tree for Next POI Recommendation
• Title（参考訳）: 次回POI勧告のためのモビリティツリーによるタイムスロットの選好学習
• Authors: Tianhao Huang, Xuan Pan, Xiangrui Cai, Ying Zhang, Xiaojie Yuan,
• Abstract要約: Next Point-of-Interests(POI)レコメンデーションタスクは、ユーザの現在のチェックイントラジェクトリに基づいて、POIの動的ランキングを提供することを目的としている。 我々は,ユーザのチェックイン記録を階層的に記述するために,モビリティツリーと呼ばれる革新的なデータ構造を導入する。 そこで我々は,モビリティツリーに基づく好み学習のためのマルチタスクフレームワークであるモビリティツリーネットワーク(MTNet)を提案する。
• 参考スコア（独自算出の注目度）: 18.374589526048446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Next Point-of-Interests (POIs) recommendation task aims to provide a dynamic ranking of POIs based on users' current check-in trajectories. The recommendation performance of this task is contingent upon a comprehensive understanding of users' personalized behavioral patterns through Location-based Social Networks (LBSNs) data. While prior studies have adeptly captured sequential patterns and transitional relationships within users' check-in trajectories, a noticeable gap persists in devising a mechanism for discerning specialized behavioral patterns during distinct time slots, such as noon, afternoon, or evening. In this paper, we introduce an innovative data structure termed the ``Mobility Tree'', tailored for hierarchically describing users' check-in records. The Mobility Tree encompasses multi-granularity time slot nodes to learn user preferences across varying temporal periods. Meanwhile, we propose the Mobility Tree Network (MTNet), a multitask framework for personalized preference learning based on Mobility Trees. We develop a four-step node interaction operation to propagate feature information from the leaf nodes to the root node. Additionally, we adopt a multitask training strategy to push the model towards learning a robust representation. The comprehensive experimental results demonstrate the superiority of MTNet over ten state-of-the-art next POI recommendation models across three real-world LBSN datasets, substantiating the efficacy of time slot preference learning facilitated by Mobility Tree.
• Abstract（参考訳）: Next Point-of-Interests(POI)レコメンデーションタスクは、ユーザの現在のチェックイントラジェクトリに基づいて、POIの動的ランキングを提供することを目的としている。 このタスクのレコメンデーションパフォーマンスは、位置情報ベースのソーシャルネットワーク(LBSN)データを通じて、ユーザのパーソナライズされた行動パターンを包括的に理解することに基づいている。 過去の研究では、ユーザのチェックイン軌跡内でのシーケンシャルなパターンとトランザクショナルな関係が顕著に捉えられてきたが、昼、昼、夜といった異なる時間帯において、特別な行動パターンを識別するメカニズムを考案する際、顕著なギャップが持続している。 本稿では,ユーザのチェックイン記録を階層的に記述する「モビリティツリー」という,革新的なデータ構造を導入する。 Mobility Treeは、複数の粒度時間スロットノードを含み、異なる時間周期でユーザの好みを学習する。 一方,モビリティ・ツリー・ネットワーク(MTNet)は,モビリティ・ツリーをベースとしたパーソナライズされた嗜好学習のためのマルチタスク・フレームワークである。 葉ノードから根ノードへ特徴情報を伝達する4ステップのノードインタラクション操作を開発する。 さらに、マルチタスクのトレーニング戦略を採用して、ロバストな表現の学習に向けてモデルを推し進める。 総合的な実験結果から,MTNetは実世界の3つのLBSNデータセットにまたがる,最先端の次世代POIレコメンデーションモデルよりも優れていることが示され,モビリティツリーが促進する時間スロット選好学習の有効性が実証された。

関連論文リスト

• 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)
• Activity-aware Human Mobility Prediction with Hierarchical Graph Attention Recurrent Network [6.8500997328311]
  本稿では,HGARN(Hierarchical Graph Attention Recurrent Network)を用いて人体移動予測を行う。 具体的には、すべてのユーザの履歴移動記録に基づいて階層グラフを構築する。 複雑な時間-アクティビティ-ロケーションの依存関係をキャプチャするために、階層的なグラフアテンションモジュールを使用します。
  論文  参考訳（メタデータ） (2022-10-14T12:56:01Z)
• Robust Knowledge Adaptation for Dynamic Graph Neural Networks [61.8505228728726]
  動的グラフニューラルネットワークのための強化学習による堅牢な知識適応フレームワークであるAda-DyGNNを提案する。 我々のアプローチは、強化学習による堅牢な知識適応を探求する最初の試みである。 3つのベンチマークデータセットの実験は、Ada-DyGNNが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2022-07-22T02:06:53Z)
• Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation [57.67616822888859]
  強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。 TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。 2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2021-11-24T04:34:26Z)
• 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)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• Position-enhanced and Time-aware Graph Convolutional Network for Sequential Recommendations [3.286961611175469]
  我々は、位置対応と時間対応のグラフ畳み込みネットワーク(PTGCN)に基づく、深層学習に基づくシーケンシャルレコメンデーションアプローチを提案する。 PTGCNは、位置対応と時間対応のグラフ畳み込み演算を定義することにより、ユーザとイテム相互作用間の逐次パターンと時間ダイナミクスをモデル化する。 多層グラフ畳み込みを積み重ねることで、ユーザとアイテム間の高次接続を実現する。
  論文  参考訳（メタデータ） (2021-07-12T07:34:20Z)
• 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)
• TAGNN: Target Attentive Graph Neural Networks for Session-based Recommendation [66.04457457299218]
  セッションベースレコメンデーションのための新しいターゲット注意グラフニューラルネットワーク(TAGNN)モデルを提案する。 TAGNNでは、ターゲット・アウェア・アテンションは、様々なターゲット項目に関して異なるユーザ関心を適応的に活性化する。 学習した関心表現ベクトルは、異なる対象項目によって変化し、モデルの表現性を大幅に改善する。
  論文  参考訳（メタデータ） (2020-05-06T14:17:05Z)

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。