論文の概要: SPOT-Trip: Dual-Preference Driven Out-of-Town Trip Recommendation
- arxiv url: http://arxiv.org/abs/2506.01705v2
- Date: Tue, 03 Jun 2025 07:35:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-05 04:22:50.760391
- Title: SPOT-Trip: Dual-Preference Driven Out-of-Town Trip Recommendation
- Title（参考訳）: SPOT-Trip: デュアル参照駆動のアウト・オブ・Town Tripレコメンデーション
- Authors: Yinghui Liu, Hao Miao, Guojiang Shen, Yan Zhao, Xiangjie Kong, Ivan Lee,
- Abstract要約: アウト・オブ・タウン・トリップ・レコメンデーション(Out-of-town trip recommendation)は、出身地から未訪問地域へ旅行するユーザーのために、ポイント・オブ・インテリジェンス(Points of Interest)のシーケンスを生成することを目的としている。
アウト・オブ・タウンのチェックインデータの広さは、そのようなユーザの好みを捉える上で大きな課題となる。
新しいフレームワーク SPOT-Trip が提案され,2つの静的なユーザ嗜好を明示的に学習する。
- 参考スコア（独自算出の注目度）: 10.65689286167402
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Out-of-town trip recommendation aims to generate a sequence of Points of Interest (POIs) for users traveling from their hometowns to previously unvisited regions based on personalized itineraries, e.g., origin, destination, and trip duration. Modeling the complex user preferences--which often exhibit a two-fold nature of static and dynamic interests--is critical for effective recommendations. However, the sparsity of out-of-town check-in data presents significant challenges in capturing such user preferences. Meanwhile, existing methods often conflate the static and dynamic preferences, resulting in suboptimal performance. In this paper, we for the first time systematically study the problem of out-of-town trip recommendation. A novel framework SPOT-Trip is proposed to explicitly learns the dual static-dynamic user preferences. Specifically, to handle scarce data, we construct a POI attribute knowledge graph to enrich the semantic modeling of users' hometown and out-of-town check-ins, enabling the static preference modeling through attribute relation-aware aggregation. Then, we employ neural ordinary differential equations (ODEs) to capture the continuous evolution of latent dynamic user preferences and innovatively combine a temporal point process to describe the instantaneous probability of each preference behavior. Further, a static-dynamic fusion module is proposed to merge the learned static and dynamic user preferences. Extensive experiments on real data offer insight into the effectiveness of the proposed solutions, showing that SPOT-Trip achieves performance improvement by up to 17.01%.
- Abstract（参考訳）: アウト・オブ・タウン・トラベル・レコメンデーションは、パーソナライズされたイテレーション、例えば、出身地、目的地、旅行時間に基づいて、故郷から未訪問の地域へ旅行するユーザーのために、POI(Points of Interest)のシーケンスを生成することを目的としている。
複雑なユーザの好みをモデル化する — 静的性と動的関心の2倍の性質を持つことが多い — は、効果的なレコメンデーションに不可欠である。
しかし、街外チェックインデータの幅は、そのようなユーザの好みを捉える上で大きな課題となる。
一方、既存のメソッドはしばしば静的な好みと動的好みを分割し、最適以下のパフォーマンスをもたらす。
本稿では,都市外旅行勧告の問題を,初めて体系的に研究する。
新しいフレームワークSPOT-Tripが提案され、デュアル静的なユーザ好みを明示的に学習する。
具体的には、少ないデータを扱うために、利用者の故郷と郊外のチェックインのセマンティックモデリングを強化するためにPOI属性知識グラフを構築し、属性関係認識アグリゲーションによる静的な嗜好モデリングを可能にする。
そこで我々はニューラル常微分方程式(ODE)を用いて、潜在動的ユーザの嗜好の継続的な進化を捉え、時間点過程を革新的に組み合わせ、それぞれの嗜好行動の即時確率を記述する。
さらに、学習した静的および動的ユーザの好みをマージするために、静的動的融合モジュールを提案する。
実データに関する大規模な実験は、提案されたソリューションの有効性についての洞察を与え、SPOT-Tripが最大17.01%の性能改善を達成することを示した。
関連論文リスト
- Multi-agents based User Values Mining for Recommendation [52.26100802380767]
効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。
本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。
幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
論文 参考訳（メタデータ） (2025-05-02T04:01:31Z) - Slow Thinking for Sequential Recommendation [88.46598279655575]
本稿では,STREAM-Recという新しいスローシンキングレコメンデーションモデルを提案する。
弊社のアプローチは、過去のユーザの振る舞いを分析し、多段階の熟考的推論プロセスを生成し、パーソナライズされたレコメンデーションを提供する。
具体的には,(1)レコメンデーションシステムにおける適切な推論パターンを特定すること,(2)従来のレコメンデーションシステムの推論能力を効果的に刺激する方法を検討すること,の2つの課題に焦点を当てる。
論文 参考訳（メタデータ） (2025-04-13T15:53:30Z) - 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) - Modeling Dynamic User Preference via Dictionary Learning for Sequential
Recommendation [133.8758914874593]
ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。
浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。
本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
論文 参考訳（メタデータ） (2022-04-02T03:23:46Z) - Modelling of Bi-directional Spatio-Temporal Dependence and Users'
Dynamic Preferences for Missing POI Check-in Identification [38.51964956686177]
双方向の時間的依存とユーザの動的嗜好を統合するモデルであるBi-STDDPを開発した。
その結果, 最先端手法と比較して, モデルの大幅な改善が示された。
論文 参考訳（メタデータ） (2021-12-31T03:54:37Z) - TEA: A Sequential Recommendation Framework via Temporally Evolving
Aggregations [12.626079984394766]
動的ユーザ・イテム不均質グラフに基づく新しいシーケンシャル・レコメンデーション・フレームワークを提案する。
条件付き乱数場を利用して不均一なグラフとユーザ動作を集約し,確率推定を行う。
提案したフレームワークのスケーラブルで柔軟な実装を提供しています。
論文 参考訳（メタデータ） (2021-11-14T15:54:23Z) - 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) - PEN4Rec: Preference Evolution Networks for Session-based Recommendation [10.37267170480306]
セッションベースのレコメンデーションは、匿名セッションにおける歴史的な振る舞いに基づいて、ユーザの次のアクションを予測することを目的としている。
より良いレコメンデーションのためには、ユーザの好みとダイナミクスを捉えることが不可欠です。
本稿では,セッションベースレコメンデーション(PEN4Rec)のためのPreference Evolution Networksを提案する。
論文 参考訳（メタデータ） (2021-06-17T08:18:52Z) - Dynamic Graph Collaborative Filtering [64.87765663208927]
動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。
本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。
提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
論文 参考訳（メタデータ） (2021-01-08T04:16:24Z) - 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。