論文の概要: Context-Adaptive Graph Neural Networks for Next POI Recommendation

• arxiv url: http://arxiv.org/abs/2506.10329v1
• Date: Thu, 12 Jun 2025 03:33:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.557639
• Title: Context-Adaptive Graph Neural Networks for Next POI Recommendation
• Title（参考訳）: 次回POI勧告のための文脈適応型グラフニューラルネットワーク
• Authors: Yu Lei, Limin Shen, Zhu Sun, Tiantian He, Yew-Soon Ong,
• Abstract要約: Next Point-of-Interest(POI)レコメンデーションは、チェックイン履歴に基づいて、ユーザの次の訪問を予測することを目的として、位置情報ベースのサービスにおいて重要なタスクである。 本稿では,コンテキスト適応型グラフニューラルネットワーク(CAGNN)を次のPOIレコメンデーションに適用し,エッジ固有のコンテキスト要因を用いて注意重みを動的に調整する手法を提案する。 3つの実世界のデータセットに対する実験結果から、CAGNNは一貫して最先端の手法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 29.05713313255777
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Next Point-of-Interest (POI) recommendation is a critical task in location-based services, aiming to predict users' next visits based on their check-in histories. While many existing methods leverage Graph Neural Networks (GNNs) to incorporate collaborative information and improve recommendation accuracy, most of them model each type of context using separate graphs, treating different factors in isolation. This limits their ability to model the co-influence of multiple contextual factors on user transitions during message propagation, resulting in suboptimal attention weights and recommendation performance. Furthermore, they often prioritize sequential components as the primary predictor, potentially undermining the semantic and structural information encoded in the POI embeddings learned by GNNs. To address these limitations, we propose a Context-Adaptive Graph Neural Networks (CAGNN) for next POI recommendation, which dynamically adjusts attention weights using edge-specific contextual factors and enables mutual enhancement between graph-based and sequential components. Specifically, CAGNN introduces (1) a context-adaptive attention mechanism that jointly incorporates different types of contextual factors into the attention computation during graph propagation, enabling the model to dynamically capture collaborative and context-dependent transition patterns; (2) a graph-sequential mutual enhancement module, which aligns the outputs of the graph- and sequential-based modules via the KL divergence, enabling mutual enhancement of both components. Experimental results on three real-world datasets demonstrate that CAGNN consistently outperforms state-of-the-art methods. Meanwhile, theoretical guarantees are provided that our context-adaptive attention mechanism improves the expressiveness of POI representations.
• Abstract（参考訳）: Next Point-of-Interest(POI)レコメンデーションは、チェックイン履歴に基づいて、ユーザの次の訪問を予測することを目的として、位置情報ベースのサービスにおいて重要なタスクである。 既存の多くの手法では、グラフニューラルネットワーク(GNN)を利用して協調情報を統合し、レコメンデーションの精度を向上させるが、その多くは別々のグラフを使用してそれぞれのタイプのコンテキストをモデル化し、異なる要因を分離して扱う。 これにより、メッセージの伝搬中に複数のコンテキスト要因がユーザ遷移に与える影響をモデル化する能力が制限され、それによってサブ最適化の重み付けとレコメンデーションのパフォーマンスが向上する。 さらに、プライマリ予測器としてシーケンシャルコンポーネントを優先し、GNNが学習したPOI埋め込みに符号化されたセマンティックおよび構造情報を損なう可能性がある。 これらの制約に対処するため、次のPOI勧告のためのコンテキスト適応型グラフニューラルネットワーク(CAGNN)を提案し、エッジ固有のコンテキスト要因を用いて注意重みを動的に調整し、グラフベースとシーケンシャルコンポーネント間の相互強化を実現する。 特にCAGNNでは,(1)グラフ伝搬中の注意計算に異なる種類の文脈因子を共同で組み込んだコンテキスト適応型アテンション機構を導入し,協調的および文脈依存的な遷移パターンを動的にキャプチャし,(2)グラフ系列の相互拡張モジュールにより,グラフおよびシーケンシャルなモジュールの出力をKL分散により整列し,双方のコンポーネントの相互拡張を可能にする。 3つの実世界のデータセットに対する実験結果から、CAGNNは一貫して最先端の手法より優れていることが示された。 一方、文脈適応型アテンション機構がPOI表現の表現性を改善するという理論的保証が提供される。

関連論文リスト

• COMBINEX: A Unified Counterfactual Explainer for Graph Neural Networks via Node Feature and Structural Perturbations [6.894071825948456]
  我々は,ノード分類タスクとグラフ分類タスクの両方に対して,対実的な説明を生成する新しいGNN説明器であるCOMBINEXを提案する。 構造的および特徴に基づく変更を独立に扱う従来の方法とは異なり、COMBINEXはエッジとノードの特徴への修正を最適にバランスする。 この統一されたアプローチは、モデルの予測を反転させるために必要な最小限かつ効果的な変更を保証し、現実的で解釈可能な反事実をもたらす。
  論文  参考訳（メタデータ） (2025-02-14T12:17:24Z)
• Bi-Level Graph Structure Learning for Next POI Recommendation [28.44264733067864]
  Next Point-of-interest(POI)推奨は、シーケンシャルなチェックイン履歴と一連のPOI候補に基づいて、ユーザの次の目的地を予測することを目的としている。 本稿では,新しい2段階グラフ構造学習(BiGSL)を提案する。
  論文  参考訳（メタデータ） (2024-11-02T07:40:16Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• Towards Adaptive Neighborhood for Advancing Temporal Interaction Graph Modeling [19.831424038609462]
  テンポラルグラフネットワーク(TGN)は、テンポラル相互作用グラフのモデル化において、その顕著な性能を実証している。 本稿では,適応型近傍符号化機構を導入し,既存のTGNの強化を目指す。 既存のTGNとシームレスに統合可能な,フレキシブルなプラグアンドプレイモデルSEANを提案する。
  論文  参考訳（メタデータ） (2024-06-14T07:57:17Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• 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)
• 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)
• Jointly Cross- and Self-Modal Graph Attention Network for Query-Based Moment Localization [77.21951145754065]
  本稿では,共同グラフを渡る反復的メッセージのプロセスとして,このタスクをリキャストするクロスモーダルグラフ注意ネットワーク(CSMGAN)を提案する。 CSMGANは2つのモード間の高次相互作用を効果的に捉えることができ、より正確な局所化を可能にします。
  論文  参考訳（メタデータ） (2020-08-04T08:25:24Z)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)

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。