論文の概要: Enhancing POI Recommendation through Global Graph Disentanglement with POI Weighted Module

• arxiv url: http://arxiv.org/abs/2507.14612v1
• Date: Sat, 19 Jul 2025 13:16:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:31.968799
• Title: Enhancing POI Recommendation through Global Graph Disentanglement with POI Weighted Module
• Title（参考訳）: POI重み付きモジュールによるグローバルグラフの絡み合いによるPOI勧告の強化
• Authors: Pei-Xuan Li, Wei-Yun Liang, Fandel Lin, Hsun-Ping Hsieh,
• Abstract要約: 次の関心点(POI)推奨は主に、ユーザの過去のチェックインデータと現在の状況に基づいて、将来の活動を予測する。 本稿では,新しいPOIレコメンデーションフレームワークであるGraph Disentangler with POI Weighted Module (GDPW)を提案する。
• 参考スコア（独自算出の注目度）: 4.736059095502583
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Next point of interest (POI) recommendation primarily predicts future activities based on users' past check-in data and current status, providing significant value to users and service providers. We observed that the popular check-in times for different POI categories vary. For example, coffee shops are crowded in the afternoon because people like to have coffee to refresh after meals, while bars are busy late at night. However, existing methods rarely explore the relationship between POI categories and time, which may result in the model being unable to fully learn users' tendencies to visit certain POI categories at different times. Additionally, existing methods for modeling time information often convert it into time embeddings or calculate the time interval and incorporate it into the model, making it difficult to capture the continuity of time. Finally, during POI prediction, various weighting information is often ignored, such as the popularity of each POI, the transition relationships between POIs, and the distances between POIs, leading to suboptimal performance. To address these issues, this paper proposes a novel next POI recommendation framework called Graph Disentangler with POI Weighted Module (GDPW). This framework aims to jointly consider POI category information and multiple POI weighting factors. Specifically, the proposed GDPW learns category and time representations through the Global Category Graph and the Global Category-Time Graph. Then, we disentangle category and time information through contrastive learning. After prediction, the final POI recommendation for users is obtained by weighting the prediction results based on the transition weights and distance relationships between POIs. We conducted experiments on two real-world datasets, and the results demonstrate that the proposed GDPW outperforms other existing models, improving performance by 3% to 11%.
• Abstract（参考訳）: 次の関心点(POI)推奨は、主にユーザの過去のチェックインデータと現在のステータスに基づいて将来のアクティビティを予測し、ユーザとサービスプロバイダに大きな価値を提供する。 様々なPOIカテゴリのチェックイン時間が異なることがわかりました。 例えば、午後にコーヒーショップが混雑するのは、夜遅くにバーが忙しい間、人々は食事後にコーヒーをリフレッシュするためにコーヒーを飲むのが好きだからである。 しかし、既存の手法ではPOIカテゴリと時間の関係を探索することは稀であり、その結果、異なるタイミングで特定のPOIカテゴリを訪問する傾向が完全に学習できないモデルになる可能性がある。 さらに、時間情報をモデル化する既存の手法は、しばしば時間埋め込みに変換したり、時間間隔を計算したり、モデルを組み込んだりすることで、時間の連続性を捉えるのが難しくなる。 最後に、POI予測において、各POIの人気、POI間の遷移関係、POI間の距離など、様々な重み付け情報が無視され、最適化性能が低下する。 これらの問題に対処するため,本論文では,新しいPOIレコメンデーションフレームワークであるGraph Disentangler with POI Weighted Module (GDPW)を提案する。 このフレームワークは、POIカテゴリ情報と複数のPOI重み付け要素を共同で検討することを目的としている。 具体的には、GDPWはGlobal Category GraphとGlobal Category-Time Graphを通してカテゴリと時間表現を学習する。 そして、コントラスト学習を通じてカテゴリと時間情報をアンタングル化する。 予測後、POI間の遷移重みと距離関係に基づいて予測結果を重み付けし、ユーザに対する最後のPOIレコメンデーションを得る。 実世界の2つのデータセットについて実験を行い、提案したGDPWが他の既存モデルを上回る性能を示し、性能を3%から11%向上させた。

関連論文リスト

• LPO: Towards Accurate GUI Agent Interaction via Location Preference Optimization [58.65395773049273]
  位置優先最適化(Location Preference Optimization、LPO)は、位置データを利用してインタラクションの好みを最適化する新しいアプローチである。 LPOは情報エントロピーを使用して、情報に富んだゾーンに注目して相互作用位置を予測する。 私たちのコードは間もなくhttps://github.com/AIDC-AI/LPO.comで公開されます。
  論文  参考訳（メタデータ） (2025-06-11T03:43:30Z)
• Forecasting Unseen Points of Interest Visits Using Context and Proximity Priors [7.294418916091012]
  機械学習モデルは、個人が過去の訪問パターンを分析することによって、将来訪問する可能性が高いポイント・オブ・関心(POI)を予測することができる。 従来の研究では、各クラスがPOIに対応するPOI分類器を学習することでこの問題に対処していた。 本稿では,学習データの外部に新たなPOIを予測するためのモデルを提案する。
  論文  参考訳（メタデータ） (2024-11-22T16:50:10Z)
• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• 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)
• 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)
• Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
  マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。 本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-06T15:42:54Z)
• A Closer Look at Debiased Temporal Sentence Grounding in Videos: Dataset, Metric, and Approach [53.727460222955266]
  テンポラル・センテンス・グラウンディング・イン・ビデオ(TSGV)は、未編集のビデオに自然言語文を埋め込むことを目的としている。 最近の研究では、現在のベンチマークデータセットには明らかなモーメントアノテーションバイアスがあることが判明している。 偏りのあるデータセットによる膨らませ評価を緩和するため、基礎的リコールスコアを割引する新しい評価基準「dR@n,IoU@m」を導入する。
  論文  参考訳（メタデータ） (2022-03-10T08:58:18Z)
• Exploiting Bi-directional Global Transition Patterns and Personal Preferences for Missing POI Category Identification [37.025295828186955]
  欠落したPOIカテゴリを識別する新しいニューラルネットワーク手法を提案する。 具体的には、チェックインカテゴリ情報が、個人以外の遷移パターンや個人の好みとどのように一致しているかをモデル化するアテンションマッチングセルを設計する。 我々のモデルは、競争力のある次のPOIカテゴリの推薦や予測タスクに対処するために自然に拡張することができる。
  論文  参考訳（メタデータ） (2021-12-31T04:15:37Z)
• 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)

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。