DisenPOI: Disentangling Sequential and Geographical Influence for Point-of-Interest Recommendation

要約

POI (Point-of-Interest) の推奨は、さまざまな位置認識サービスで重要な役割を果たします。
POI の推奨は、連続的な影響と地理的な影響の両方によって左右されることが観察されています。
ただし、レコメンデーション中に支配的な影響の注釈付きラベルがないため、既存の方法ではこれら 2 つの影響が絡み合う傾向があり、その結果、レコメンデーションのパフォーマンスが最適化されず、解釈可能性が低下する可能性があります。
この論文では、POI レコメンデーションのための新しい Disentangled デュアルグラフ フレームワークである DisenPOI を提案することで、上記の課題に対処します。これは、2 つの別々のグラフ上の連続的および地理的関係を共同利用し、自己監視によって 2 つの影響を解きほぐします。
既存のアプローチと比較した私たちのモデルの重要な新しさは、対照学習を使用して、連続的な影響と地理的な影響の両方のもつれを解いた表現を抽出することです。
具体的には、ユーザーのチェックイン順序に基づいて地理的グラフと時系列グラフを構築します。
対応する影響をより適切に捕捉できるように、シーケンス/地理を認識できるように伝播スキームを調整します。
優先プロキシは、2 つの影響の擬似ラベルとしてチェックイン シーケンスから抽出され、コントラスト損失を介してもつれの解除を監視します。
3 つのデータセットに対する広範な実験により、提案されたモデルの優位性が実証されました。

要約(オリジナル)

Point-of-Interest (POI) recommendation plays a vital role in various location-aware services. It has been observed that POI recommendation is driven by both sequential and geographical influences. However, since there is no annotated label of the dominant influence during recommendation, existing methods tend to entangle these two influences, which may lead to sub-optimal recommendation performance and poor interpretability. In this paper, we address the above challenge by proposing DisenPOI, a novel Disentangled dual-graph framework for POI recommendation, which jointly utilizes sequential and geographical relationships on two separate graphs and disentangles the two influences with self-supervision. The key novelty of our model compared with existing approaches is to extract disentangled representations of both sequential and geographical influences with contrastive learning. To be specific, we construct a geographical graph and a sequential graph based on the check-in sequence of a user. We tailor their propagation schemes to become sequence-/geo-aware to better capture the corresponding influences. Preference proxies are extracted from check-in sequence as pseudo labels for the two influences, which supervise the disentanglement via a contrastive loss. Extensive experiments on three datasets demonstrate the superiority of the proposed model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google