Bayes-enhanced Multi-view Attention Networks for Robust POI Recommendation

要約

POI の推奨は、さまざまな位置ベースのソーシャル ネットワーク サービスを促進するために実際上重要であり、最近研究の注目が高まっています。
既存の作品は一般に、ユーザー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ーの行動のグラウンドトゥルースの描写であると想定しています。
ただし、実際のアプリケーション シナリオでは、測位エラーやユーザーのプライバシー懸念などの主観的原因と客観的原因の両方により、チェックイン データの信頼性がかなり低くなり、POI レコメンデーションのパフォーマンスに重大な悪影響を及ぼす可能性があります。
この目的を達成するために、我々は、ユーザーのチェックインの不確実性要因を考慮して、ロバストな POI 推奨の新しい問題を調査し、ベイズ拡張マルチビュー アテンション ネットワークを提案します。
具体的には、個人のPOI遷移グラフ、意味ベースのPOIグラフ、距離ベースのPOIグラフを構築し、POI間の依存関係を包括的にモデル化します。
個人の POI 遷移グラフは通常、まばらでノイズの影響を受けやすいため、ローカル ビューからのデータ拡張のためにベイズ強化空間依存性学習モジュールを設計します。
ベイジアン事後ガイド付きグラフ拡張アプローチを採用して、協調信号を含む新しいグラフを生成し、データの多様性を高めます。
次に、データの不確実性の問題に対処するために、元のグラフと拡張されたグラフの両方が POI 表現の学習に使用されます。
次に、3 つのビュー グラフの POI 表現が、提案されたマルチビューの注意に基づくユーザーの好み学習モジュールに入力されます。
POI の意味と距離の相関関係を組み込むことで、ユーザーの好みを効果的に絞り込むことができ、最終的に堅牢な推奨結果が得られます。
広範な実験の結果、利用可能なチェックインが不完全でノイズが多い場合、BayMAN は POI 推奨において最先端の方法よりも大幅に優れていることが示されました。

要約(オリジナル)

POI recommendation is practically important to facilitate various Location-Based Social Network services, and has attracted rising research attention recently. Existing works generally assume the available POI check-ins reported by users are the ground-truth depiction of user behaviors. However, in real application scenarios, the check-in data can be rather unreliable due to both subjective and objective causes including positioning error and user privacy concerns, leading to significant negative impacts on the performance of the POI recommendation. To this end, we investigate a novel problem of robust POI recommendation by considering the uncertainty factors of the user check-ins, and proposes a Bayes-enhanced Multi-view Attention Network. Specifically, we construct personal POI transition graph, the semantic-based POI graph and distance-based POI graph to comprehensively model the dependencies among the POIs. As the personal POI transition graph is usually sparse and sensitive to noise, we design a Bayes-enhanced spatial dependency learning module for data augmentation from the local view. A Bayesian posterior guided graph augmentation approach is adopted to generate a new graph with collaborative signals to increase the data diversity. Then both the original and the augmented graphs are used for POI representation learning to counteract the data uncertainty issue. Next, the POI representations of the three view graphs are input into the proposed multi-view attention-based user preference learning module. By incorporating the semantic and distance correlations of POIs, the user preference can be effectively refined and finally robust recommendation results are achieved. The results of extensive experiments show that BayMAN significantly outperforms the state-of-the-art methods in POI recommendation when the available check-ins are incomplete and noisy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google