Time and Location Aware Points of Interest Recommendation in Location-Based Social Networks

论文传送门

作者

武汉大学

• Tie-Yun Qian
• Bei Liu
• Liang Hong
• Zhen-Ni You

摘要

基于位置的社交网络的广泛传播带来了大量的用户签到数据，这有助于推荐兴趣点（POI）。分布式表示的最新进展为学习低维密集向量来减轻数据稀疏性问题提供了启示。当前关于POI推荐的表示学习的研究将用户和POI都嵌入到共同的潜在空间中，并且基于用户和POI之间的距离/相似度来推断用户的偏好。这种方法不符合用户和POI的语义，因为它们本质上是不同的对象。在本文中，我们提出了一种新颖的基于平移的时间和位置感知（TransTL）表示形式，该表示形式将时空信息建模为连接用户和POI的关系。我们的模型概括了知识图嵌入的最新进展。基本思想是，一对的嵌入对应于用户嵌入到POI的转换。由于POI嵌入应接近于用户嵌入加上关系向量，因此可以通过选择与平移后的POI相似的前k个POI（它们都是相同类型的对象）来执行推荐。我们对两个现实世界的数据集进行了广泛的实验。结果表明，我们的TransTL模型达到了最先进的性能。与基准相比，它对于数据稀疏性也更健壮。

POI 推荐存在的问题

时间和空间位置对决定用户在 Location-based social networks(LBSNs)中的活动都起着决定性的作用
很少有工作来对它们联合的影响建模
只考虑一种因素会使得预测准确率下降

提出的方法——TransTL

将空间和时间信息建模为连接用户和POI的关系：u + tl = v

给定一个查询用户 $u_q$，查询时间 $t_q$，位置 $l_q$，我们首先将时间和位置结合作为时空模式$t{l}_q$，接着我们得到潜在的POI $v_q=u_q+t{l}_q$

对于每个POI $v\in V$，我们计算其在**赋范线性空间(normed linear space)**与$v_q$的距离，并选择前k个具有最小排名分数的POI作为推荐

结果

通过在真实数据集上大量的实验，结果表明：

• TransTL 在推荐准确率上达到了最先进的水平
• TransTL有效解决了数据稀疏和冷启动的问题，超过了baselines

思考

Critical thinking:
对于不同类型的数据，比如地理空间数据、高维数据、网络数据等等，分析的pipeline可能有所差异。

Creative thinking:
分析常用BI软件对于可视分析流水线的包含实现程度。

How to apply to our work:
根据pipeline，快速设计原型系统，迭代改进。思考一些步骤能否并行。