【輪講資料】Time-aware Point-of-Interest Recommendation【SIGIR2013】

2013-11-20に職場の輪講で発表した資料をアップロード．
SIGIR2013で発表された，Point of Interest(POI:店舗,ランドマーク,観光地など)の推薦手法の論文．時間帯ごとのチェックイン特徴の類似性を利用して，各時間帯にあわせたPOIを推薦するのが特徴です．

Transcript

1. 2013-11-20 1 2013-11-20 1 Time-aware Point-of-Interest Recommendation Quan Yuan, Gao Cong, Zongyang Ma, Aixin Sun, Nadia Magnenat-Thalmann Nany Nanyang Technological University, Singapore 2013-11-20 輪講資料
2. 2013-11-20 2 2013-11-20 2 まとめ  目的：ユーザへのPoint-of-Interest(POI)の推薦  特徴：チェックインの時間特徴とPOI間の距離特徴を 推薦に利用  POI推薦に時間特徴を取り入れた初の取組み（著者曰く）  1日を1時間ごとの24枠に分ける  スパース性に対応するためのスムージング手法を提案  評価：Foursquare, Gowallaのデータを用いて実験  時間と距離を利用することによる精度向上を確認  時間帯ごとに精度向上度合いに差がある
3. 2013-11-20 3 2013-11-20 3 はじめに  Location-based social networks(LBSN)が成長中  foursquare, facebook places, ...  Foursquareは3000万ユーザ,30億チェックイン,5000万POI » POI = Point-of-Interest = 店舗，観光地などのスポット » チェックイン = ある地点にきたよ，という情報 POIの例 チェックインの例
4. 2013-11-20 4 2013-11-20 4 対象タスク：ユーザへのPOIの推薦  過去のチェックイン情報用いてPOIを推薦する 田町でいつもチェックインしている ⇒ラーメン二郎を推薦  POIの推薦はユーザ側，店舗側双方にメリットがある ユーザ：次に行く所が簡単に見つかる 店舗：来客増⇒収入増  送客により店舗から報酬を得るビジネスモデルを想定？
5. 2013-11-20 5 2013-11-20 5 本研究の特徴  既存研究からの知見  POIの地理的情報は推薦に大きく影響する  友人関係の情報は推薦精度に影響しない  協調フィルタ（CF）を使うならユーザベースが良い » アイテムベースやランダムウォークベースは良くない  時間帯ごとにユーザの行動様式は変化する  地理情報と時間情報を用いたユーザベースCF  1日を1時間ごとの24枠に分ける  各スロットごとにユーザベースCFを実施する
6. 2013-11-20 6 提案手法 1-1. ユーザベース協調フィルタ(U) 2-1. 時間枠を考慮したCF(UT) 2-2. スムージングを行ったCF(UTE) 3-1. 距離を考慮した手法(S) 3-2. 距離手法の時間枠拡張(SE) 4-1. 時間・距離統合手法(UTE+SE) 2013-11-20 6
7. 2013-11-20 7 2013-11-20 7 協調フィルタとは  ユーザとアイテムの行列を用いて， あるアイテムの推薦度合いを計算する 似ている ユーザ ？＝1.5 と 推測する ３ ？ １ ４ ４ ２ １ ３ ３ １ ２ ５ １ ４ ４ ２ ２ ３ ５ １
8. 2013-11-20 8 2013-11-20 8 1-1. ユーザベースCF（U）  ユーザuに対するPOI l の推薦度cu,l を計算する cu,l : uがlにチェックインしたことがあるかどうか（1or0） wu,ν : 他のユーザνとの類似度（コサイン類似度で算出）
9.  1時間ごとに24枠に分ける  ベクトルの要素が24倍になったとみなして計算 2013-11-20 9 2013-11-20 9 2-1. ユーザベースCFへの時間枠導入（UT） …… t=AM1時 t=AM2時 t=AM3時 ３ ？ １ ４ ４ ２ １ ３ ３ １ ２ ５ １ ４ ４ ２ ２ ３ ５ １ ３ ？ １ ４ ４ ２ １ ３ ３ １ ２ ５ １ ４ ４ ２ ２ ３ ５ １ ３ ？ １ ４ ４ ２ １ ３ ３ １ ２ ５ １ ４ ４ ２ ２ ３ ５ １
10. 2013-11-20 10 2013-11-20 10 課題：スパース性への対処  時間枠ごとのチェックイン数が極めて少ない  時間を考えない場合の約13分の1  同じ時間枠に同じPOIにチェックインしていないと が0になってしまう ⇒類似度が0になる  スムージングしよう！  でも離れた時間枠でも似た所があるので難しい » 出社時間＆退社時間とか » 昼休みの情報を13時以降に足し合わせても 一部の時間枠のみで チェックイン 周辺の時間枠にも 値が入る
11. 2013-11-20 11 2013-11-20 11 スムージング方法  時間枠同士の類似度を利用する  各時間枠のチェックイン内容のコサイン類似度を算出 チェックインベクトル：
12. 2013-11-20 12 2-2. スムージング版CF （UTE）  時間枠間の類似度を使ってチェックイン数を スムージングする  ρt,t’: 時間枠tとt'の類似度  cu,t,l: スムージング後のチェックイン数 2013-11-20 12
13. 2013-11-20 13 距離によるチェックイン確率  次にチェックインする 確率は距離で低下  で近似する  10km以上を削除し， 最小二乗法を適用  liの次にljにチェックインする確率を以下で正規化 2013-11-20 13
14. 2013-11-20 14  Lu: ユーザuが過去にチェックインしたPOI集合  ユーザとPOIの類似度を， 履歴Luを条件とした事後確率として定義  P(l): lの全チェックインデータ中での割合（事前確率） 3-1. 距離を考慮したPOI推薦（S）
15. 2013-11-20 15 3-2. 時間枠拡張版（SE）  POIの事前確率を時間枠ごとに区別する  P(l)⇒Pt(l)に拡張  時間枠間の類似度は考慮せずに適用する（!?）
16. 2013-11-20 16 4-1. 時間・距離の統合手法  2-2, 3-2の線形和を取るだけ 2-2, 3-2の 正規化部分
17. 2013-11-20 17 データセット  Foursquare＠Singapole の1年分  Gowalla@California&Nevada の1年分  チェックイン5件以下のユーザ，POIを事前に削除  POIの12.5%を調整用データ， 25.0%を評価用（正解）データ， 残りを学習用データとする． ⇒以後，傾向同じなのでFoursquareのみ説明
18. 2013-11-20 18 評価手法①  Precision@N, Recall@Nで評価  推薦件数が5件ならば，Precision@5  N=3の場合の計算例  ユーザに推薦した3件が[a,c,f]  正解データに含まれるユーザがチェックインしたPOIが [a,b,c,d,e]  推薦3件中a,cが正解に含まれる⇒Precision@3＝2/3  正解5件中a,cが正解に含まれる⇒Recall@3=2/5
19. 2013-11-20 19 評価手法②  各ユーザに対して，各時間枠ごとに推薦をするため， 以下の式でPrecision, Recallを計算する いったんユーザごとで平均もどきを取った後 時間枠で平均を取る
20. 2013-11-20 20 提案手法＋ベースライン 1-1. ユーザベース協調フィルタ(U) 1-2. 既存時間考慮協調フィルタ（UTF） 2-1. 時間枠を考慮したCF(UT) 2-2. スムージングを行ったCF(UTE) 3-0. 既存距離手法（SB） 3-1. 距離を考慮した手法(S) 3-2. 距離手法の時間枠拡張(SE) 4-0. 協調フィルタ+既存距離手法（U+SB） 4-1. 時間・距離統合手法(UTE+SE) 2013-11-20 20
21. 2013-11-20 21 評価結果  UTE+SEが最も精度が高い（α=0.5を使用）  UTFとUTはほとんど差はなし  UTEとUTE+SEではそれほど大きな差はなし » 統計的に有意かは記載無し(´・ω・`)
22. 2013-11-20 22 αによる時間・距離の統合効果
23. 2013-11-20 23 時間枠の幅による精度変化  時間枠が広がるほど精度はあがる  正解の数も増えるので当然  時間枠が狭まるほどUTEの効果は大きくなる
24. 2013-11-20 24 時間枠ごとのPrec@5  5～6時，16～18時が精度が高い  特徴がはっきりしている時間帯か？
25. 2013-11-20 25 2013-11-20 25 まとめ  目的：ユーザへのPoint-of-Interest(POI)の推薦  特徴：時間特徴と距離特徴を推薦に利用  POI推薦に時間特徴を取り入れた初の取組み（著者曰く）  1日を1時間ごとの24枠に分ける  スパース性に対応するためのスムージング手法を提案  評価：Foursquare, Gowallaのデータを用いて実験  時間と距離を利用することによる精度向上を確認  時間帯ごとに精度向上度合いに差がある  今後の課題  曜日とか月とかの時間枠の考慮  POIのカテゴリ情報の考慮  時間特徴と距離特徴の融合方法の検討