少数据多作为：通过跨区域迁移克服POI推荐中的数据稀缺问题
机器学习
2022-08-29 v1 信息检索
摘要
各地区社交应用使用情况的差异导致所收集签到数据的数量与质量高度偏斜，这进而对有效的位置推荐系统构成挑战。本文提出Axolotl（自动化跨位置网络迁移学习，Automated cross Location-network Transfer Learning），一种旨在将数据丰富区域中学习到的位置偏好模型迁移过来，以显著提升数据稀缺区域推荐质量的新方法。Axolotl主要部署两条信息迁移通道：（1）基于元学习的过程，利用位置推荐与社会关系预测进行学习；（2）轻量级的无监督基于聚类的跨用户与位置迁移，针对具有相似偏好的对象。二者协同工作，在数据稀缺区域实现更高的推荐准确率，且无需重叠用户的前提，仅需极少量微调。我们在用于捕捉各地区用户移动图中用户与位置条件影响的双图注意力神经网络模型之上构建Axolotl。我们在美国、日本和德国的12个用户移动数据集上进行了大量实验，其中3个作为源区域，其余9个（移动数据记录稀疏得多）作为目标区域。实证表明，Axolotl在所有指标上比现有最先进（SOTA）方法的推荐性能最高提升18%。
引用
@article{arxiv.2201.06095,
title = {Doing More with Less: Overcoming Data Scarcity for POI Recommendation via Cross-Region Transfer},
author = {Vinayak Gupta and Srikanta Bedathur},
journal= {arXiv preprint arXiv:2201.06095},
year = {2022}
}
备注
ACM TIST