带提示的空间对象推荐：当空间粒度至关重要时
信息检索
2021-01-11 v1 数据库
机器学习
摘要
现有的空间对象推荐算法在排序时通常同等对待对象。然而，空间对象往往覆盖不同层次的空间粒度，因此是异构的。例如，一个用户可能偏好被推荐一个区域（如曼哈顿），而另一个用户可能偏好一个场所（如一家餐厅）。即便是同一用户，在数据探索的不同阶段偏好也可能改变。本文研究如何支持不同空间粒度层次上的 top-k 空间对象推荐，使得城市、郊区或建筑等不同粒度的空间对象均可作为兴趣点（POI）。为解决该问题，我们提出使用 POI 树来刻画 POI 之间的空间包含关系。我们设计了一种名为 MPR（Multi-level POI Recommendation 的缩写）的新型多任务学习模型，其中每个任务旨在返回某一空间粒度层次上的 top-k POI。每个任务包含两个子任务：（i）基于属性的表示学习；（ii）基于交互的表示学习。第一个子任务从用户与 POI 的档案中直接捕捉属性，学习其特征表示。第二个子任务将用户-POI 交互纳入模型。此外，MPR 能基于三类提示——用户方面、POI 方面和交互方面——解释为何向某用户作出特定推荐。我们使用两个真实数据集对方法进行实证验证，并显示出优于若干 SOTA 方法的性能提升。
引用
@article{arxiv.2101.02969,
title = {Spatial Object Recommendation with Hints: When Spatial Granularity Matters},
author = {Hui Luo and Jingbo Zhou and Zhifeng Bao and Shuangli Li and J. Shane Culpepper and Haochao Ying and Hao Liu and Hui Xiong},
journal= {arXiv preprint arXiv:2101.02969},
year = {2021}
}