Core Concepts
시간이 다음 POI 추천에 중요한 역할을 하지만 최근 제안된 번역 임베딩 방법에서 간과되고 있다. 이를 해결하기 위해 시간 적응형 번역 임베딩 모델(TransTARec)을 제안하여 시간적 영향, 순차적 동적, 사용자 선호도를 단일 구성 요소에 자연스럽게 통합한다.
Abstract
이 논문은 다음 POI 추천을 위한 시간 적응형 번역 임베딩 모델 TransTARec을 제안한다. TransTARec은 이전 번역 임베딩 모델을 확장하여 시간적 영향을 활용한다.
핵심 내용은 다음과 같다:
(이전 타임스탬프, 사용자, 다음 타임스탬프) 트리플릿을 하나의 통합 번역 벡터로 처리하고 신경망 기반 융합 연산을 개발하여 사용자 선호도와 시간적 영향을 융합한다.
이전 POI 임베딩에 시간 적응형 번역 벡터를 더하여 다음 POI 임베딩을 예측하는 번역 연산을 수행한다.
복잡한 관계를 다루기 위해 POI 임베딩을 번역 벡터의 초평면에 투영한다.
대규모 데이터 및 데이터 희소성 문제를 효과적으로 해결하기 위해 신경망 기반 융합 연산을 활용한다.
실험 결과, TransTARec은 기존 방법들에 비해 8.41%에서 14.63% 향상된 Top@k 정확도를 보였다. 이는 시간적 영향, 순차적 동적, 사용자 선호도의 통합이 다음 POI 추천에 효과적임을 보여준다.
Stats
사용자 u의 이전 POI pi와 다음 타임스탬프 tj의 번역 벡터 vu,t는 다음 POI pj의 임베딩과 근사적으로 같다: vpi + vu,t ≈ vpj
번역 벡터 vu,t는 이전 타임스탬프 ti, 사용자 u, 다음 타임스탬프 tj를 신경망 기반 융합 연산을 통해 생성한다: vu,t = g(vti, vu, vtj)
타임스탬프 t는 월, 요일, 시간 임베딩의 합으로 표현된다: vt = vtm + vtw + vth