Core Concepts
사용자의 장기적 선호도와 단기적 선호도를 종합적으로 모델링하여 다음 방문할 POI를 효과적으로 추천하는 것이 핵심 아이디어이다.
Abstract
이 논문은 다음 POI 추천을 위한 새로운 모델인 SA-LSPL을 제안한다. SA-LSPL은 사용자의 장기적 선호도와 단기적 선호도를 모두 고려하여 다음 방문할 POI를 추천한다.
장기적 선호도 모델링 부분에서는 다음과 같은 핵심 내용을 다룬다:
사용자의 과거 이동 궤적 정보를 활용하여 Bi-LSTM으로 인코딩
궤적 간 시공간적 상관관계와 의존성을 모델링하기 위해 Inter-level ST-Att Layer와 Inter-level Self-Att Layer 도입
사용자의 개인화된 선호도와 소셜 영향을 종합적으로 고려
단기적 선호도 모델링 부분에서는 다음과 같은 핵심 내용을 다룬다:
연속적 방문과 비연속적 방문을 모두 고려하여 사용자의 단기적 선호도 학습
시공간적 상관관계와 카테고리 전이 의존성을 반영하는 STC-dilated LSTM 도입
연속적/비연속적 방문 선호도의 영향을 균형있게 조절하는 Adaptive Weight Normalisation Layer 설계
실험 결과, SA-LSPL은 기존 최신 모델들에 비해 우수한 성능을 보였다.
Stats
사용자 궤적 당 평균 방문 POI 수: 5.87
사용자 궤적 당 평균 시간 간격: 6.2시간
사용자 궤적 당 평균 공간 거리: 12.3km
Quotes
"사용자의 장기적 선호도와 단기적 선호도를 종합적으로 모델링하여 다음 방문할 POI를 효과적으로 추천하는 것이 핵심 아이디어이다."
"연속적 방문과 비연속적 방문을 모두 고려하여 사용자의 단기적 선호도를 학습하는 것이 중요하다."
"시공간적 상관관계와 카테고리 전이 의존성을 반영하는 STC-dilated LSTM을 도입하였다."