Core Concepts
사용자의 시간대별 선호도를 학습하여 다음 방문 장소를 추천하는 모델을 제안한다.
Abstract
이 논문은 사용자의 시간대별 선호도를 학습하기 위해 "이동 트리"라는 새로운 계층적 데이터 구조를 소개한다. 이동 트리는 다양한 시간 단위의 노드로 구성되어 있어, 사용자의 선호도를 세부적인 시간 단위로 파악할 수 있다.
논문에서는 이동 트리 기반의 추천 모델 MTNet을 제안한다. MTNet은 4단계의 노드 간 정보 전파 과정을 통해 이동 트리의 특성을 효과적으로 활용한다. 또한 다중 과제 학습 전략을 채택하여 모델의 표현력과 강건성을 높인다.
실험 결과, MTNet은 3개의 실제 LBSN 데이터셋에서 10개의 최신 기준 모델들을 능가하는 성능을 보였다. 이는 시간대별 사용자 선호도 학습의 중요성을 입증한다.
Stats
사용자 수: 1,075명(NYC), 2,281명(TKY), 4,318명(CA)
POI 수: 5,099개(NYC), 7,844개(TKY), 9,923개(CA)
체크인 수: 104,074개(NYC), 361,430개(TKY), 250,780개(CA)
트래젝토리 수: 14,160개(NYC), 44,692개(TKY), 32,920개(CA)
Quotes
"사용자의 미래 움직임과 활동은 최근 체크인 행동에 강하게 영향을 받는다는 것이 다음 POI 추천 문제의 기본 가정이다."
"사용자의 개인화된 행동 패턴을 이해하는 것이 이 작업의 추천 성능을 좌우한다."