【论文阅读】Hierarchical multi-task graph recurrent network for next POI recommendation
【论文阅读】Hierarchical multi-task graph recurrent network for next POI recommendation
【论文阅读】Hierarchical multi-task graph recurrent network for next POI recommendation
Metadata
authors:: Nicholas Lim, Bryan Hooi, See-Kiong Ng, Yong Liang Goh, Renrong Weng, Rui Tan container:: Proceedings of the 45th international ACM SIGIR conference on research and development in information retrieval year:: 2021 DOI:: 10.1145/3477495.3531989 rating:: ???? share:: false comment:: 框架为 LSTM，在隐藏层加入全局时空信息，以多任务预测的形式同时预测 POI 以及 POI 所在区域，并通过区域对 POI 预测进行指导，建立层次结构预测 POI。
前言
SIGIR 2022：Hierarchical multi-task graph recurrent network for next POI recommendation
问题描述
OverView
在以前的工作中，用户-POI 矩阵的高度稀疏性，使得学习变得困难，预测的准确率受到影响。
用户通常只访问数据集中少量的 POI。
论文将公开的地理位置编码系统Geohash对 POI 位置进行编码，G@P将其映射到各自的网格单元，可以发现，随着P的减小，稀疏度（矩阵中 0 的占比）也随之减小，另外一方面，从一些区域预测（预测下一个 POI 所在的区域）任务上看，随着P的减小，准确率不断提高。
因此，论文希望通过学习下一个 POI 区域的分布，并以此更好地进行下一个 POI 的推荐任务。提出 Hierarchical Multi-Task Graph Recurrent Network (HMT-GRN)，以多任务的形式学习用户-POI 矩阵和用户-G@P矩阵，并预测下一个 POI 以及G@PG@PG@P区域，使用 Hierarchical Beam Search (HBS)进行分层搜索，减小搜索空间，更好地预测下一个 POI。
此外，论文通过 Graph Recurrent Network (GRN)学习序列之间的依赖关系以及全局的 POI-POI 时空关系。
主要贡献如下：
- 提出了 HMT-GRN 模型学习用户-POI 矩阵和用户-G@PG@PG@P矩阵，缓解数据的稀疏性问题；
- 使用 HBS 作为搜索空间缩减方法，提出选择层以平衡个性化与推荐之间的关系，GRN 模型学习序列之间的依赖关系以及全局的 POI-POI 时空关系。
HMT-GRN
模型架构如下图所示：
HMT-RN
Learning next POI and region distributions
就像前面提到的，论文的主要目的在于学习稀疏矩阵，用户-POI 矩阵和用户-G@P矩阵，以此更好地预测下一个 POI。因此论文在预测 POI 的基础上，同时进行 POI 所在区域G@P的预测，因此共包括 6 个任务TK={G@2,G@3,G@4,G@5,G@6,POI}。
Training
对于每个任务tk∈{G@2,G@3,G@4,G@5,G@6,POI}，使用交叉熵损失函数：
Hierarchical Beam Search
虽然预测的事件不是独立的，但我们使用多任务学习框架，通过独立建模分布来有效地缓解稀疏性问题。
能大概理解为什么要弄这么一个选择层，但是用户本身就很少访问未访问的 POI，是不是大部分走的都是 ①？而 ② 做了那么多工作是不是大部分其实就不进行？虽然看后面的实验部分确实是加了效果更好。
Graph Recurrent Network
接下来，论文提出了 GRN 模块来替换前面 HMT-RN 模型中的 LSTM，增加对全局 POI-POI 关系的学习。
在现有的工作中，递归模型（如 LSTM）被证明在学习每个用户 POI 序列的顺序依赖关系方面是有效的，然而，与图神经网络（例如，GAT)相比，它并没有直接学习全局 POI-POI 关系。另一方面 GAT 也无法学习到序列之间的依赖关系。
因此论文通过 GRN 来学习：① 序列之间的依赖关系；② 全局 POI-POI 关系。具体来说，论文对 Dimensional GAT (DGAT)[2]进行拓展。添加（a）循环结构并（b）通过利用区域和时隙来连接时空图中的 POI 来缓解数据的稀疏性。DGAT 定义如下：
此外，为了学习全局依赖关系，对 LSTM 中的公式进行进行如下计算修改：
原始 LSTM 公式如下：
实验
Datasets
Results
Ablation Study
Importance of proposed tasks
Search space reduction
Selectivity layer
Case Study
最后论文举了一个例子来说明模型的优点，其中图中 ? 位置和 ? 位置分别为使用 HMT-GRN 模型以及直接使用稀疏 POI 矩阵得到的 POI 预测，虽然类型正确但是区域错误。
总结
总结一下，论文主要是通过多任务的形式，学习用户-POI 矩阵和用户-G@PG@PG@P矩阵，预测下一个 POI 以及 POI 所在区域，并根据预测区域对 POI 进行指导；另一方面，具体模型中，还是通过在 LSTM 中隐藏层更新过程中加入全局时间以及空间信息。