Überbrückung von kollaborativer Filterung und semi-supervised Lernen

Das Empfehlungssystem ist eines der beliebtesten Themen im Data Mining, das sowohl in der Wissenschaft als auch in der Industrie große Aufmerksamkeit erhält. Unter ihnen ist die POI (Point of Interest)-Empfehlung äußerst praktisch, aber herausfordernd: Sie bringt sowohl Nutzern als auch Unternehmen im realen Leben große Vorteile, ist jedoch aufgrund von Datenknappheit und unterschiedlichen Kontexten schwierig. Während eine Reihe von Algorithmen versucht, das Problem in Bezug auf spezifische Daten und Problemszenarien anzugehen, scheitern sie oft, wenn sich die Szenarien ändern. In dieser Arbeit schlagen wir vor, einen allgemeinen und fundierten Rahmen für semi-supervised Lernen (SSL) zu entwickeln, um Datenknappheit durch Glättung unter benachbarten Nutzern und POIs zu lindern und verschiedene Kontexte zu behandeln, indem die Benutzerpräferenzen basierend auf Kontextgraphen regularisiert werden. Um einen solchen Rahmen zu ermöglichen, entwickeln wir PACE (Preference And Context Embedding), eine tiefe neuronale Architektur, die die Einbettungen von Nutzern und POIs gemeinsam lernt, um sowohl die Benutzerpräferenz über POIs als auch verschiedene Kontexte, die mit Nutzern und POIs verbunden sind, vorherzusagen. Wir zeigen, dass PACE erfolgreich CF (collaborative filtering) und SSL über seine Verallgemeinerung der de facto-Methode der Matrixfaktorierung von CF und der graphenbasierte Laplace-Regression von SSL überbrückt. Umfangreiche Experimente an zwei realen standortbasierten sozialen Netzwerkanalysen zeigen die Wirksamkeit von PACE.