A Survey on Deep Learning Based POI Recommendations

A POI recommendation technique essentially exploits users’ historical check-ins and other multimodal information to recommend the next set of POIs suitable for a user.

Earlier works in POI recommendation primarily focused on feature engineering and conventional (non-deep learning) machine learning-based methods.

• matrix factorization(MF) methods have also been studied for better POI recommendation modeling.
• Bayesian Personalized Ranking, collaborative filtering methods have also been exploited in different works for personalized POI recommendation.
• 이런 방법들의 가장 주요한 단점은 feature engineering 에 있다.
  • Explicit 한 feature engineering 은 해당 도메인 전문가의 스킬이 요구된다.
  • 이미지, 텍스트, POI reviews 등 다양한 데이터가 사용 가능하지만, 이것들을 손수 feature engineering 하는 것은 쉽지 않은 일이다.
  • 결과적으로, 최근에는 deep learning 기반 방식이 이런 전통적인 방법들을 대체하게 되었다.

Deep learning methods like Convolution Neural Network or Recurrent Neural Network provide many advantage in terms of automatic feature extraction eliminating the difficulties in handcrafted feature design.

• CNN 과 RNN 외에도 graph embedding 이나 attention network 를 활용하는 POI 추천 방식이 제안되기도 하였다.

• 특히, state-of-the-art POI 추천 모델 중에서 self-attention 방식을 적용한 추천이 높은 성능을 내고 있다. Long Short-Term Memory models

• Since successful recommendation fundamentally depends on historical POI information, sequential models (i.e., Recurrent Neural Network, Long Short-Term Memory) have been primarily used in recent POI recommendation models.

  • Among them, Long Short-Term Memory is the most popular approach due to its long term sequential information capturing capability.

• Most of the models use an encoder-decoder scheme.

  • the encoder usually collects the information from users’ check-in list and other attributes
  • And using this information, the decoder predicts the next POI or a sequence of POI.

• A drawback of Recurrent Neural Network / Long Short-Term Memory approaches

  • unable to model the relations between two nonconsecutive POIs.

B) Graph Embedding Models

일부 POI 추천 방법들은 POI-POI, 사용자 -POI, 그리고 POI- 시간과 같은 다양한 형태로 구성된 그래프들을 낮은 차원으로 표현하는 Graph Embedding 방식을 활용한다.

• Shortcomings and Challenges
  • Data Sparsity
    • 지역 추천 시스템을 만들 때, 가장 큰 문제는 그래프나 행렬이 sparse 하다는 것이다.
      • 예를 들어, 대부분의 사용자는 일생동안 available 한 POI 수 보다 훨씬 적은 장소만 방문한다.
  • Cold Start
    • 어떤 사용자가 처음 LBSN 에 가입한 경우, 해당 사용자의 적절한 특성을 알 수 없기 때문에, 초기 추천 성능이 좋지 못하다.
  • Lack of online learning
    • POI 추천 모델들의 대부분이 Offline Learning 기반이다.
    • 매일 사용자가 수많은 데이터를 생성하기 때문에, 이러한 전략은 optimal 하지 않다.
  • Dataset
    • 대부분의 모델들이 POIs 에 포함된 텍스트 정보를 활용하지 않는데, 그 이유는 대부분의 데이터셋에는 텍스트 정보가 포함되어 있지 않기 때문이다.

C) Related

D) References