learining user's intrinsic and extrinsic interests for point of interest recommendation IJCAI17

huayu li
Point of interest recommendationPOI推荐
In this paper, 提出一个统一的方法，来有效学习细粒的（fine-grained）、可解释的用户兴趣，自适应建模缺失数据。用户的general 兴趣from 两个方面：内部兴趣和外部兴趣, so we propose a model （采用排序约束的方法），而且本文还提出自适应的面向位置的方法来capture丢失数据的inherent property.
Inspired by 心理学和社会学关于分辨用户的行为是否受外部因素的影响，
内部兴趣：用户内部品味的驱动
外部兴趣：受环境影响

• 2.1 Our Framework

用户i的整体general 兴趣（d维向量）：


we also propose 自适应建模缺失数据：位置j（d维）
对用户的内在和外在兴趣和缺失数据进行建模，我们的框架的总体损失系数为：

3部分 ：1st:用于model观测数据和未观测数据的经验损失，在2.3 节中介绍
2cd:合并了对用户内在兴趣U(i)和外在兴趣U(e)建模的附加约束，将在第2.2节中介绍。
3rd:对所有变量进行正则化处理以避免过度拟合

• 2.2 modeling user intrinsic and extrinsic interests(考虑地理位置的影响)

定义3：一个用户 有1到多个活动区域，活动区域内用户可以到达每一个POI而不受地理限制
(活动区域由一组用户已访问（visted）位置构成)
用户活动区域计算：基于用户历史位置数据聚类，在每个簇中，首先，选择每个访问的位置为圆心，某个距离阈值为半径的圆内的所有位置，将这些位置合并为一个活动区域。
modeling user intrinsic interests

用户i的intrinsic interests*位置j的位置向量：用户由于intrinsic interests驱动对位置j的喜欢度（perference）
j活动区域已访问（visted）位置，l活动区域未访问（unvisted==unobservation）位置
modeling user extrinsic interests

l活动区域外未访问位置。基于外部兴趣，每个用户i更喜欢已访问位置j，而不是活动区域之外的任何未访问位置

公式（2）的第二部分的损失系数如上：（违反约束带来的损失之和）

• 2.3Modeling the Missing Data（自适应学习用户对未访问数据的喜好度）

**观察到：**用户对未访问区域的喜好度是negative(不喜欢)和缺失的positive values的混合（可能喜好，但未意识到），

公式(2) 中的经验损失函数（1st）具体形式化为：

C:n*m的频度矩阵，n个用户m个位置（c(ij)=0表示i用户未访问j位置，c(ij)!=0表示i用户访问j位置c(ij)次）
W:一个与访问频度（check-in frequency）和r相关的权值矩阵,具体计算：

未访问位置 w(ij)=1,访问位置 w(ij)>1,
R: 反馈矩阵：
访问位置(r(ij )==1)的反馈as 1, 未访问位置的反馈as 0
增广矩阵P：已访问位置的取值=0，主要用于未访问位置的反馈值的修正（用户对未访问区域的喜好度是negative(不喜欢)和缺失的positive values的混合（可能喜好，但未意识到），因此未访问位置的反馈值取0附近的值。）
两个properties: (1)定位导向（location-oriented），即，其中包含m个潜在因素，用于高效计算;(2)它具有较小的变化范围，可以降低模型学习中的噪声。
P可以通过引入m维向量q得到,

qmin和qmax是将P限制在0附近的小范围的参数,(比如qmin和qmax都等于0，则未访问得位置都设为0)
R^：是一个预测的反馈矩阵。用户i对位置j的喜好度由

近似计算（预测）。
在方程（6）中，很明显R用于模拟观察到的反馈，而P解释了未观察到的反馈并解释了缺失数据的差异。

• 2.4optimization algorithm

框架的总体损失系数为：

=

W矩阵也用来平衡squared平方误差和ranking 误差
整个过程也需要一些预处理和近似阶段
1）通过helper matrix Z（用sigmoid函数）来得到公式1中的A和B矩阵
2）公式5中（x）+函数的近似计算（a是参数）：

所以，公式8=

使用SGD求得结果（用户i的总体喜好度U，位置矩阵 V, helper matrixZ,q）

• 3.实验，

数据集：公开数据集Gowalla and Foursquare datasets
访问记录（用户ID，位置ID， 时间戳）
划分train： 时间戳的前80%和test data ： 时间戳的后20%
evaluation metrics:准确率，召回率，MAP（排序性能）
1)VS. some baseline methods
2.参数的影响
5. conclusion
在本文中，我们提出了一种统一的方法来集成平方误差损失和排序误差损失，通过有效地学习细粒度和可解释的用户兴趣，并自适应地建模丢失的数据来解决位置推荐任务。 具体而言，每个用户的一般兴趣被建模为她的内在和外在利益的混合，我们在这些利益的基础上制定了我们统一方法中的排名约束。 此外，提出了一种自适应的面向位置的方法来捕获缺失数据的特征，然后将其表示为统一优化目标中的平方误差损失。 为了评估我们的模型，我们对现实世界的数据集进行了大量实验，并将我们的方法与几个基线进行了比较。 实验结果表明了我们模型的有效性。