论文阅读——An Interactive MultiTask Learning Framework for NextPOIRecommendation with Uncertain Check-ins

00 文章基本信息

01 摘要

以前方法存在的问题：

• 以前的方法都是对certain的historical
  check-ins进行学习，得到用户的访问模式，但是对于uncertain的用户historical
  check-ins（比如模糊和不完整，具体原因为inaccuracy of indoor GPS devices and personal privacy）就不奏效了。

our contributions：

• 提出一套framework：interactive multi-task learning (iMTL) framework
• 具体而言是两个encoder和一个decoder： temporal-aware activity encoder、spatial-aware location preference encoder和task-specific decoder

1 Introduction

这一块内容主要是对recommend next precise individual POIs to users with uncertain check-ins这一问题/目标进行解释。

• 第一，什么是uncertain check-ins
  简单而言，下图中虚线框collective POIs l4（包含l9、l10）、l5（包含l6、l7、l8）中的check-ins都属于uncertain check-ins。比如在l5中，已知用户在t3访问了collective POIs l5中的l5。但是，在多数情况下，由于室内GPS的定位精度问题，只能判断用户进入了区域collective POIs l5却并不能确定用户是访问了l5中的具体哪一个POI，这就是所谓的uncertain check-ins问题。

  

• 第二，如何进行precise POI precise prediction with uncertain check-ins
  具体实现方法如下框架所示。
  

2 Related Work

2.1 Next POI Recommendation

对于Next POI recommandation问题，目前的方法主要分为两大类：只研究sequential activity patterns/sequential location patterns以及同时研究considering both activity and location transition patterns这两种方法。后者前者要进步一些，但是后者没有实现以下两点：

• well characterize the underlying activity over uncertain check-ins;
• exploit the spatial and temporal contexts in a fine-grained way;

2.2 Multi-Task Learning for Recommendation

Multi-Task Learning多任务学习可以提高模型的性能和模型泛化能力，与MCARNN提出的同时考虑用户的activity和location方法不同，本文提出的iMTL方法主要有以下三点创新：

• iMTL well represents users’uncertain activities via fuzzy
  characterization strategy；
• iMTL delicately explores the interplay between activity and location for next POI