On the effects of aggregation strategies for different groups of users in venue recommendation

Abstract

Sugerir nuevos lugares para ser visitados por un usuario en una ciudad específica sigue siendo un problema interesante pero desafiante, en parte debido a la gran escasez inherente de los datos disponibles en las redes sociales basadas en la ubicación (LSBN). Al mismo tiempo, en los sistemas de recomendación tradicionales, con el fin de mejorar su desempeño en estas situaciones dispersas, se han propuesto diferentes técnicas, principalmente aumentando y agregando los datos disponibles en diferentes dominios. En este artículo, abordamos el problema de la recomendación de lugares desde una perspectiva novedosa: proponemos dos estrategias para seleccionar un conjunto de ciudades candidatas con el fin de utilizar su información al realizar recomendaciones para los usuarios en una ciudad (objetivo) específica. En este contexto, categorizamos a los usuarios en dos grupos diferentes (turistas y locales) según sus patrones de movimiento y analizamos los posibles sesgos en las recomendaciones recibidas por cada uno de estos grupos. Proporcionamos una comparación experimental de varios algoritmos de recomendación en una división temporal, donde analizamos dos estrategias para seleccionar ciudades y aumentar los datos disponibles: en función del número de interacciones y en función de la distancia con respecto a la ciudad objetivo. Nuestros resultados muestran que, en general, ampliar los datos disponibles por proximidad aumenta el rendimiento de la mayoría de los recomendadores probados en términos de relevancia y cobertura, casi sin cambios en novedad y diversidad. Hemos encontrado que aquellos usuarios pertenecientes al grupo turístico tienden a obtener mejores resultados en términos de relevancia. Además, en general, los turistas exhiben constantemente un desempeño diferente por parte de algunas familias de recomendadores para otras dimensiones de evaluación, lo que evidencia un sesgo de popularidad en el comportamiento del usuario y plantea posibles problemas de equidad con respecto a la calidad de las recomendaciones recibidas. Investigamos estos aspectos y proporcionamos métodos para comprender mejor el problema. Esperamos que estos resultados puedan proporcionar a los lectores una imagen general de lo que se puede lograr en un entorno del mundo real.

Suggesting new venues to be visited by a user in a specific city remains an interesting but challenging problem, partly because of the inherent high sparsity of the data available in location-based social networks (LSBNs). At the same time, in traditional recommender systems, in order to improve their performance in these sparse situations, different techniques have been proposed mainly by augmenting and aggregating the data available in different domains. In this paper, we address the problem of venue recommendation from a novel perspective: we propose two strategies to select a set of candidate cities in order to use their information when performing recommendations for the users in a specific (target) city. In this context, we categorize users into two different groups (tourists and locals) according to their movement patterns and analyze the potential biases in the recommendations received by each of these groups. We provide an experimental comparison of several recommendation algorithms in a temporal split, where we analyze two strategies to select cities and augment the available data: based on the number of interactions and based on the distance with respect to the target city. Our results show that, in general, extending the available data by proximity increases the performance of the majority of the tested recommenders in terms of relevance and coverage, with almost no change in novelty and diversity. We have found that those users belonging to the tourist group tend to obtain better results in terms of relevance. Furthermore, in general, tourists consistently exhibit different performance by some families of recommenders for other evaluation dimensions, evidencing a popularity bias in user behavior and raising potential fairness issues regarding the quality of the received recommendations. We investigate these aspects and provide methods to better understand the problem. We expect these results could provide readers with an overall picture of what can be achieved in a real-world environment.