다음에 사용자가 체크인할 만한 관심 지점(POI)의 지점을 추천하기 위해, 대부분의 심층학습(DL) 기반 기존 연구에서는 모델 학습 중 무작위 부정(RN) 샘플링을 사용해 왔다. 본 논문에서는 학습이 진행됨에 따라 이러한 RN 샘플링이 실제로는 사용자가 자신의 체크인 시점에 체크인할 가능성이 매우 낮았던 쉬운 부정(EN) POI를 샘플링하는 것과 동일하게 동작함을 주장하고 이를 검증한다(즉, EN 샘플링). 또한, EN 샘플링이 사용자가 체크인할 가능성이 매우 높았던 어려운 부정(HN) POI를 샘플링하는 것(즉, HN 샘플링)보다 정확도 향상 측면에서 더 불리함을 확인한다. 이러한 한계를 해결하기 위해, 두 가지 요인으로 정식화될 수 있는 새로운 개념인 긍정도(Degree of Positiveness, DoP)를 제시한다: (i) POI가 사용자가 선호하는 특성을 어느 정도 갖고 있는지의 정도; (ii) 사용자와 POI 간의 지리적 거리. 이어서 DoP를 사용하여 HN 샘플링에 기반한 새로운 모델 학습 방식을 제안한다. 실제 세계 데이터셋(i.e., NYC, TKY, Brightkite)을 사용하여, 본 방식으로 학습된 모든 최신(state-of-the-art) 모델이 정확도에서 최대 약 82.8%에 이르는 현저한 개선을 보였음을 입증한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.