It is essential to predict the popularity when the investors want to decide which type of shops to open
at a given location. Existing shop-type recommender systems solve this problem based on collaborative
filtering. However, most of existing collaborative filtering based methods make recommendation for
each region, and have difficulty to analyze each shop specifically. To tackle this problem, we propose
GraphShop, a new deep learning based shop-type recommender system. The GraphShop represents every
shop as a node in a graph, learns its embedding vector, and finally predicts the popularity with a type.
We also propose three aggregation functions to gather the neighborhood information of each shop from
three different perspectives. Because of lack of an open dataset for the shop-type recommendation, we
have constructed a new large shop-type dataset, that can be accessed through . Experimental results
show that our proposed method outperforms other existing state-of-the-art methods.
어떤 장소(location)에 새로운 가게(shop)를 열고 싶은 경우를 고려합시다. 사업자가 가게 타입을 정할 때는,
해당 장소에서 사람들이 각 가게 타입을 얼마나 선호하는지(popularity)를 예측하는게 매우 중요하다. 현재
많이 사용되는 숍 타입 추천 시스템들은 협업 필터링 (collaborative filtering) 방법을 주로 이용한다. 그러
나 현재 사용 중인 협업 필터링 기반 방법들은 각 지역별로 숍 타입을 추천하며, 구체적인 가게의 위치를
고려하지는 않은다. 본 논문에서는 이 문제를 해결하기 위해 새로운 딥 러닝 기반 숍 타입 추천 시스템인
GraphShop을 제안한다. GraphShop은 모든 숍들을 그래프의 노드들으로 표현하고, 노드들에 대응하는 대
표 벡터들을 학습하며, 각 장소에 적당한 숍 타입을 추천한다. GraphShop은 각 숍의 주변 정보를 수집하는
3개의 함수들을 가지고 있다. 현재 공개되어 있는 숍 타입 데이터 세트가 없어, 본 연구에서 새로운 데이터
세트를 구축한다. 실험을 통해 우리가 제안한 방법이 최신 솔루션보다 우수하다는 것을 보였다.
