論文の概要: Origin-Aware Next Destination Recommendation with Personalized Preference Attention

• arxiv url: http://arxiv.org/abs/2012.01915v3
• Date: Mon, 11 Jan 2021 10:30:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-23 15:05:40.482889
• Title: Origin-Aware Next Destination Recommendation with Personalized Preference Attention
• Title（参考訳）: パーソナライズされた選好注意を伴う原点認識次決定勧告
• Authors: Nicholas Lim, Bryan Hooi, See-Kiong Ng, Xueou Wang, Yong Liang Goh, Renrong Weng, Rui Tan
• Abstract要約: 次の目的地勧告は、タクシー・配車サービスの交通分野における重要な課題である。 本稿では, オリジン(OO), デスティネーション(DD), オリジン-デスティネーション(OD)関係を学習するためのSTOD-PPAエンコーダ-デコーダモデルを提案する。 7つの実世界のユーザ・トラジェクティブ・タクシー・データセットによる実験結果から,我々のモデルはベースラインと最先端の手法を大きく上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 16.543238339815062
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Next destination recommendation is an important task in the transportation domain of taxi and ride-hailing services, where users are recommended with personalized destinations given their current origin location. However, recent recommendation works do not satisfy this origin-awareness property, and only consider learning from historical destination locations, without origin information. Thus, the resulting approaches are unable to learn and predict origin-aware recommendations based on the user's current location, leading to sub-optimal performance and poor real-world practicality. Hence, in this work, we study the origin-aware next destination recommendation task. We propose the Spatial-Temporal Origin-Destination Personalized Preference Attention (STOD-PPA) encoder-decoder model to learn origin-origin (OO), destination-destination (DD), and origin-destination (OD) relationships by first encoding both origin and destination sequences with spatial and temporal factors in local and global views, then decoding them through personalized preference attention to predict the next destination. Experimental results on seven real-world user trajectory taxi datasets show that our model significantly outperforms baseline and state-of-the-art methods.
• Abstract（参考訳）: タクシーや配車サービスの交通分野においては、現在地に応じてパーソナライズされた目的地を推薦する次の目的地勧告が重要な課題である。 しかし、近年の勧告では、この原点認識性は満たされておらず、原点情報なしでは、歴史的目的地からしか学ばない。 これにより,ユーザの現在位置に基づく起点認識による推薦の学習や予測が不可能になり,準最適性能と現実の実践性が低下する。 そこで本研究では,次の目的地推薦課題について検討する。 そこで本稿では,まず局所的および時間的要因からオリジン・オリジン(oo),デスティネーション(dd),オリジン・デスティネーション(od)の関係を学習するための空間-時間的オリジン・デスティネーション・パーソナライズド・パーソナライズド・パーソナライズド・パーソナライズド・パーソナライズド・アテンション・アテンション・アテンション(stod-ppa)エンコーダ・デコーダモデルを提案する。 実世界の7つのトラクタデータセットにおける実験結果から,本モデルがベースラインおよび最先端の手法を大幅に上回ることがわかった。

関連論文リスト

• Preference Diffusion for Recommendation [50.8692409346126]
  DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。 PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。 これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
  論文  参考訳（メタデータ） (2024-10-17T01:02:04Z)
• Pre-trained Language Model and Knowledge Distillation for Lightweight Sequential Recommendation [51.25461871988366]
  本稿では,事前学習言語モデルと知識蒸留に基づく逐次推薦アルゴリズムを提案する。 提案アルゴリズムは,推薦精度を高め,タイムリーな推薦サービスを提供する。
  論文  参考訳（メタデータ） (2024-09-23T08:39:07Z)
• MomentDiff: Generative Video Moment Retrieval from Random to Real [71.40038773943638]
  私たちは、MomentDiffという拡散に基づく生成フレームワークを提供しています。 MomentDiffは、ランダムなブラウジングから段階的なローカライゼーションまで、典型的な人間の検索プロセスをシミュレートする。 MomentDiffは3つの公開ベンチマークで最先端の手法を一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2023-07-06T09:12:13Z)
• DeepStay: Stay Region Extraction from Location Trajectories using Weak Supervision [4.243592852049962]
  モバイル端末は、ユーザの位置の絶え間ない追跡を可能にし、個人的関心点(POI)を推測するために、位置トラジェクトリを使用することができる。 POIを抽出する一般的な方法は、ユーザーがかなりの時間を費やしている領域を最初に識別することである。 SR抽出に対する一般的なアプローチは、教師なしまたは小規模のプライベートデータセットで評価される。 本稿では、位置軌跡を学習し、滞在領域を予測するDeepStayと呼ばれる弱い自己教師型トランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-05T11:16:47Z)
• On the Effective Usage of Priors in RSS-based Localization [56.68864078417909]
  本稿では、受信信号強度(RSS)指紋と畳み込みニューラルネットワークに基づくアルゴリズムLocUNetを提案する。 本稿では,密集市街地における局所化問題について検討する。 まず,LocUNetがRx位置やRxの事前分布を学習し,トレーニングデータから送信者(Tx)アソシエーションの好みを学習し,その性能を評価できることを示す。
  論文  参考訳（メタデータ） (2022-11-28T00:31:02Z)
• Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
  Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。 自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。 特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
  論文  参考訳（メタデータ） (2022-10-22T17:29:34Z)
• BERT4Loc: BERT for Location -- POI Recommender System [0.0]
  本稿では,変換器からの双方向表現(BERT)を用いた位置認識レコメンデーションシステムを提案する。 本モデルでは,位置情報とユーザの嗜好を組み合わせることで,シーケンス内の次のPOIを予測するモデルと比較して,より適切なレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2022-08-02T11:46:59Z)
• Aware of the History: Trajectory Forecasting with the Local Behavior Data [30.90992947135638]
  局所行動データは、軌道予測システムのための新しいタイプの入力データである。 予測精度を向上させる新しい局所行動認識(LBA)予測フレームワークを提案する。 また,LBF(Local-behavior-free)予測フレームワークも採用しています。
  論文  参考訳（メタデータ） (2022-07-20T04:35:38Z)
• Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
  交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。 近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。 本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T17:58:12Z)
• User Preferential Tour Recommendation Based on POI-Embedding Methods [0.624399544884021]
  POI埋め込み手法を用いてパーソナライズツアーを推薦するアルゴリズムを提案する。 提案アルゴリズムは時間と位置の制約を最適化するpoisのシーケンスを生成する。 予備実験の結果,本アルゴリズムは適切で正確な文を推薦できることがわかった。
  論文  参考訳（メタデータ） (2021-03-03T15:18:23Z)
• On the Path to High Precise IP Geolocation: A Self-Optimizing Model [0.0]
  IPジオロケーション(IP Geolocation)は、将来のインターネットにおいて、アプリケーションサービスのための地理的位置情報を提供するための重要な手段である。 本稿では,位置決定のための高精度かつ自己最適化モデルを提案する。
  論文  参考訳（メタデータ） (2020-04-03T12:45:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。