論文の概要: Spatial Object Recommendation with Hints: When Spatial Granularity Matters

• arxiv url: http://arxiv.org/abs/2101.02969v1
• Date: Fri, 8 Jan 2021 11:39:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-10 04:59:14.412233
• Title: Spatial Object Recommendation with Hints: When Spatial Granularity Matters
• Title（参考訳）: ヒントによる空間的物体推薦:空間的粒度が問題となる場合
• Authors: Hui Luo, Jingbo Zhou, Zhifeng Bao, Shuangli Li, J. Shane Culpepper, Haochao Ying, Hao Liu, Hui Xiong
• Abstract要約: 空間的粒度の異なるレベルで、トップK空間オブジェクト推奨をサポートする方法を検討する。 関心のポイント(POI)間の空間的包摂関係をキャプチャするPOI木の利用を提案する。 我々はMPR(Multi-level POI Recommendation)と呼ばれる新しいマルチタスク学習モデルを設計し、各タスクは特定の空間的粒度レベルでトップk POIを返すことを目的としている。
• 参考スコア（独自算出の注目度）: 42.51352610054967
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing spatial object recommendation algorithms generally treat objects identically when ranking them. However, spatial objects often cover different levels of spatial granularity and thereby are heterogeneous. For example, one user may prefer to be recommended a region (say Manhattan), while another user might prefer a venue (say a restaurant). Even for the same user, preferences can change at different stages of data exploration. In this paper, we study how to support top-k spatial object recommendations at varying levels of spatial granularity, enabling spatial objects at varying granularity, such as a city, suburb, or building, as a Point of Interest (POI). To solve this problem, we propose the use of a POI tree, which captures spatial containment relationships between POIs. We design a novel multi-task learning model called MPR (short for Multi-level POI Recommendation), where each task aims to return the top-k POIs at a certain spatial granularity level. Each task consists of two subtasks: (i) attribute-based representation learning; (ii) interaction-based representation learning. The first subtask learns the feature representations for both users and POIs, capturing attributes directly from their profiles. The second subtask incorporates user-POI interactions into the model. Additionally, MPR can provide insights into why certain recommendations are being made to a user based on three types of hints: user-aspect, POI-aspect, and interaction-aspect. We empirically validate our approach using two real-life datasets, and show promising performance improvements over several state-of-the-art methods.
• Abstract（参考訳）: 既存の空間オブジェクトリコメンデーションアルゴリズムは一般に、オブジェクトをランク付けする際に同一に扱う。 しかし、空間オブジェクトはしばしば異なる空間的粒度のレベルをカバーし、したがって不均一である。 例えば、あるユーザーは地域(マンハッタンなど)を推奨するが、別のユーザーは会場(レストランなど)を推奨する。 同じユーザーであっても、好みはデータ探索の異なる段階で変わる可能性がある。 本稿では,都市や郊外,建物など,空間的な粒度の異なる空間的物体を関心点(poi)として活用し,空間的粒度レベルでのtop-k空間的物体推薦を支援する方法について検討する。 この問題を解決するために,POI間の空間的包摂関係をキャプチャするPOI木を提案する。 我々はMPR(Multi-level POI Recommendation)と呼ばれる新しいマルチタスク学習モデルを設計し、各タスクは特定の空間的粒度レベルでトップk POIを返すことを目的としている。 各タスクは2つのサブタスクから構成される: (i)属性ベース表現学習; (ii)インタラクションベース表現学習。 最初のサブタスクはユーザとPOIの両方の機能表現を学び、プロファイルから直接属性をキャプチャする。 第2のサブタスクは、ユーザ-POIインタラクションをモデルに組み込む。 さらに、mprは、ユーザ-aspect、poi-aspect、interaction-aspectという3種類のヒントに基づいて、ユーザに推奨される理由に関する洞察を提供することができる。 我々は,2つの実時間データセットを用いたアプローチを実証的に検証し,いくつかの最先端手法に対して有望な性能改善を示す。

関連論文リスト

• EarthVQA: Towards Queryable Earth via Relational Reasoning-Based Remote Sensing Visual Question Answering [11.37120215795946]
  本研究では,多モードマルチタスクVQAデータセット(EarthVQA)を開発した。 EarthVQAデータセットには6000の画像、対応するセマンティックマスク、都市と農村のガバナンス要件を組み込んだ208,593のQAペアが含まれている。 本稿では,オブジェクト中心の方法でVQAを進めるためのセマンティックオブジェクト認識フレームワーク(SOBA)を提案する。
  論文  参考訳（メタデータ） (2023-12-19T15:11:32Z)
• Concrete Subspace Learning based Interference Elimination for Multi-task Model Fusion [86.6191592951269]
  一般的な事前訓練された大規模モデルから微調整されたマージングモデルは、様々なタスクに特化しているが、様々なタスクでうまく機能するマルチタスクモデルを構築するための安価でスケーラブルな戦略として実証されている。 本稿では、共通低次元部分空間を同定し、その共有情報トラック干渉問題を性能を犠牲にすることなく利用するための連続緩和(Concrete)部分空間学習法を提案する。
  論文  参考訳（メタデータ） (2023-12-11T07:24:54Z)
• Multi-label affordance mapping from egocentric vision [3.683202928838613]
  本稿では, 精度の高い多ラベルセグメンテーションを実現するために, 空き感に対する新しいアプローチを提案する。 我々の手法は、ファースト・パーソン・ビデオから空き地を自動的に抽出するために利用できる。 相互作用ホットスポットのマップを構築するために、メトリック表現をどのように活用できるかを示します。
  論文  参考訳（メタデータ） (2023-09-05T10:56:23Z)
• QueryPose: Sparse Multi-Person Pose Regression via Spatial-Aware Part-Level Query [15.934593709289931]
  入力画像から複数人物のキーポイントシーケンスを直接予測できる、QueryPoseと呼ばれるスパースなエンドツーエンドの多対人ポーズ回帰フレームワークを提案する。 我々のフレームワークでは、各人間のインスタンスは複数の学習可能な空間認識部分レベルのクエリによってエンコードされる。 QueryPoseはバイパーティイトマッチングにより、手書きのポストプロセスを避け、MS mini-val の73.6 AP と CrowdPose のテストセットの72.7 AP で既存の高密度なエンドツーエンドメソッドを上回ります。
  論文  参考訳（メタデータ） (2022-12-15T14:22:49Z)
• Pose for Everything: Towards Category-Agnostic Pose Estimation [93.07415325374761]
  Category-Agnostic Pose Estimation (CAPE) は、キーポイント定義を持つ少数のサンプルのみを与えられた任意の種類のオブジェクトのポーズを検出することができるポーズ推定モデルを作成することを目的としている。 異なるキーポイント間のインタラクションと、サポートとクエリイメージの関係をキャプチャするために、トランスフォーマーベースのキーポイントインタラクションモジュール(KIM)を提案する。 また、20K以上のインスタンスを含む100のオブジェクトカテゴリの2次元ポーズデータセットであるMP-100データセットを導入し、CAPEアルゴリズムの開発に適している。
  論文  参考訳（メタデータ） (2022-07-21T09:40:54Z)
• Modelling of Bi-directional Spatio-Temporal Dependence and Users' Dynamic Preferences for Missing POI Check-in Identification [38.51964956686177]
  双方向の時間的依存とユーザの動的嗜好を統合するモデルであるBi-STDDPを開発した。 その結果, 最先端手法と比較して, モデルの大幅な改善が示された。
  論文  参考訳（メタデータ） (2021-12-31T03:54:37Z)
• Discovery-and-Selection: Towards Optimal Multiple Instance Learning for Weakly Supervised Object Detection [86.86602297364826]
  複数インスタンス学習(DS-MIL)と融合した発見・選択手法を提案する。 我々の提案するDS-MILアプローチは,最先端の性能を報告しながら,ベースラインを一貫して改善することができる。
  論文  参考訳（メタデータ） (2021-10-18T07:06:57Z)
• PG$^2$Net: Personalized and Group Preferences Guided Network for Next Place Prediction [6.276895823979034]
  訪問先を予測することは、人間の移動行動の鍵となる。 我々は、パーソナライズされたグループ選好ガイドネットワーク(PG$2$Net)というエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-15T07:02:41Z)
• Target-Aware Object Discovery and Association for Unsupervised Video Multi-Object Segmentation [79.6596425920849]
  本稿では,教師なしビデオマルチオブジェクトセグメンテーションの課題について述べる。 より正確で効率的な時間区分のための新しいアプローチを紹介します。 DAVIS$_17$とYouTube-VISに対する提案手法を評価した結果,セグメント化精度と推論速度の両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-04-10T14:39:44Z)
• Improving Few-shot Learning by Spatially-aware Matching and CrossTransformer [116.46533207849619]
  数ショット学習シナリオにおけるスケールと位置ミスマッチの影響について検討する。 本稿では,複数のスケールや場所のマッチングを効果的に行うための,空間認識型マッチング手法を提案する。
  論文  参考訳（メタデータ） (2020-01-06T14:10:20Z)

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。