論文の概要: STAN: Spatio-Temporal Attention Network for Next Location Recommendation

• arxiv url: http://arxiv.org/abs/2102.04095v1
• Date: Mon, 8 Feb 2021 10:04:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-09 19:18:33.821349
• Title: STAN: Spatio-Temporal Attention Network for Next Location Recommendation
• Title（参考訳）: STAN:次の位置勧告のための時空間アテンションネットワーク
• Authors: Yingtao Luo, Qiang Liu, Zhaocheng Liu
• Abstract要約: 位置推薦のためのS-Temporal Attention Network (STAN)を提案する。 STANは、全てのチェックインの相対時間情報と、軌道に沿った自己注意層を利用する。 実験結果から,既存の最先端手法を9-17%上回る結果が得られた。
• 参考スコア（独自算出の注目度）: 8.093847272089475
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The next location recommendation is at the core of various location-based applications. Current state-of-the-art models have attempted to solve spatial sparsity with hierarchical gridding and model temporal relation with explicit time intervals, while some vital questions remain unsolved. Non-adjacent locations and non-consecutive visits provide non-trivial correlations for understanding a user's behavior but were rarely considered. To aggregate all relevant visits from user trajectory and recall the most plausible candidates from weighted representations, here we propose a Spatio-Temporal Attention Network (STAN) for location recommendation. STAN explicitly exploits relative spatiotemporal information of all the check-ins with self-attention layers along the trajectory. This improvement allows a point-to-point interaction between non-adjacent locations and non-consecutive check-ins with explicit spatiotemporal effect. STAN uses a bi-layer attention architecture that firstly aggregates spatiotemporal correlation within user trajectory and then recalls the target with consideration of personalized item frequency (PIF). By visualization, we show that STAN is in line with the above intuition. Experimental results unequivocally show that our model outperforms the existing state-of-the-art methods by 9-17%.
• Abstract（参考訳）: 次のロケーションレコメンデーションは、さまざまなロケーションベースのアプリケーションの中核にある。 現在の最先端モデルでは、階層的なグリッド化と明示的な時間間隔による時間的関係のモデルによる空間空間の疎結合の解決が試みられているが、いくつかの重要な問題は未解決のままである。 非隣接位置と非連続訪問は、ユーザの行動を理解するために非自明な相関を与えるが、まれに考慮される。 ユーザ軌道からのすべての関連する訪問を集約し、重み付けされた表現から最も有効な候補をリコールするために、位置推薦のための時空間注意ネットワーク(STAN)を提案する。 STANは、軌道に沿って自己注意層を持つ全てのチェックインの相対時空間情報を明示的に活用する。 この改善により、非隣接位置と非連続チェックインの間のポイント・ツー・ポイントの相互作用が可能になり、時空間効果が明らかになる。 STANは、まずユーザー軌道内の時空間相関を集約し、パーソナライズされたアイテム頻度(PIF)を考慮してターゲットをリコールする二層的注意アーキテクチャを使用します。 可視化により,STANは上記の直観と一致していることを示す。 実験結果は、我々のモデルが既存の最新手法を9-17%上回ることを示した。

関連論文リスト

• TPP-Gaze: Modelling Gaze Dynamics in Space and Time with Neural Temporal Point Processes [63.95928298690001]
  ニューラル・テンポラル・ポイント・プロセス(TPP)に基づく新規かつ原則化されたスキャンパスダイナミクスのアプローチであるTPP-Gazeを提案する。 提案手法は,最先端手法と比較して総合的に優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-30T19:22:38Z)
• Building Category Graphs Representation with Spatial and Temporal Attention for Visual Navigation [35.13932194789583]
  視覚ナビゲーションは、興味のある対象が与えられたとき、部分的な観察の順序に基づいて物体の位置に到達することを目的としている。 この目的のために, エージェントは, 1) 学習中の世界のオブジェクトカテゴリの関係について, ある特定の知識を学習し, 2) 学習前のオブジェクトカテゴリ関係と現在目に見えない環境における移動軌跡に基づいて対象オブジェクトを探す必要がある。 対象のカテゴリ配置に関する知識を学習するためのカテゴリ関係グラフ(CRG)と,オブジェクトの長期的空間的依存関係を知覚するTSRアテンションアーキテクチャ(TSR)を提案する。
  論文  参考訳（メタデータ） (2023-12-06T07:28:43Z)
• Multi-Temporal Relationship Inference in Urban Areas [75.86026742632528]
  場所間の時間的関係を見つけることは、動的なオフライン広告やスマートな公共交通計画など、多くの都市アプリケーションに役立つ。 空間的に進化するグラフニューラルネットワーク(SEENet)を含むグラフ学習方式によるTrialの解を提案する。 SEConvは時間内アグリゲーションと時間間伝搬を実行し、位置メッセージパッシングの観点から、多面的に空間的に進化するコンテキストをキャプチャする。 SE-SSLは、位置表現学習を強化し、関係の空間性をさらに扱えるように、グローバルな方法でタイムアウェアな自己教師型学習タスクを設計する。
  論文  参考訳（メタデータ） (2023-06-15T07:48:32Z)
• INCREASE: Inductive Graph Representation Learning for Spatio-Temporal Kriging [35.193756288996944]
  SRU-temporal kriging は Web や Internet of Things のような Web やソーシャルアプリケーションにおいて重要な問題である。 クリグのための新しい帰納的グラフ表現学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-02-06T12:28:35Z)
• TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
  本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。 提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。 私たちのコードはGitHubで公開されます。
  論文  参考訳（メタデータ） (2023-01-05T22:10:16Z)
• DisenHCN: Disentangled Hypergraph Convolutional Networks for Spatiotemporal Activity Prediction [53.76601630407521]
  本稿では,既存のソリューションのギャップを埋めるために,DistenHCNと呼ばれるハイパーグラフネットワークモデルを提案する。 特に,ユーザの好みと時間的活動の複雑なマッチングをヘテロジニアスなハイパーグラフにまとめる。 次に、ユーザ表現を異なる側面(位置認識、時間認識、活動認識)に切り離し、構築したハイパーグラフ上に対応するアスペクトの特徴を集約する。
  論文  参考訳（メタデータ） (2022-08-14T06:51:54Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)
• Joint Geographical and Temporal Modeling based on Matrix Factorization for Point-of-Interest Recommendation [6.346772579930929]
  POI(Point-of-Interest)レコメンデーションは,POIを推奨するユーザの好みやモビリティパターンを学習する重要なタスクとなっている。 従来の研究では、POI勧告を改善するためには、地理的影響や時間的影響などの文脈情報を取り入れることが必要であることが示されている。
  論文  参考訳（メタデータ） (2020-01-24T12:25:37Z)

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。