Fugu-MT 論文翻訳(概要): PG$^2$Net: Personalized and Group Preferences Guided Network for Next Place Prediction

論文の概要: PG$^2$Net: Personalized and Group Preferences Guided Network for Next Place Prediction

arxiv url: http://arxiv.org/abs/2110.08266v1
Date: Fri, 15 Oct 2021 07:02:41 GMT
ステータス: 処理完了
システム内更新日: 2021-10-22 04:26:43.516351
Title: PG$^2$Net: Personalized and Group Preferences Guided Network for Next Place Prediction
Title（参考訳）: PG$^2$Net: 次の場所予測のためのパーソナライズおよびグループ推奨ネットワーク
Authors: Huifeng Li, Bin Wang, Fan Xia, Xi Zhai, Sulei Zhu, Yanyan Xu
Abstract要約: 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。
参考スコア（独自算出の注目度）: 6.276895823979034
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Predicting the next place to visit is a key in human mobility behavior modeling, which plays a significant role in various fields, such as epidemic control, urban planning, traffic management, and travel recommendation. To achieve this, one typical solution is designing modules based on RNN to capture their preferences to various locations. Although these RNN-based methods can effectively learn individual's hidden personalized preferences to her visited places, the interactions among users can only be weakly learned through the representations of locations. Targeting this, we propose an end-to-end framework named personalized and group preference guided network (PG$^2$Net), considering the users' preferences to various places at both individual and collective levels. Specifically, PG$^2$Net concatenates Bi-LSTM and attention mechanism to capture each user's long-term mobility tendency. To learn population's group preferences, we utilize spatial and temporal information of the visitations to construct a spatio-temporal dependency module. We adopt a graph embedding method to map users' trajectory into a hidden space, capturing their sequential relation. In addition, we devise an auxiliary loss to learn the vectorial representation of her next location. Experiment results on two Foursquare check-in datasets and one mobile phone dataset indicate the advantages of our model compared to the state-of-the-art baselines. Source codes are available at https://github.com/urbanmobility/PG2Net.
Abstract（参考訳）: 次に訪れる場所を予測することは人間の移動行動モデリングにおける鍵であり、疫病対策、都市計画、交通管理、旅行推奨など様々な分野で重要な役割を果たしている。これを達成するために、典型的な解決策は、様々な場所への好みを捉えるために、rnnに基づいたモジュールを設計することである。これらのRNNベースの手法は、訪問した場所に対する個人個人のパーソナライズされた好みを効果的に学習することができるが、ユーザ間のインタラクションは、場所の表現によってのみ弱く学習することができる。そこで本稿では,個人・集団レベルでの様々な場所に対するユーザの嗜好を考慮し,パーソナライズ・グループ選好誘導ネットワーク(pg$^2$net)というエンドツーエンドのフレームワークを提案する。具体的には、PG$^2$Netは、各ユーザの長期移動傾向を捉えるBi-LSTMとアテンションメカニズムを結合する。人口集団の嗜好を学習するために,訪問の空間的・時間的情報を用いて時空間依存モジュールを構築する。我々は,ユーザの軌跡を隠れ空間にマッピングし,それらのシーケンシャルな関係を捉えるグラフ埋め込み手法を採用する。さらに,次の位置のベクトル表現を学習するために補助的損失を考案した。 2つのfoursquareチェックインデータセットと1つの携帯電話データセットの実験結果は、最先端のベースラインと比較して、我々のモデルの利点を示しています。ソースコードはhttps://github.com/urbanmobility/PG2Netで入手できる。

関連論文リスト

Learning to Predict Navigational Patterns from Partial Observations [63.04492958425066]
本稿では,実環境におけるナビゲーションのパターンを,部分的な観察のみから推測する,初めての自己教師型学習(SSL)手法を提案する。我々は、DSLPフィールドに最大極大グラフを適合させることにより、グローバルなナビゲーションパターンを推論する方法を実証する。実験により,我々のSSLモデルはnuScenesデータセット上で2つのSOTA教師付きレーングラフ予測モデルより優れていることが示された。
論文参考訳（メタデータ） (2023-04-26T02:08:46Z)
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)
Activity-aware Human Mobility Prediction with Hierarchical Graph Attention Recurrent Network [6.8500997328311]
本稿では,HGARN(Hierarchical Graph Attention Recurrent Network)を用いて人体移動予測を行う。具体的には、すべてのユーザの履歴移動記録に基づいて階層グラフを構築する。複雑な時間-アクティビティ-ロケーションの依存関係をキャプチャするために、階層的なグラフアテンションモジュールを使用します。
論文参考訳（メタデータ） (2022-10-14T12:56:01Z)
Modeling Dynamic User Preference via Dictionary Learning for Sequential Recommendation [133.8758914874593]
ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
論文参考訳（メタデータ） (2022-04-02T03:23:46Z)
Dynamic Relation Discovery and Utilization in Multi-Entity Time Series Forecasting [92.32415130188046]
多くの現実世界のシナリオでは、実体の間に決定的かつ暗黙的な関係が存在する可能性がある。本稿では,自動グラフ学習(A2GNN)を用いたマルチグラフニューラルネットワークを提案する。
論文参考訳（メタデータ） (2022-02-18T11:37:04Z)
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)
Spatial Object Recommendation with Hints: When Spatial Granularity Matters [42.51352610054967]
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。
論文参考訳（メタデータ） (2021-01-08T11:39:51Z)
STP-UDGAT: Spatial-Temporal-Preference User Dimensional Graph Attention Network for Next POI Recommendation [22.705788963791445]
Next Point-of-Interest(POI)推奨は、位置情報ベースのソーシャルネットワーク(LBSN)と交通機関の領域にまたがる長年にわたる問題である。最近のリカレントニューラルネットワーク(RNN)に基づくアプローチは、独立したユーザ訪問シーケンスに基づいて、ローカルビューでPOI-POI関係を学習する。本研究では,個人化されたユーザの嗜好を同時に活用し,グローバルな空間的・時間的嗜好地区における新たなPOIを探索する新しい探索・探索モデルを提案する。
論文参考訳（メタデータ） (2020-10-06T04:03:42Z)
TAGNN: Target Attentive Graph Neural Networks for Session-based Recommendation [66.04457457299218]
セッションベースレコメンデーションのための新しいターゲット注意グラフニューラルネットワーク(TAGNN)モデルを提案する。 TAGNNでは、ターゲット・アウェア・アテンションは、様々なターゲット項目に関して異なるユーザ関心を適応的に活性化する。学習した関心表現ベクトルは、異なる対象項目によって変化し、モデルの表現性を大幅に改善する。
論文参考訳（メタデータ） (2020-05-06T14:17:05Z)
Gated Path Selection Network for Semantic Segmentation [72.44994579325822]
我々は,適応的な受容場を学習することを目的とした,GPSNetという新しいネットワークを開発した。 GPSNetにおいて、我々はまず2次元のマルチスケールネットワーク、SuperNetを設計する。望ましいセマンティックコンテキストを動的に選択するために、ゲート予測モジュールがさらに導入される。
論文参考訳（メタデータ） (2020-01-19T12:32:17Z)

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。