論文の概要: R4: A Framework for Route Representation and Route Recommendation
- arxiv url: http://arxiv.org/abs/2110.10474v1
- Date: Wed, 20 Oct 2021 10:21:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-22 16:09:42.700709
- Title: R4: A Framework for Route Representation and Route Recommendation
- Title（参考訳）: R4: ルート表現とルート推薦のためのフレームワーク
- Authors: Ran Cheng, Chao Chen, Longfei Xu, Shen Li, Lei Wang, Hengbin Cui,
Kaikui Liu, Xiaolong Li
- Abstract要約: ルートレコメンデーションの2つの大きな課題は、ルート表現とユーザ表現である。
これらの問題に対処する新しい学習フレームワークR4を提案する。
R4はオフラインとオンラインの両方の実験で顕著なパフォーマンスを実現している。
- 参考スコア（独自算出の注目度）: 20.711716453308437
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Route recommendation is significant in navigation service. Two major
challenges for route recommendation are route representation and user
representation. Different from items that can be identified by unique IDs in
traditional recommendation, routes are combinations of links (i.e., a road
segment and its following action like turning left) and the number of
combinations could be close to infinite. Besides, the representation of a route
changes under different scenarios. These facts result in severe sparsity of
routes, which increases the difficulty of route representation. Moreover, link
attribute deficiencies and errors affect preciseness of route representation.
Because of the sparsity of routes, the interaction data between users and
routes are also sparse. This makes it not easy to acquire user representation
from historical user-item interactions as traditional recommendations do. To
address these issues, we propose a novel learning framework R4. In R4, we
design a sparse & dense network to obtain representations of routes. The sparse
unit learns link ID embeddings and aggregates them to represent a route, which
captures implicit route characteristics and subsequently alleviates problems
caused by link attribute deficiencies and errors. The dense unit extracts
implicit local features of routes from link attributes. For user
representation, we utilize a series of historical navigation to extract user
preference. R4 achieves remarkable performance in both offline and online
experiments.
- Abstract（参考訳）: ルートレコメンデーションはナビゲーションサービスにおいて重要である。
ルートレコメンデーションの2つの大きな課題は、ルート表現とユーザ表現である。
伝統的なレコメンデーションにおいてユニークなIDによって識別できるアイテムとは異なり、ルートはリンク(道路セグメントと左折のような次のアクション)の組み合わせであり、組み合わせの数は無限に近い可能性がある。
さらに、異なるシナリオの下でルートの表現が変化する。
これらの事実は、経路の厳格なスパース性をもたらし、経路表現の難しさを増大させる。
さらに、リンク属性の欠陥やエラーは経路表現の正確性に影響する。
経路のスパーシティのため、ユーザとルート間のインタラクションデータも不足している。
これにより、従来のレコメンデーションのように、過去のユーザ-テーマインタラクションからユーザ表現を取得することは容易ではない。
これらの課題に対処するために,新しい学習フレームワークR4を提案する。
R4では、経路の表現を得るために疎密なネットワークを設計する。
スパースユニットは、リンクid埋め込みを学習し、ルートを表すために集約し、暗黙のルート特性をキャプチャし、リンク属性の欠陥やエラーに起因する問題を緩和する。
密集部はリンク属性からルートの暗黙の局所的特徴を抽出する。
ユーザ表現には,一連の履歴ナビゲーションを用いてユーザの好みを抽出する。
R4はオフラインとオンラインの両方の実験で顕著なパフォーマンスを実現している。
関連論文リスト
- RouteFinder: Towards Foundation Models for Vehicle Routing Problems [21.3310292139361]
RouteFinderは、異なる車両ルーティング問題(VRP)に対処するためのフレームワークである。
我々の中核的な考え方は、VRPの基盤モデルは、異なる属性を備えた一般化問題のサブセットとして、それぞれを扱い、変分を表現することができるべきである、ということである。
論文 参考訳（メタデータ） (2024-06-21T09:34:26Z) - RoutePlacer: An End-to-End Routability-Aware Placer with Graph Neural Network [17.565263261045096]
この研究は、エンドツーエンドのroutability-aware配置手法であるRoutePlacerを導入している。
カスタマイズされたグラフニューラルネットワークであるRouteGNNをトレーニングして、ルタビリティを効率的かつ正確に予測する。
オープンソースのAI4EDAプラットフォームであるDREAMPlaceの実験は、RoutePlacerがトータルオーバーフローを最大16%削減できることを示している。
論文 参考訳（メタデータ） (2024-06-04T15:39:41Z) - Road Network Representation Learning: A Dual Graph based Approach [15.092888613780406]
道路網は交通、移動、物流など多くのアプリケーションを動かす重要なインフラである。
高速ネットワーク表現学習(RNRL)と呼ばれるベクトルの形で道路の表現を学習する必要がある。
論文 参考訳（メタデータ） (2023-04-13T09:30:11Z) - Jointly Contrastive Representation Learning on Road Network and
Trajectory [11.613962590641002]
道路網と軌道表現学習は交通システムにとって不可欠である。
既存の方法では、道路網と軌道を別々に扱うなど、同じスケールでしかコントラストがない。
本稿では,道路網と軌道表現を両立させる統合フレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-14T03:08:20Z) - Find a Way Forward: a Language-Guided Semantic Map Navigator [53.69229615952205]
本稿では,新たな視点で言語誘導ナビゲーションの問題に対処する。
ロボットが自然言語の指示を実行し、地図観測に基づいて目標位置へ移動できるようにする。
提案手法は特に長距離ナビゲーションの場合において顕著な性能向上をもたらす。
論文 参考訳（メタデータ） (2022-03-07T07:40:33Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳（メタデータ） (2021-09-29T07:51:49Z) - SPIN Road Mapper: Extracting Roads from Aerial Images via Spatial and
Interaction Space Graph Reasoning for Autonomous Driving [64.10636296274168]
道路抽出は、自律航法システムを構築するための重要なステップである。
この問題に対して単に畳み込みニューラルネットワーク(ConvNets)を使用することは、画像内の道路セグメント間の遠い依存関係をキャプチャする非効率であるため、効果がない。
本研究では,ConvNetに接続した時,特徴写像から投影された空間空間および相互作用空間上に構築されたグラフの推論を行う空間空間グラフ推論(SPIN)モジュールを提案する。
論文 参考訳（メタデータ） (2021-09-16T03:52:17Z) - Learn-n-Route: Learning implicit preferences for vehicle routing [9.434400627011108]
ルート計画(またはルーティング)を手動で作成する際に、人間のプランナーが有する暗黙の好みをルーティングエンジンが学習する車両ルーティングの学習意思決定支援システムについて検討する。
目標は、車両ルーティングシステムの距離ベースの客観的基準の上にこれらの主観的な好みを使用することです。
論文 参考訳（メタデータ） (2021-01-11T14:57:46Z) - Joint Semantics and Data-Driven Path Representation for Knowledge Graph
Inference [60.048447849653876]
我々は,KG埋め込みの枠組みにおける説明可能性と一般化のバランスをとる,新しい共同意味論とデータ駆動経路表現を提案する。
提案手法はリンク予測と経路問合せ応答という2つのタスクのクラスで評価される。
論文 参考訳（メタデータ） (2020-10-06T10:24:45Z) - Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。
本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。
提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文 参考訳（メタデータ） (2020-06-24T04:45:14Z) - Capsules with Inverted Dot-Product Attention Routing [84.89818784286953]
本研究では,親の状況と子どもの投票の一致に基づいて子カプセルを親にルーティングする,カプセルネットワークのための新しいルーティングアルゴリズムを提案する。
提案手法は,CIFAR-10やCIFAR-100などのベンチマークデータセットの性能を向上させる。
私たちの研究は、複雑な現実世界のタスクにカプセルネットワークを適用する可能性を高めていると考えています。
論文 参考訳（メタデータ） (2020-02-12T02:09:33Z)
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。