論文の概要: SanMove: Next Location Recommendation via Self-Attention Network
- arxiv url: http://arxiv.org/abs/2112.09076v1
- Date: Wed, 15 Dec 2021 08:42:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-18 11:23:09.129653
- Title: SanMove: Next Location Recommendation via Self-Attention Network
- Title（参考訳）: SanMove: セルフアテンションネットワークによる次のロケーションレコメンデーション
- Authors: Huifeng Li, Bin Wang, Sulei Zhu, Yanyan Xu
- Abstract要約: そこで本稿では,ユーザの長期的かつ短期的な移動パターンを捉えることで,次の位置を予測できるSanMoveを提案する。
実世界の2つのデータセットでSanMoveを評価し、SanMoveが最先端のRNNベースの予測モデルよりも高速であることを示す。
- 参考スコア（独自算出の注目度）: 6.989524403727807
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Currently, next location recommendation plays a vital role in location-based
social network applications and services. Although many methods have been
proposed to solve this problem, three important challenges have not been well
addressed so far: (1) most existing methods are based on recurrent network,
which is time-consuming to train long sequences due to not allowing for full
parallelism; (2) personalized preferences generally are not considered
reasonably; (3) existing methods rarely systematically studied how to
efficiently utilize various auxiliary information (e.g., user ID and timestamp)
in trajectory data and the spatio-temporal relations among non-consecutive
locations. To address the above challenges, we propose a novel method named
SanMove, a self-attention network based model, to predict the next location via
capturing the long- and short-term mobility patterns of users. Specifically,
SanMove introduces a long-term preference learning module, and it uses a
self-attention module to capture the users long-term mobility pattern which can
represent personalized location preferences of users. Meanwhile, SanMove uses a
spatial-temporal guided non-invasive self-attention (STNOVA) to exploit
auxiliary information to learn short-term preferences. We evaluate SanMove with
two real-world datasets, and demonstrate SanMove is not only faster than the
state-of-the-art RNN-based predict model but also outperforms the baselines for
next location prediction.
- Abstract（参考訳）: 現在、next location recommendationは位置情報ベースのソーシャルネットワークアプリケーションやサービスにおいて重要な役割を担っている。
Although many methods have been proposed to solve this problem, three important challenges have not been well addressed so far: (1) most existing methods are based on recurrent network, which is time-consuming to train long sequences due to not allowing for full parallelism; (2) personalized preferences generally are not considered reasonably; (3) existing methods rarely systematically studied how to efficiently utilize various auxiliary information (e.g., user ID and timestamp) in trajectory data and the spatio-temporal relations among non-consecutive locations.
このような課題に対処するために,ユーザの長期的・短期的な移動パターンをキャプチャして次の位置を予測する,自己注意型ネットワークモデルであるSanMoveを提案する。
具体的には、SanMoveは長期優先学習モジュールを導入し、自己認識モジュールを使用して、ユーザのパーソナライズされた位置選好を表現できる、長期的なモビリティパターンをキャプチャする。
一方、SanMoveは時空間誘導非侵襲的自己注意(STNOVA)を使用して、補助情報を利用して短期的な嗜好を学習する。
実世界の2つのデータセットでSanMoveを評価し、SanMoveは最先端のRNNベースの予測モデルよりも高速であるだけでなく、次の位置予測のベースラインよりも優れていることを示す。
関連論文リスト
- Reconsidering utility: unveiling the limitations of synthetic mobility data generation algorithms in real-life scenarios [49.1574468325115]
実世界の応用性の観点から,5つの最先端合成手法の有用性を評価した。
我々は、GPS追跡タクシーのような細粒度都市の動きを符号化するいわゆる旅行データに焦点を当てる。
あるモデルは妥当な時間内にデータを生成することができず、別のモデルはマップマッチングの要件を満たすためにあまりに多くのジャンプを生成する。
論文 参考訳（メタデータ） (2024-07-03T16:08:05Z) - Adapting Job Recommendations to User Preference Drift with Behavioral-Semantic Fusion Learning [49.262407095098645]
求人推薦システムは、オンライン求職における求職者と求職者の機会の整合に不可欠である。
ユーザは、雇用機会を継続的に確保するために、仕事の好みを調整する傾向があります。
セマンティック情報と行動情報の融合学習を通じてユーザの嗜好をモデル化するセッションベースフレームワークBISTROを提案する。
論文 参考訳（メタデータ） (2024-06-24T14:38:04Z) - REPLAY: Modeling Time-Varying Temporal Regularities of Human Mobility for Location Prediction over Sparse Trajectories [7.493786214342181]
位置予測のための時間変化の時間的規則性を把握するための一般RNNアーキテクチャ学習であるREPLAYを提案する。
特に、REPLAYは、情報の隠された過去の状態を探すために、スパース軌跡の距離を利用するだけでなく、時間変化の時間的規則性も許容する。
その結果、REPLAYは位置予測タスクにおいて、最先端の手法を7.7%から10.9%向上させることができた。
論文 参考訳（メタデータ） (2024-02-26T05:28:36Z) - 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 [6.09493819953104]
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、過去の移動記録に基づいて階層グラフを構築し、複雑な時間-活動-位置の依存関係をキャプチャするために階層グラフ注意モジュールを使用する。
モデル評価において,HGARNの既存手法に対して,既存手法(例えば,以前に訪れた場所に戻る)と爆発的手法(すなわち,新しい場所を訪れる)の両方で,HGARNの性能を検証した。
論文 参考訳（メタデータ） (2022-10-14T12:56:01Z) - Learning Self-Modulating Attention in Continuous Time Space with
Applications to Sequential Recommendation [102.24108167002252]
本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。
提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
論文 参考訳（メタデータ） (2022-03-30T03:54:11Z) - 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) - 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) - TLSAN: Time-aware Long- and Short-term Attention Network for Next-item
Recommendation [0.0]
我々は,TLSAN(Long-Aware and Short-Term Attention Network)を提案する。
TLSANは、長期的行動におけるカテゴリ認識相関を伴うトレーニング可能なパーソナライズされた時間位置埋め込みによって、ユーザー固有の時間的嗜好を学習する。
ユーザの長期的および短期的好みを効果的に捉え、正確な推奨のために、長期的および短期的機能的注意層が提案される。
論文 参考訳（メタデータ） (2021-03-16T10:51:57Z) - Exploring the use of Time-Dependent Cross-Network Information for
Personalized Recommendations [33.17802459749589]
本稿では,ネットワーク間時間を考慮した新しいレコメンデーションソリューションを提案する。
このソリューションは、複数のソースネットワークからユーザの好みを集約することで、ターゲットネットワークの履歴的ユーザモデルを学ぶ。
マルチタイム・アウェアネスとクロスネットワーク・ベースラインを用いた実験により,提案手法は精度,ノベルティ,多様性の面で優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2020-08-25T07:52:47Z) - Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。
また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。
提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
論文 参考訳（メタデータ） (2020-05-18T11:29:38Z)
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。