論文の概要: Modelling of Bi-directional Spatio-Temporal Dependence and Users' Dynamic Preferences for Missing POI Check-in Identification

• arxiv url: http://arxiv.org/abs/2112.15285v1
• Date: Fri, 31 Dec 2021 03:54:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-03 15:46:37.469696
• Title: Modelling of Bi-directional Spatio-Temporal Dependence and Users' Dynamic Preferences for Missing POI Check-in Identification
• Title（参考訳）: POIチェックイン識別の欠如に対する双方向時空間依存性のモデル化とユーザの動的選好
• Authors: Dongbo Xi, Fuzhen Zhuang, Yanchi Liu, Jingjing Gu, Hui Xiong, Qing He
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 38.51964956686177
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human mobility data accumulated from Point-of-Interest (POI) check-ins provides great opportunity for user behavior understanding. However, data quality issues (e.g., geolocation information missing, unreal check-ins, data sparsity) in real-life mobility data limit the effectiveness of existing POI-oriented studies, e.g., POI recommendation and location prediction, when applied to real applications. To this end, in this paper, we develop a model, named Bi-STDDP, which can integrate bi-directional spatio-temporal dependence and users' dynamic preferences, to identify the missing POI check-in where a user has visited at a specific time. Specifically, we first utilize bi-directional global spatial and local temporal information of POIs to capture the complex dependence relationships. Then, target temporal pattern in combination with user and POI information are fed into a multi-layer network to capture users' dynamic preferences. Moreover, the dynamic preferences are transformed into the same space as the dependence relationships to form the final model. Finally, the proposed model is evaluated on three large-scale real-world datasets and the results demonstrate significant improvements of our model compared with state-of-the-art methods. Also, it is worth noting that the proposed model can be naturally extended to address POI recommendation and location prediction tasks with competitive performances.
• Abstract（参考訳）: Point-of-Interest(POI)チェックインから蓄積された人間のモビリティデータは、ユーザの振る舞いを理解する大きな機会を提供する。 しかし、現実の移動データにおけるデータ品質の問題(位置情報情報不足、非現実的なチェックイン、データ空間)は、実際のアプリケーションに適用した場合、既存のPOI指向の研究の有効性を制限する。 そこで本稿では,2方向の時空間依存性とユーザの動的嗜好を統合可能なBi-STDDPというモデルを開発し,ユーザが特定の時間に訪れた場合のPOIチェックインを識別する。 具体的には,poisの双方向大域的空間的および局所的時間的情報を用いて,複雑な依存関係を捉える。 そして、ユーザとPOI情報を組み合わせたターゲット時間パターンを多層ネットワークに入力し、ユーザの動的嗜好をキャプチャする。 さらに、動的選好は、最終的なモデルを形成するための依存関係と同じ空間に変換される。 最後に,提案手法を3つの大規模実世界のデータセットで評価し,本モデルの有効性を最先端の手法と比較した。 また,提案手法を自然に拡張してPOI推薦や位置予測タスクを競合性能で処理できることも注目に値する。

関連論文リスト

• Bridging and Modeling Correlations in Pairwise Data for Direct Preference Optimization [75.1240295759264]
  本稿では,BMC という名前のペアデータにおけるブリッジ・アンド・モデリングの効果的なフレームワークを提案する。 目的の修正によって、ペアの選好信号の一貫性と情報性が向上する。 DPOだけではこれらの相関をモデル化し、ニュアンス付き変動を捉えるには不十分である。
  論文  参考訳（メタデータ） (2024-08-14T11:29:47Z)
• Bayes-enhanced Multi-view Attention Networks for Robust POI Recommendation [81.4999547454189]
  既存の作業では、ユーザによって報告された利用可能なPOIチェックインが、ユーザ行動の真真正な描写であると仮定している。 実際のアプリケーションシナリオでは、主観的および客観的な原因の両方のため、チェックインデータは信頼性が低い。 本稿では,ユーザチェックインの不確実性に対処するため,ベイズ強化型マルチビュー注意ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-11-01T12:47:38Z)
• 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)
• 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)
• Exploiting Bi-directional Global Transition Patterns and Personal Preferences for Missing POI Category Identification [37.025295828186955]
  欠落したPOIカテゴリを識別する新しいニューラルネットワーク手法を提案する。 具体的には、チェックインカテゴリ情報が、個人以外の遷移パターンや個人の好みとどのように一致しているかをモデル化するアテンションマッチングセルを設計する。 我々のモデルは、競争力のある次のPOIカテゴリの推薦や予測タスクに対処するために自然に拡張することができる。
  論文  参考訳（メタデータ） (2021-12-31T04:15:37Z)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• 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)
• 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。