論文の概要: Exploiting Bi-directional Global Transition Patterns and Personal Preferences for Missing POI Category Identification

• arxiv url: http://arxiv.org/abs/2201.00014v1
• Date: Fri, 31 Dec 2021 04:15:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-04 15:57:20.258018
• Title: Exploiting Bi-directional Global Transition Patterns and Personal Preferences for Missing POI Category Identification
• Title（参考訳）: POIカテゴリー識別に欠く2方向のグローバル遷移パターンと個人的嗜好
• Authors: Dongbo Xi, Fuzhen Zhuang, Yanchi Liu, Hengshu Zhu, Pengpeng Zhao, Chang Tan, Qing He
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 37.025295828186955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent years have witnessed the increasing popularity of Location-based Social Network (LBSN) services, which provides unparalleled opportunities to build personalized Point-of-Interest (POI) recommender systems. Existing POI recommendation and location prediction tasks utilize past information for future recommendation or prediction from a single direction perspective, while the missing POI category identification task needs to utilize the check-in information both before and after the missing category. Therefore, a long-standing challenge is how to effectively identify the missing POI categories at any time in the real-world check-in data of mobile users. To this end, in this paper, we propose a novel neural network approach to identify the missing POI categories by integrating both bi-directional global non-personal transition patterns and personal preferences of users. Specifically, we delicately design an attention matching cell to model how well the check-in category information matches their non-personal transition patterns and personal preferences. Finally, we evaluate our model on two real-world datasets, which clearly validate its effectiveness compared with the state-of-the-art baselines. Furthermore, our model can be naturally extended to address next POI category recommendation and prediction tasks with competitive performance.
• Abstract（参考訳）: 近年では、パーソナライズされたPoint-of-Interest(POI)レコメンデーションシステムを構築する機会として、Location-based Social Network(LBSN)サービスの人気が高まっている。 既存のPOIレコメンデーションおよび位置予測タスクでは,過去の情報を単一方向からの推薦や予測に活用する一方で,欠落したPOIカテゴリ識別タスクでは,欠落したカテゴリの前後のチェックイン情報を利用する必要がある。 したがって、長年にわたる課題は、モバイルユーザの実世界のチェックインデータにおいて、欠落したPOIカテゴリをいつでも効果的に識別する方法である。 そこで本稿では,両方向のグローバルな非個人的遷移パターンと,ユーザの個人的嗜好を統合して,欠落したPOIカテゴリを識別する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ー情報が非個人的遷移パターンや個人的嗜好にどのように適合するかをモデル化するために,注意マッチングセルを繊細に設計する。 最後に,実世界の2つのデータセットを用いたモデルの評価を行い,その効果を最先端のベースラインと比較した。 さらに,本モデルは,次のPOIカテゴリの推薦や予測タスクに競合性能で対処するために自然に拡張することができる。

関連論文リスト

• Forecasting Unseen Points of Interest Visits Using Context and Proximity Priors [7.294418916091012]
  機械学習モデルは、個人が過去の訪問パターンを分析することによって、将来訪問する可能性が高いポイント・オブ・関心(POI)を予測することができる。 従来の研究では、各クラスがPOIに対応するPOI分類器を学習することでこの問題に対処していた。 本稿では,学習データの外部に新たなPOIを予測するためのモデルを提案する。
  論文  参考訳（メタデータ） (2024-11-22T16:50:10Z)
• 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)
• Forecasting Human Trajectory from Scene History [51.72069374835107]
  我々は,暗黙の場面の規則性から学習することで,将来の軌跡を予測することを提案する。 本研究では,シーン履歴情報を歴史的グループ軌跡と個々人のインタラクションの2つのタイプに分類する。 本稿では,シーン履歴をシンプルかつ効果的なアプローチで活用する,SHENet(Scene History Excavating Network)を提案する。
  論文  参考訳（メタデータ） (2022-10-17T03:56:02Z)
• BMD: A General Class-balanced Multicentric Dynamic Prototype Strategy for Source-free Domain Adaptation [74.93176783541332]
  Source-free Domain Adaptation (SFDA)は、トレーニング済みのソースモデルを、十分にラベル付けされたソースデータにアクセスすることなく、未ラベルのターゲットドメインに適応することを目的としている。 ソースデータの欠如を補うため、既存のほとんどのメソッドは、機能プロトタイプベースの擬似ラベル戦略を導入した。 SFDAタスクのための汎用クラスベース多中心動的プロトタイプ戦略を提案する。
  論文  参考訳（メタデータ） (2022-04-06T13:23:02Z)
• 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)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)
• 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)

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。