論文の概要: GETNext: Trajectory Flow Map Enhanced Transformer for Next POI Recommendation

• arxiv url: http://arxiv.org/abs/2303.04741v1
• Date: Fri, 3 Mar 2023 01:58:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-12 03:30:33.564651
• Title: GETNext: Trajectory Flow Map Enhanced Transformer for Next POI Recommendation
• Title（参考訳）: GETNext: 次のPOI勧告のためのトラジェクトリフローマップ強化トランス
• Authors: Song Yang, Jiamou Liu, Kaiqi Zhao
• Abstract要約: POIは、現在のステータスと履歴情報から、ユーザとサービスプロバイダの両方に大きな価値をもたらす、ユーザの将来的な動きを予測しようとしている。 様々なデータトレンドを一緒に考える必要があるため、この問題は知覚的に複雑である。 本稿では,ユーザに依存しないグローバルトラジェクトリフローマップと新しいグラフ拡張トランスフォーマモデル(GETNext)を提案する。
• 参考スコア（独自算出の注目度）: 11.236531335154401
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Next POI recommendation intends to forecast users' immediate future movements given their current status and historical information, yielding great values for both users and service providers. However, this problem is perceptibly complex because various data trends need to be considered together. This includes the spatial locations, temporal contexts, user's preferences, etc. Most existing studies view the next POI recommendation as a sequence prediction problem while omitting the collaborative signals from other users. Instead, we propose a user-agnostic global trajectory flow map and a novel Graph Enhanced Transformer model (GETNext) to better exploit the extensive collaborative signals for a more accurate next POI prediction, and alleviate the cold start problem in the meantime. GETNext incorporates the global transition patterns, user's general preference, spatio-temporal context, and time-aware category embeddings together into a transformer model to make the prediction of user's future moves. With this design, our model outperforms the state-of-the-art methods with a large margin and also sheds light on the cold start challenges within the spatio-temporal involved recommendation problems.
• Abstract（参考訳）: 次のPOI勧告は、現在のステータスと過去の情報から、ユーザの今後の動きを予測し、ユーザとサービスプロバイダの両方に大きな価値を提供する。 しかし、様々なデータ傾向を一緒に考える必要があるため、この問題は複雑である。 これには、空間的位置、時間的コンテキスト、ユーザの好みなどが含まれる。 既存の研究の多くは、次のPOI勧告を、他のユーザの協調的なシグナルを省略しつつ、シーケンス予測の問題と見なしている。 そこで本研究では,新しいグラフ拡張トランスフォーマモデル(getnext)とユーザ非依存のグローバル軌道フローマップを提案し,より正確な次回のpoi予測のための広範な協調信号の活用と,その間におけるコールドスタート問題を緩和する。 GETNextは、グローバルな遷移パターン、ユーザの一般的な好み、時空間的コンテキスト、タイムアウェアなカテゴリをトランスフォーマーモデルに組み込んで、ユーザの将来の動きを予測する。 この設計により、我々のモデルは最先端の手法を大きなマージンで上回り、時空間関係の推奨問題におけるコールドスタートの課題にも光を当てる。

関連論文リスト

• Taming the Long Tail in Human Mobility Prediction [11.774792176002379]
  移動予測のためのLong-Tail Adjusted Next POI Prediction (LoTNext) フレームワークを提案する。 2つの実世界の軌道データセットによる実験により、LoTNextが既存の最先端の作業を大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-10-19T04:28:44Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Look into the Future: Deep Contextualized Sequential Recommendation [28.726897673576865]
  我々は、Look into the Future(LIFT)と呼ばれる、シーケンシャルなレコメンデーションの新しいフレームワークを提案する。 LIFTはシーケンシャルなレコメンデーションのコンテキストを構築し、活用する。 本実験では,クリックスルー率予測および評価予測タスクにおいて,LIFTは大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2024-05-23T09:34:28Z)
• TransTARec: Time-Adaptive Translating Embedding Model for Next POI Recommendation [0.0]
  時刻は次のPOIレコメンデーションにおいて重要な役割を果たすが、最近提案された翻訳埋め込み手法では無視されている。 時間適応型翻訳埋め込みモデル(TransTARec)を提案する。 TransTARecの優位性は、現実世界のデータセットに関する広範な実験によって確認されている。
  論文  参考訳（メタデータ） (2024-04-10T15:36:59Z)
• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)
• 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)
• Sinkhorn-Flow: Predicting Probability Mass Flow in Dynamical Systems Using Optimal Transport [89.61692654941106]
  そこで本稿では, 最適な輸送手段を用いて, 時間とともにそのような物質流を予測する新しい手法を提案する。 我々は、ソーシャルネットワークの設定において、コミュニティがどのように進化していくかを予測するタスクに、我々のアプローチを適用した。
  論文  参考訳（メタデータ） (2023-03-14T07:25:44Z)
• 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)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)
• 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。