論文の概要: Meta-learning enhanced next POI recommendation by leveraging check-ins from auxiliary cities

• arxiv url: http://arxiv.org/abs/2308.09309v1
• Date: Fri, 18 Aug 2023 05:07:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 14:25:21.241509
• Title: Meta-learning enhanced next POI recommendation by leveraging check-ins from auxiliary cities
• Title（参考訳）: 補助都市からのチェックインを活用したメタラーニングによる次のPOI勧告
• Authors: Jinze Wang, Lu Zhang, Zhu Sun, Yew-Soon Ong
• Abstract要約: メタラーニングを強化した次世代POI勧告フレームワーク(MERec)を提案する。 MERecleverは、様々な都市間のチェックイン行動の相関関係をメタラーニングパラダイムに分類し、ターゲット都市におけるユーザの嗜好を推測する。 特に、都市レベルの相関戦略は、都市間の共通パターンを注意深く捉え、より相関のある都市からより関連性の高い知識を伝達するために考案されている。
• 参考スコア（独自算出の注目度）: 32.70591612636725
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most existing point-of-interest (POI) recommenders aim to capture user preference by employing city-level user historical check-ins, thus facilitating users' exploration of the city. However, the scarcity of city-level user check-ins brings a significant challenge to user preference learning. Although prior studies attempt to mitigate this challenge by exploiting various context information, e.g., spatio-temporal information, they ignore to transfer the knowledge (i.e., common behavioral pattern) from other relevant cities (i.e., auxiliary cities). In this paper, we investigate the effect of knowledge distilled from auxiliary cities and thus propose a novel Meta-learning Enhanced next POI Recommendation framework (MERec). The MERec leverages the correlation of check-in behaviors among various cities into the meta-learning paradigm to help infer user preference in the target city, by holding the principle of "paying more attention to more correlated knowledge". Particularly, a city-level correlation strategy is devised to attentively capture common patterns among cities, so as to transfer more relevant knowledge from more correlated cities. Extensive experiments verify the superiority of the proposed MERec against state-of-the-art algorithms.
• Abstract（参考訳）: 既存のPOI(point-of-interest)推奨者は,都市レベルのユーザ履歴チェックインを利用することで,ユーザの好みを捉えることを目的としている。 しかし、都市レベルのユーザチェックインの不足は、ユーザの好みの学習に重大な課題をもたらす。 従来の研究では、時空間情報などの様々な文脈情報を利用して、この課題を緩和しようとするが、他の関連する都市(補助都市)から知識(共通の行動パターン)を移すことは無視される。 本稿では,補助都市から抽出した知識の効果について検討し,メタラーニング強化次世代POI勧告フレームワーク(MERec)を提案する。 merecは、"より相関した知識にもっと注意を払う"という原則を定め、ターゲット都市におけるユーザの好みを推測するために、さまざまな都市間のチェックイン行動とメタラーニングパラダイムとの相関を利用しています。 特に、都市レベルの相関戦略は、より相関した都市からより関連する知識を伝達するために、都市間の共通パターンを注意深く捉えるために考案される。 広範な実験により、最先端アルゴリズムに対する提案merecの優位性が検証された。

関連論文リスト

• Urban traffic analysis and forecasting through shared Koopman eigenmodes [5.207485728774798]
  データ量の多い都市における交通流の予測は、限られた歴史的データのために困難である。 データ豊かな都市に共通する周期パターンを同定することで、伝達学習を活用する。 この方法は、交通パターンの一般的な固有モード(アーバンハートビート)を明らかにし、それらをデータ共有都市に転送する。
  論文  参考訳（メタデータ） (2024-09-07T06:24:50Z)
• Urban Mobility Assessment Using LLMs [19.591156495742922]
  本研究は,大規模言語モデル(LLM)を推進し,旅行調査を合成する,革新的なAIベースのアプローチを提案する。 本研究は, 異なるレベルの既存調査データと比較し, 全米各都市圏におけるこのアプローチの有効性について検討した。
  論文  参考訳（メタデータ） (2024-08-22T19:17:33Z)
• 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)
• Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
  交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。 近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。 本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T17:58:12Z)
• Content Popularity Prediction in Fog-RANs: A Clustered Federated Learning Based Approach [66.31587753595291]
  本稿では,ローカルユーザとモバイルユーザの両面からコンテンツの人気度を統合した,モビリティに配慮した新しい人気予測ポリシーを提案する。 ローカルユーザにとって、コンテンツの人気は、ローカルユーザやコンテンツの隠された表現を学習することによって予測される。 モバイルユーザーにとって、コンテンツの人気はユーザー好みの学習によって予測される。
  論文  参考訳（メタデータ） (2022-06-13T03:34:00Z)
• A Cross-City Federated Transfer Learning Framework: A Case Study on Urban Region Profiling [24.103961649276584]
  本稿では,データ不足やプライバシー問題に対処する新しいクロスシティ・フェデレーション・トランスファー・ラーニング・フレームワーク(CcFTL)を提案する。 CcFTLは、複数のリッチデータソース都市から対象都市にリレーショナル知識を転送する。 都市域のプロファイリングをスマートシティの応用として捉え,提案手法を実世界の研究で評価する。
  論文  参考訳（メタデータ） (2022-05-31T12:41:01Z)
• LearningCity: Knowledge Generation for Smart Cities [0.23624125155742054]
  私たちは、Santanderの既存のスマートシティ展開で検証されたソリューションであるLearningCityを紹介します。 特徴的ユースケースとともに重要な課題について議論し、大規模スマートシティデータセットと機械学習を組み合わせた予備的な結果とともに、設計と実装について報告する。
  論文  参考訳（メタデータ） (2021-04-12T08:31:10Z)
• Out-of-Town Recommendation with Travel Intention Modeling [45.61038400572223]
  アウト・オブ・タウン・レコメンデーションは、ホームタウン・エリアを離れ、これまで行ったことのないエリアを訪れるユーザー向けに設計されています。 都市外チェックインの行動は、ユーザーのホームタウンの好みだけでなく、ユーザーの旅行意図によって決定されるため、都市外ユーザーに対してPOI(Point-of-interests)を推奨することは困難です。 本稿では,TRAINOR という名称の街外勧告フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-29T13:14:29Z)
• A Serious Game Approach for the Electro-Mobility Sector [56.31696262234312]
  本稿では,電気自動車の利用を促進するため,電気移動環境におけるSG手法を提案する。 SGの設計は古典的な「ゲーム」の典型的な要素に基づいており、実際のゲームプレイは目的によって異なる。
  論文  参考訳（メタデータ） (2020-12-01T13:41:35Z)

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。