論文の概要: Revisiting Mobility Modeling with Graph: A Graph Transformer Model for Next Point-of-Interest Recommendation

• arxiv url: http://arxiv.org/abs/2310.01224v1
• Date: Mon, 2 Oct 2023 14:11:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-04 21:32:25.843836
• Title: Revisiting Mobility Modeling with Graph: A Graph Transformer Model for Next Point-of-Interest Recommendation
• Title（参考訳）: グラフによるモビリティモデリングの再検討: 次の関心点推薦のためのグラフトランスフォーマーモデル
• Authors: Xiaohang Xu, Toyotaro Suzumura, Jiawei Yong, Masatoshi Hanai, Chuang Yang, Hiroki Kanezashi, Renhe Jiang, Shintaro Fukushima
• Abstract要約: Next Point-of-Interest (POI)レコメンデーションは、都市モビリティの応用において重要な役割を担っている。 textbfunderlineMobility textbfunderlineGraph textbfunderlineTransformer (MobGT)を提案する。 MobGTにより、グラフを完全に活用して、ユーザのモビリティパターンの空間的特徴と時間的特徴の両方をキャプチャすることができます。
• 参考スコア（独自算出の注目度）: 9.863982037173443
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Next Point-of-Interest (POI) recommendation plays a crucial role in urban mobility applications. Recently, POI recommendation models based on Graph Neural Networks (GNN) have been extensively studied and achieved, however, the effective incorporation of both spatial and temporal information into such GNN-based models remains challenging. Extracting distinct fine-grained features unique to each piece of information is difficult since temporal information often includes spatial information, as users tend to visit nearby POIs. To address the challenge, we propose \textbf{\underline{Mob}}ility \textbf{\underline{G}}raph \textbf{\underline{T}}ransformer (MobGT) that enables us to fully leverage graphs to capture both the spatial and temporal features in users' mobility patterns. MobGT combines individual spatial and temporal graph encoders to capture unique features and global user-location relations. Additionally, it incorporates a mobility encoder based on Graph Transformer to extract higher-order information between POIs. To address the long-tailed problem in spatial-temporal data, MobGT introduces a novel loss function, Tail Loss. Experimental results demonstrate that MobGT outperforms state-of-the-art models on various datasets and metrics, achieving 24\% improvement on average. Our codes are available at \url{https://github.com/Yukayo/MobGT}.
• Abstract（参考訳）: Next Point-of-Interest (POI)レコメンデーションは、都市移動アプリケーションにおいて重要な役割を果たす。 近年,グラフニューラルネットワーク(GNN)に基づくPOIレコメンデーションモデルが広く研究され,達成されているが,空間情報と時間情報の両方をGNNベースのモデルに効果的に組み込むことは依然として困難である。 ユーザが近隣のPOIを訪問する傾向があるため、時間情報にはしばしば空間情報が含まれるため、各情報に特有の特徴を抽出することは困難である。 この課題に対処するために、ユーザの移動パターンにおける空間的特徴と時間的特徴の両方をフル活用するグラフをフル活用できる、 \textbf{\underline{Mob}}ility \textbf{\underline{G}}raph \textbf{\underline{T}}ransformer (MobGT)を提案する。 MobGTは、個々の空間グラフエンコーダと時間グラフエンコーダを組み合わせて、ユニークな特徴とグローバルなユーザ位置関係をキャプチャする。 さらに、グラフトランスフォーマーに基づくモビリティエンコーダを組み込んで、pois間の高次情報を抽出する。 時空間データにおける長期化問題に対処するため、MobGTは新たな損失関数Tail Lossを導入した。 実験の結果、MobGTはさまざまなデータセットやメトリクスの最先端モデルよりも優れており、平均24倍の改善が達成されている。 我々のコードは \url{https://github.com/Yukayo/MobGT} で入手できる。

関連論文リスト

• DA-MoE: Addressing Depth-Sensitivity in Graph-Level Analysis through Mixture of Experts [70.21017141742763]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データを処理することで人気を集めている。 既存のメソッドは通常、固定数のGNNレイヤを使用して、すべてのグラフの表現を生成する。 本稿では,GNNに2つの改良を加えたDA-MoE法を提案する。
  論文  参考訳（メタデータ） (2024-11-05T11:46:27Z)
• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-08-13T15:21:46Z)
• Masked Graph Transformer for Large-Scale Recommendation [56.37903431721977]
  本稿では, MGFormer という名前の効率的な Masked Graph Transformer を提案する。 実験の結果,単一注意層でもMGFormerの優れた性能が得られた。
  論文  参考訳（メタデータ） (2024-05-07T06:00:47Z)
• Multi-Scene Generalized Trajectory Global Graph Solver with Composite Nodes for Multiple Object Tracking [61.69892497726235]
  複合ノードメッセージパッシングネットワーク(CoNo-Link)は、超長いフレーム情報を関連付けるためのフレームワークである。 オブジェクトをノードとして扱う従来の方法に加えて、このネットワークは情報インタラクションのためのノードとしてオブジェクトトラジェクトリを革新的に扱う。 我々のモデルは、合成ノードを追加することで、より長い時間スケールでより良い予測を学習することができる。
  論文  参考訳（メタデータ） (2023-12-14T14:00:30Z)
• Dynamic Hypergraph Structure Learning for Traffic Flow Forecasting [35.0288931087826]
  交通流予測は、過去のネットワークと交通条件に基づいて将来の交通状況を予測することを目的としている。 この問題は、遠時ニューラルネットワーク(GNN)を用いた交通データにおける複雑な時間相関をモデル化することによって、典型的に解決される。 既存の手法は、近隣情報を線形に集約するメッセージパッシングのパラダイムに従っている。 本稿では,交通流予測のための動的ハイパー構造学習(DyHSL)モデルを提案する。
  論文  参考訳（メタデータ） (2023-09-21T12:44:55Z)
• Automated Spatio-Temporal Graph Contrastive Learning [18.245433428868775]
  パラメータ化コントラストビュージェネレータを用いた時間自動拡張方式を開発した。 AutoSTは多視点セマンティクスをよく保存した異種グラフに適応することができる。 いくつかの実世界のデータセットで3つのダウンストリーム時間的マイニングタスクの実験は、大きなパフォーマンス向上を示している。
  論文  参考訳（メタデータ） (2023-05-06T03:52:33Z)
• 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)
• Long-term Spatio-temporal Forecasting via Dynamic Multiple-Graph Attention [20.52864145999387]
  長期的テンソル時間予測(LSTF)は、空間的領域と時間的領域、文脈的情報、およびデータ固有のパターン間の長期的依存関係を利用する。 本稿では,各ノードのコンテキスト情報と長期駐車による時間的データ依存構造を表現する新しいグラフモデルを提案する。 提案手法は,LSTF予測タスクにおける既存のグラフニューラルネットワークモデルの性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-04-23T06:51:37Z)
• Passenger Mobility Prediction via Representation Learning for Dynamic Directed and Weighted Graph [31.062303389341317]
  本稿では,gallat (graph prediction with all attention) という新たなグラフアテンションネットワークを提案する。 Gallatでは、DDWグラフの3つの本質的な特性を包括的に組み込むことにより、3つの注意層を構築し、すべての履歴時間スロットにわたって異なる地域間の依存関係を完全にキャプチャします。 提案モデルを実世界のデータセット上で評価し,gallatが最先端のアプローチを上回ることを示した。
  論文  参考訳（メタデータ） (2021-01-04T03:32:01Z)
• AttnMove: History Enhanced Trajectory Recovery via Attentional Network [15.685998183691655]
  AttnMoveと呼ばれる新しい注目ニューラルネットワークベースのモデルを提案し、観測されていない位置を回復することによって個々の軌道を高密度化する。 本研究では,実世界の2つのデータセット上でのモデル評価を行い,最新手法と比較した性能向上を示す。
  論文  参考訳（メタデータ） (2021-01-03T15:45:35Z)
• Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
  学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。 FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
  論文  参考訳（メタデータ） (2020-10-19T21:51:47Z)

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。