論文の概要: NAICS-Aware Graph Neural Networks for Large-Scale POI Co-visitation Prediction: A Multi-Modal Dataset and Methodology

• arxiv url: http://arxiv.org/abs/2507.19697v1
• Date: Fri, 25 Jul 2025 22:31:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:55.973978
• Title: NAICS-Aware Graph Neural Networks for Large-Scale POI Co-visitation Prediction: A Multi-Modal Dataset and Methodology
• Title（参考訳）: 大規模POIコビテーション予測のためのNAICS対応グラフニューラルネットワーク:マルチモーダルデータセットと方法論
• Authors: Yazeed Alrubyli, Omar Alomeir, Abrar Wafa, Diána Hidvégi, Hend Alrasheed, Mohsen Bahrami,
• Abstract要約: 我々は,人口規模のコビジュアライゼーションパターンを予測する新しいグラフニューラルネットワークである,NAICS対応グラフSAGEを紹介した。 私たちの重要な洞察は、ビジネスセマンティクスは、詳細な業界コードを通して捉えられ、純粋な空間モデルでは説明できない重要なシグナルを提供するということです。 このアプローチは、効率的な状態分解を通じて大規模なデータセット(42億の潜在的な場所ペア)にスケールする。
• 参考スコア（独自算出の注目度）: 2.2700375074474755
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding where people go after visiting one business is crucial for urban planning, retail analytics, and location-based services. However, predicting these co-visitation patterns across millions of venues remains challenging due to extreme data sparsity and the complex interplay between spatial proximity and business relationships. Traditional approaches using only geographic distance fail to capture why coffee shops attract different customer flows than fine dining restaurants, even when co-located. We introduce NAICS-aware GraphSAGE, a novel graph neural network that integrates business taxonomy knowledge through learnable embeddings to predict population-scale co-visitation patterns. Our key insight is that business semantics, captured through detailed industry codes, provide crucial signals that pure spatial models cannot explain. The approach scales to massive datasets (4.2 billion potential venue pairs) through efficient state-wise decomposition while combining spatial, temporal, and socioeconomic features in an end-to-end framework. Evaluated on our POI-Graph dataset comprising 94.9 million co-visitation records across 92,486 brands and 48 US states, our method achieves significant improvements over state-of-the-art baselines: the R-squared value increases from 0.243 to 0.625 (a 157 percent improvement), with strong gains in ranking quality (32 percent improvement in NDCG at 10).
• Abstract（参考訳）: 1つのビジネスを訪れて行く場所を理解することは、都市計画、小売分析、そして位置情報ベースのサービスにとって不可欠だ。 しかし, 空間的近接関係とビジネス関係の複雑な相互作用により, 数百万の会場にまたがるコビジュアテーションパターンの予測は依然として困難である。 地理的距離のみを用いた伝統的なアプローチは、コーヒーショップが高級食堂よりも顧客フローを惹きつける理由を、たとえ同じ場所にあったとしても捉えることができない。 NAICSを意識したグラフニューラルネットワークGraphSAGEを導入し、学習可能な埋め込みを通してビジネス分類学の知識を統合し、人口規模でのコビジュアライゼーションパターンを予測する。 私たちの重要な洞察は、ビジネスセマンティクスは、詳細な業界コードを通して捉えられ、純粋な空間モデルでは説明できない重要なシグナルを提供するということです。 このアプローチは、エンドツーエンドのフレームワークにおける空間的、時間的、社会経済的特徴を組み合わせながら、効率的な状態分解を通じて、大規模なデータセット(42億個の潜在的な場所ペア)にスケールする。 92,486のブランドと48の米国州で94.9百万のコビジュアライゼーション記録からなるPOI-Graphデータセットを評価した結果,R2乗値は0.243から0.625(改善率157%)に増加し,ランキング品質が向上した(NDCGは10%)。

関連論文リスト

• Relation-Aware LNN-Transformer for Intersection-Centric Next-Step Prediction [0.0]
  市内の道路横断グラフ上に道路利用者軌道を表す道路ノード中心の枠組みを導入する。 これらのキューと構造グラフの埋め込みを組み合わせることで、意味的に基底化されたノード表現が得られる。 我々のモデルは6つの最先端のベースラインを最大17ポイントの精度で1ホップで、MRRで10ポイントの精度で上回ります。
  論文  参考訳（メタデータ） (2025-08-02T13:47:12Z)
• MobCLIP: Learning General-purpose Geospatial Representation at Scale [0.7224497621488285]
  全国初の汎用位置情報エンコーダであるMobCLIPについて紹介する。 新たなCLIPベースのアーキテクチャを採用することで、1億以上のPOI、全国的なリモートセンシング画像、および10億のエッジモビリティグラフによる構造化された人口統計を調整できる。 我々は,MobCLIPが最先端モデルよりも平均35%優れた汎用予測性能を実現することを示した。
  論文  参考訳（メタデータ） (2025-06-02T04:14:03Z)
• RelGNN: Composite Message Passing for Relational Deep Learning [56.48834369525997]
  RelGNNはリレーショナルデータベースから構築されたグラフのユニークな構造特性を活用するために特別に設計された新しいGNNフレームワークである。 RelGNNは、Relbench(Fey et al., 2024)から30の多様な実世界のタスクで評価され、ほとんどのタスクで最先端のパフォーマンスを実現し、最大25%の改善を実現している。
  論文  参考訳（メタデータ） (2025-02-10T18:58:40Z)
• Federated Graph Learning with Adaptive Importance-based Sampling [22.601850857109024]
  分散グラフデータセットを含むグラフ学習タスクのプライバシ保護には、フェデレーション学習(FL)ベースのGCN(FedGCN)トレーニングが必要である。 既存のグラフサンプリング強化FedGCNトレーニングアプローチは、グラフ構造情報や最適化のダイナミクスを無視し、高いばらつきと不正確なノード埋め込みをもたらす。 我々は、この制限に対処するために、FedAIS(Federated Adaptive Importance-based Smpling)を提案する。 FedAISはテスト精度を最大3.23%向上し、通信コストと計算コストを91.77%、85.59%削減した。
  論文  参考訳（メタデータ） (2024-09-23T01:49:20Z)
• FedNE: Surrogate-Assisted Federated Neighbor Embedding for Dimensionality Reduction [47.336599393600046]
  textscFedNEは、textscFedAvgフレームワークと対照的なNEテクニックを統合する新しいアプローチである。 我々は、合成データセットと実世界のデータセットの両方について包括的な実験を行う。
  論文  参考訳（メタデータ） (2024-09-17T19:23:24Z)
• Learning Dynamic Graphs from All Contextual Information for Accurate Point-of-Interest Visit Forecasting [9.670949636600035]
  Busyness Graph Neural Network (BysGNN) は、基礎となるマルチコンテキスト相関を学習し、発見するために設計された時間グラフニューラルネットワークである。 文脈的,時間的,空間的な信号をすべて取り入れることで,最先端の予測モデルに対する予測精度の大幅な向上を観察する。
  論文  参考訳（メタデータ） (2023-06-28T05:14:03Z)
• Multi-Temporal Relationship Inference in Urban Areas [75.86026742632528]
  場所間の時間的関係を見つけることは、動的なオフライン広告やスマートな公共交通計画など、多くの都市アプリケーションに役立つ。 空間的に進化するグラフニューラルネットワーク(SEENet)を含むグラフ学習方式によるTrialの解を提案する。 SEConvは時間内アグリゲーションと時間間伝搬を実行し、位置メッセージパッシングの観点から、多面的に空間的に進化するコンテキストをキャプチャする。 SE-SSLは、位置表現学習を強化し、関係の空間性をさらに扱えるように、グローバルな方法でタイムアウェアな自己教師型学習タスクを設計する。
  論文  参考訳（メタデータ） (2023-06-15T07:48:32Z)
• 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)
• Robust Self-Tuning Data Association for Geo-Referencing Using Lane Markings [44.4879068879732]
  本稿では,データアソシエーションにおけるあいまいさを解消するための完全なパイプラインを提案する。 その中核は、測定のエントロピーに応じて探索領域に適応する堅牢な自己調整データアソシエーションである。 ドイツ・カールスルーエ市周辺の都市・農村のシナリオを実データとして評価した。
  論文  参考訳（メタデータ） (2022-07-28T12:29:39Z)
• Reasoning Through Memorization: Nearest Neighbor Knowledge Graph Embeddings [29.94706167233985]
  kNN-KGEは、事前訓練された言語モデルを用いた新しい知識グラフ埋め込みアプローチである。 我々は、知識ストアからのエンティティ埋め込み空間内の距離に基づいて、最も近い隣人を計算する。
  論文  参考訳（メタデータ） (2022-01-14T17:35:16Z)
• A variational Bayesian spatial interaction model for estimating revenue and demand at business facilities [15.242014520266391]
  本研究では,事業施設における潜在的な収益や需要を推定する問題について検討し,その発生メカニズムを解明する。 そこで我々はベイズ空間相互作用モデルを構築し,そのモデルを用いて特定の事業所の収益を確率論的に予測する。 我々は, 1500以上のパブと15万の顧客地域を含む, 英国ロンドンにおけるパブ活動のための実世界の大規模空間データセットを構築した。
  論文  参考訳（メタデータ） (2021-08-05T13:03:20Z)
• Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction [54.93890176891602]
  薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。 そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。 また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
  論文  参考訳（メタデータ） (2020-12-17T17:44:01Z)
• CosSGD: Nonlinear Quantization for Communication-efficient Federated Learning [62.65937719264881]
  フェデレーション学習は、これらのクライアントのローカルデータを中央サーバに転送することなく、クライアント間での学習を促進する。 圧縮勾配降下のための非線形量子化を提案し、フェデレーションラーニングで容易に利用することができる。 本システムは,訓練過程の収束と精度を維持しつつ,通信コストを最大3桁まで削減する。
  論文  参考訳（メタデータ） (2020-12-15T12:20:28Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。