NN's Blog

Understanding spatio-temporal trip purposes of urban micro-mobility from the lens of dockless e-scooter sharing摘要本文旨在通过无桩电动滑板车用户行为的视角来理解城市微移动的时空出行目的。我们首先开发了一个时空主题建模方法来推断无桩电动滑板车使用的潜在出行目的。然后，以华盛顿特区为例，我们将该模型应用于包含83002次有效用户出行、19370个POI场馆和土地利用土地覆盖数据的数据集，系统地探索城市微移动的跨时空出行目的。研究结果证实，一组未发现的100个出行主题可以作为微移动用户时空出行目的的有效代理。本文的研究结果为城市当局和无桩电动滑板车公司在未来的智慧城市中制定更可持续的城市交通规划和更有效的车辆配置提供了重要的启示。 1. 介绍最近，新兴的无桩微移动服务，如电动滑板车和电动自行车，为我们提供了前所未有的数据源，以更细的时空粒度揭示和理解城市移动模式。为了解决“最后一英里”问题，微移动用户可以直接到达他们最终目的地的前门。这一事实有助于通过挖掘海量用户出行数据更好地理解 ...

TADSAM:A Time-Aware Dynamic Self-Attention Model for Next Point-of-Interest Recommendation1. Introduction论文提出了一个时间感知动态自我注意模型TADSAM来预测用户未来的下一步决策活动。首先，我们使用一种扩展的自我注意机制来处理用户复杂的签到记录。其次，考虑到时间的影响，我们将用户签到记录划分到不同的时间窗口，并开发了一种个性化的权重计算方法来挖掘用户行为的时间模式。实验结果表明，该方法在稀疏签入数据的下一个POI推荐方面优于新模型 2. Challenge 随着时间的变化，用户的历史行为表现出多样性和复杂性; 由于用户轨迹数据的稀疏性，很难在相应的时间模式中捕捉到用户的偏好 3. Contribution 论文提出了一种时间感知动态自我注意网络方法。使用一个相对时间矩阵来扩展传统的自我注意机制，以探索用户签到记录之间的关系。通过这种方法，不仅可以探索用户复杂多样的行为模式，还可以了解用户兴趣的变化。 我们将用户的历史签到序列划分为不同的时间窗口，并设计了一种个性化的权重计 ...

Personalized POI Recommendation: Spatio-Temporal Representation Learning with Social TieInternational Conference on Database Systems for Advanced Applications 1. Introduction论文提出了一种新的统一的时空神经网络框架，称为PPR，它利用用户的签到记录和社会关系，通过联合嵌入和顺序建模推荐个性化的poi来查询用户。具体而言，PPR首先通过在异构图中联合建模用户-POI关系、顺序模式、地理影响和社会关系来学习用户和POI表示，然后使用设计的基于LSTM模型的时空神经网络对用户个性化顺序模式进行建模，实现个性化POI推荐。 1.1 challenge 上下文因素，POI推荐可能受到各种上下文因素的影响，包括社会关系影响、地理影响、时间背景等。 动态和个性化的偏好，用户的偏好随着时间的推移而动态变化。在不同的时间和环境下，用户可能喜欢不同的poi。 1.2 contribution 论文提出了一种新的PPR模型，用于个 ...

利用基于用户活动中心的社会影响力进行的兴趣点推荐介绍本文基于两个因素建立了社会影响力模型:用户之间在共同签到方面的相似性，以及他们之间的友谊。基于明确的友谊网络和用户之间的高签到重叠，我们引入了两个层次的友谊。我们的友谊算法基于用户的地理活动中心。 我们在LBSNs上定义了两种类型的友谊。具体来说，显性朋友是指那些在LBSN中相互关注的用户，而隐性朋友是那些经常登录的人，他们通常有着非常相似的品味，这导致了一些友谊的建立，因为这些行为上的相似性。 在这项工作中，我们假设用户的相似度与他们的地理距离成反比。我们的分析揭示了地理活动中心用户的社会行为模式。我们假设签入数量最多的中心是主要用户活动中心，如图所示。我们假设用户的活动中心离用户最近的朋友就是他们最相似的朋友。朋友之间的地理距离越大，相似度值越低(见图2)。 在这项工作中，我们提出了一个社会用户活动中心POI推荐系统，称为SUCP，它考虑了社会影响的影响。与之前的工作相比，我们的SUCP通过考虑用户在其活动中心的社会关系来提高推荐系统的性能。 贡献点 模型的新颖之处在于将用户的活动中心和他们的社交关系联合建模。 考虑了两种类型的 ...

GETNext:用于下一个POI推荐的轨迹流图增强TransformerAbstract提出了一个不确定用户的全局轨迹流程图和一个新的图增强Transformer模型(GETNext)，以更好地利用广泛的协同信息，更准确地预测下一个POI，同时缓解冷启动问题。GETNext将全局转换模式、用户的一般偏好、时空上下文和具有时间感知能力的类别嵌入集成到一个Transformer模型中，以预测用户将来的移动。 1. Introduction 2. Problem formulation用户集: $U = {u_1, u_2, … , u_M}$ POIs集: $P = {p_1, p_2, … , p_N}$ 时间戳集: $T = {t_1, t_2, … , t_K}$ POI属性集: $p = $ Check-ins: $q = $ 单个用户签到序列: $Q_u=(q^1_u, q^2_u, q^3_u…)$ 所有用户签到序列: $QU={Q{u1}, Q{u2}, … ,Q{u_M}}$ 将$Q_u$分割为$i$个$S^i_u$ POI推荐的目标是:给定{ $S^i_u$ }和某 ...

用于下一个POI推荐的图闪回网络摘要介绍下一个POI推荐问题的现有解决方案可以分为两类:基于序列的解决方案和基于图的解决方案。 限制与挑战： 图结构 以前的方法构造定制的同构POI图，只有一种类型的节点和边。此外，图只关注poi之间的连通性，忽略了边的权值。很少有研究提出使用包含多种节点和边的异构图来获得基于学习的加权图。 POI表征 现有的基于图的模型直接在定制图上应用图神经网络(GNNs)，根据邻居采样策略，通过其邻居来改进每个POI的表示，而不需要证明。因此，在GNNs中很难避免一些无用的操作(如特征转换)。此外，它们对每个POI近邻的重要性(即权重系数)的学习过程是不透明的，这可能会降低模型的有效性。 个性化推荐 大多数现有的方法只是简单地将用户特征向量(即嵌入)和模型输出连接起来，以执行个性化的POI推荐。然而，使用如此简单的操作无法考虑到用户对不同POIs的一般偏好。还有一些研究将用户和POI表示形式串联起来，作为模型的输入来反映个性化的用户偏好。然而，用户偏好可能受到许多因素的影响(例如，时间、地点、POI类别等)。仅仅通过连接用户和POI表示很难获得准确的个性化用 ...