EMNLPSep, 2021

使用文本和图像进行兴趣点类型预测

PDF
TL;DR本文提出一种方法，利用文本和图像的多模态信息进行 POI 类型（地点类型）预测，该方法从文本和图像中提取相关信息，有效捕捉文本和图像之间的交互，实现了 47.21 的宏 F1 表现，且在八个类别方面显著优于基于纯文本方法的 POI 类型预测最先进方法。最后，我们对跨模态交互和我们最佳性能模型的局限性进行了详细的分析。
poi type predictionmultimodal informationtextimagescross-modal interactions
发现论文，激发创造
  • 从社交媒体文本中推断兴趣点类型

    研究了社交媒体文本与所发布地点类型之间的关系，提出了一个包含大约 200,000 条英文推文的新数据集，用于预测推文所发布的位置类型，并训练分类器来预测推文所发送的位置类型，能够达到宏观 F1 值 43.67，并揭示了与每种类型场所相关的语言标记，这种能够从推文中预测语义场所信息的能力在推荐系统、个性化服务和文化地理学中应用广泛。

    Sep, 2020

  • 提升下一个 POI 预测的效果：与遥感数据的空间和语义增强

    提出了一种基于深度学习的两步预测框架，通过丰富输入特征、引入遥感数据和构建 QR-P 图等方法来解决点兴趣预测中的挑战，并通过实证研究证明了该方法的优越性。

    Mar, 2024

  • M3PT: 用于 POI 标签的多模态模型

    本文提出了一种融合文本和图像信息的多模态 POI 标注方法 (M3PT)，通过领域自适应图像编码器 (DIE) 和文本 - 图像融合模块 (TIF) 以及对比学习策略，实现了更好的 POI 标注效果，作者在阿里飞猪的真实商务场景构建了两个高质量的 POI 标注数据集，并证明其方法优于单模态和多模态基线模型。

    Jun, 2023

  • 基于位置的社交网络中兴趣点推荐调研

    本文通过对相关领域的系统梳理、探讨新特性和挑战、提出 POI 推荐的关键作用和具体分类，以及讨论目前数据集和可用的指标，揭示了 POI 推荐的现状、发展和未来方向。

    Jul, 2016

  • 关于上下文信息对兴趣点推荐影响的系统分析

    本文提出了不同的上下文模型，分析了 POI 推荐中不同主要上下文信息的融合。主要贡献是：提供了对上下文感知定位推荐的广泛调查，量化和分析不同上下文信息在 POI 推荐中的影响，并使用两个着名的现实世界数据集评估了所考虑的模型。我们的结果表明，虽然建模地理和时间影响可以提高推荐的质量，但将所有其他上下文信息融合到推荐模型中并不总是最佳策略。

    Jan, 2022

  • 一个基于 Transformer 的 POI 级社交帖地理定位框架

    提出了基于 Transformer 的社交媒体 POI 级地理位置推测通用框架，考虑非文本数据，优化特征表示及位置捕捉，实验结果证明该框架在多项指标上均优于多种先进基线。

    Oct, 2022

  • 探索学生签到行为以改进兴趣点预测

    本文通过对普渡大学的 WiFi 访问日志进行分析，提出了基于异构图的方法来编码用户、兴趣点和活动之间的关联，进而联合学习顶点的嵌入表示，证明了基于娱乐数据的建模假设在更丰富的签到数据上效果显著降低。

    Sep, 2018

  • 基于上下文感知注意力的 POI 推荐数据增强方法

    本研究提出了一种基于注意力机制的序列生成模型 POI-Augmentation Seq2Seq (PA-Seq2Seq)，来解决缺失和不规则签到数据对模型性能的负面影响，以及学习用户历史中的时间相关性，以有效和高效地进行下一个位置推荐。通过在 Gowalla 和 Brightkite 两个真实世界的签到数据集上进行的广泛实验，证明了该方法的性能和有效性。

    Jun, 2021

  • 多模式地理预训练方法

    该研究提出了一种新颖的多模态地理语言模型 (MGeo) 用于查询 - POI 匹配，通过将地理信息视作一个新的模态，在提取多模态相关性的同时准确表示查询中的多个地理对象，提升了通用 PTMs 的查询 - POI 匹配能力。

    Jan, 2023

  • LLM 信息支持下的语义轨迹数据挖掘与 POI 分类

    本文提出了一个新的人类出行轨迹挖掘流程，利用大型语言模型对兴趣点进行活动类型标注，并使用基于贝叶斯算法推断轨迹中每个停留点的活动，评估结果表明，该方法在 POI 分类方面达到了 93.4% 的准确率和 96.1% 的 F-1 分数，并在活动推测方面达到了 91.7% 的准确率和 92.3% 的 F-1 分数。

    May, 2024