强化模仿图学习用于移动用户画像
本文提出了一种基于强化学习的模仿式移动用户画像框架，是一种利用精确用户画像来完美重现用户移动轨迹的预测模型，并利用 LSTM 来整合用户特征进行增量更新。
Jan, 2021
这篇综述论文详细论述了用户建模和个人资料研究领域的现状、发展趋势和未来发展方向，并提出了一个包含最新动态的新颖分类系统。研究表明，用户建模方法正在向更复杂的个人资料建立方法转变，强调隐式数据收集、多行为建模以及图数据结构的整合。此外，研究还探讨了用户建模在假新闻检测、网络安全和个性化教育等领域的应用。该综述为研究人员和实践者提供了全面的资源，旨在对用户建模和个人资料的发展提供深入洞察，指导更加个性化、道德和有效的人工智能系统的发展。
Feb, 2024
本文利用空间 — 时间城市知识图谱中的移动轨迹，特定地点类别信息及时间信息，设计了一个模型，旨在解决基于知识图谱技术的用户的远期移动预测问题，提高了预测精确度。同时，对 POI 类别作为背景知识和辅助信息的实验结果表明，可帮助提升预测精度。
Nov, 2021
该研究论文提出了一种基于强化学习的框架来建模动态的地理人类互动过程，设计了解决过期信息、推荐候选生成和动作空间变化等挑战的新深度策略网络结构以及一种有效的对抗训练方法，并在大量实验数据中证明了该方法的卓越性能。
Jan, 2022
本研究提出了一种新颖的神经网络模型，通过联合建模社交网络和移动轨迹，可以更好地分析和挖掘地理位置社交网络（LBSN）数据。通过考虑四个影响移动轨迹生成过程的因素来建模移动轨迹，最终在两个重要应用的实验结果中验证了模型的有效性。
Jun, 2016
利用移动智能手机进行用户位置追踪，在低规格的惯性测量单元（IMUs）内存在无法预测的错误，因此不能单独使用，而需要与另一种定位技术（如 WiFi 定位）进行集成。本文提出了一种新的集成技术，使用名为 Mobility-INduced Graph LEarning（MINGLE）的图神经网络，它基于捕捉不同用户移动特征生成的两种类型的图。经过实地实验验证，MINGLE 相比基准模型显示出更好的定位精度，半监督和自监督学习情况下的均方根误差（RMSE）分别为 1.398 米和 1.073 米。
Nov, 2023
该论文提出了一种基于移动设备的无监督轻量级方法来直接模拟用户的社交上下文和位置，该方法利用了自我网络模型，对智能手机嵌入式传感器数据提取高级别的语义上下文特征，在社交上下文方面，该方法利用了在用户和设备之间的物理和网络社交互动的数据，对于位置，它优先建模了特定位置的熟悉度程度，相对于只使用与物理上下文相关的特征，该方法在 AUROC、Precision 和 Recall 方面的表现都有所提高。
Jun, 2023
介绍了基于社会心理学理论的 profile 在知识预测中的应用，提出了两种可实例化的神经架构，经过对维基数据和众包期望的评估和比较，揭示了各种 profiling 方法捕获知识的本质，同时将所有代码和数据公开，以促进未来的研究。
Oct, 2018
通过交叉轨迹特征工程和聚类，该研究利用高阶特征从人类移动轨迹记录中挖掘用户的生活方式特征，并且通过深入提取包括旅行模式、离散傅里叶变换的节奏和 word2vec 词向量化地点语义等特征，在深圳超过 50 万用户的轨迹数据集上，得到了七个具有不同生活方式特征的用户类簇，这些结果通过常识解释得到了很好的验证。
Dec, 2023