Jun, 2023

从全文本信息中学习动态图，实现准确的兴趣点访问预测

PDF
TL;DR本文提出了一种名为 BysGNN 的新的时间图神经网络模型来准确预测城市中景点被访问的次数，并在真实数据集实验中表现出较其他先进预测模型更准确的多重上下文相关性，时间序列和空间数据的预测性能。
points-of-interestbusyness graph neural networkmulti-context correlationstemporalforecasting
发现论文，激发创造
  • 下一个 POI 的超关系知识图神经网络

    基于移动技术和位置感知社交网络中的 POI 推荐系统的知识图谱建模的研究，以及超关系和数据稀疏性的影响与解决方法的探讨。

    Nov, 2023

  • 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

  • 大型语言模型用于下一次兴趣点推荐

    利用预训练的大型语言模型处理 POI 推荐任务中的丰富背景信息，提出的框架在三个真实世界 LBSN 数据集上表现优于现有模型，有效解决了冷启动和短轨迹问题。

    Apr, 2024

  • 贝叶斯增强的多视图注意力网络用于鲁棒型兴趣点推荐

    考虑用户签到的不确定性因素，本研究提出了一个新的鲁棒的 POI 推荐问题，并提出了一种 Bayes 增强的多视图关注网络，以解决现有方法在不完整和嘈杂的签到数据下的推荐性能问题。

    Nov, 2023

  • 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

  • 基于核方法的下一个兴趣点推荐子结构探索

    本研究提出了一种基于内核的图神经网络方法，用于下一个 POI 推荐，旨在协同考虑了地理和序列影响，具体地，该方法包括了一个地理模块和一个序列模块，并引入了一个一致性学习框架，提升了两个分离图形提取的跨模块信息交流。在两个真实世界的 LBSN 数据集上，详尽的实验结果展示了该方法相比现有技术的卓越性能。

    Oct, 2022

  • STP-UDGAT: 用于下一个 POI 推荐的空间 - 时间 - 偏好用户维度图注意力网络

    本研究使用新颖的探索 - 利用模型，提出使用 Spatial-Temporal-Preference User Dimensional Graph Attention Network (STP-UDGAT) 来同时为用户的个性化偏好和探索新的 POI 以及通过随机游走来寻找新的高阶 POI 邻居，以解决点 - of-Interest (POI) recommendation 的问题，并且在六个真实世界数据集上实验结果显示，该模型明显优于基准线和现有的方法。

    Oct, 2020

  • 基于图形的移动建模研究：用于下一个兴趣点推荐的图形转换模型

    MobGT 是一种基于图神经网络和移动性图转换器的算法，能够全面利用图来捕捉用户移动模式中的空间和时间特征，并通过引入针对空间 - 时间数据的新型损失函数解决了长尾问题。

    Oct, 2023

  • 动态多图注意力实现长期时空预测

    本文研究多图神经网络在长期时空预测中的应用，提出了一种新的动态多图融合模块来描述不同图之间的节点相关性，并引入可训练权重张量来指示不同图中每个节点的重要性。实验证明，我们的方法在长期时空预测任务中显著提高了现有图神经网络模型的性能。

    Apr, 2022

  • 动态因果图卷积网络用于交通预测

    通过使用动态贝叶斯网络嵌入时变图形拓扑结构，应用图卷积神经网络进行交通预测，在实际数据集上验证提出方法的卓越性能。

    Jun, 2023