AAAI 2021
1 intro
1.1 背景
- 利用无监督方法或自监督目标预训练地点嵌入可以融合更通用以及更容易解释的关于地点的信息
- 轨迹中的地点嵌入类似于自然语言处理中的词嵌入。
- 但是，轨迹包含了一个文本中不具备的时间维度的信息
- 访问频率&访问时长
- 时间也潜在反映了一个地点的功能
- 对于不同类型的地点，用户的访问时间分布完全不同
- 访问频率&访问时长
- 多功能地点在现实世界中是一个常见的现象
- 比如，一个购物中心可能包含了电影院和餐馆，一个办公场所可能包含娱乐设施和健身房
- 人们访问同一个地点在不同场景下可能是为了不同的目的
- 现有的方法，将一个地点表示为单一的向量，不能处理在不同场景下地点的功能。
- 但是，轨迹包含了一个文本中不具备的时间维度的信息
- 轨迹中的地点嵌入类似于自然语言处理中的词嵌入。
1.2 论文思路
- 为了处理上述地点嵌入中的问题，作者提出了场景化及时间感知的地点嵌入模型CTLE
- 通过学习得到的映射函数根据轨迹上下文动态生成地点嵌入
- 通过这种方式，得到的预训练地点嵌入可以用于大量下游模型，提升计算效率以及预测准确性
2 论文方法
3 实验
文章评论