核心概念
ユーザーの長期的および短期的な嗜好を効果的にモデル化することで、次POIの推奨精度を向上させる。
要約
本研究は、次POI推奨のための新しいアプローチ「系列に対応した長期および短期の嗜好学習(SA-LSPL)」を提案している。
- ユーザーの長期的な嗜好をモデル化するために、Bi-LSTMを用いて過去の軌跡を符号化し、系列間の時空間的相関と依存関係を捉えるための注意機構を導入した。
- ユーザーの個人的な嗜好と社会的影響を統合的に考慮することで、データの疎さに対処した。
- ユーザーの短期的な嗜好をモデル化するために、連続的および非連続的な訪問行動を統合的に捉え、時間、空間、カテゴリーの遷移依存関係を考慮した。
- 2つのリアルワールドデータセットでの実験結果は、提案手法の優位性を示している。
統計
ユーザーの最大活動範囲の大半は30km以内である。
ニューヨークとトーキョーのユーザーの1時間あたりの軌跡数の割合分布に大きな違いがある。