用于建模时空用户行为中时间结构的日历图神经网络
机器学习
2020-07-21 v2 机器学习
摘要
用户行为建模对于人口属性预测、内容推荐和目标广告等工业应用十分重要。现有方法将行为日志表示为采用条目的序列并发现序列模式；然而，行为日志中反映动态和周期模式、并与空间维度联合的具体位置和时间信息，可用于建模用户并预测其特征。本工作中，我们提出一种基于图神经网络的新型模型，用于从时空行为数据中学习用户表示。行为日志由会话序列组成；会话具有位置、开始时间、结束时间和采用条目序列。我们的模型架构包含两种网络结构。一种是条目、会话和位置的三部网络。另一种是小时、周和星期节点的层次日历网络。它首先通过三部网络将位置和条目的嵌入聚合成会话嵌入，然后通过日历结构从会话嵌入生成用户嵌入。用户嵌入保留了多种周期性的空间模式和 temporal 模式（例如小时、周和星期模式）。它采用注意力机制建模用户行为中多重模式的复杂交互。在真实数据集（即移动应用中新闻文章的点击）上的实验表明，我们的方法在预测缺失人口属性上优于强基线。
引用
@article{arxiv.2006.06820,
title = {Calendar Graph Neural Networks for Modeling Time Structures in Spatiotemporal User Behaviors},
author = {Daheng Wang and Meng Jiang and Munira Syed and Oliver Conway and Vishal Juneja and Sriram Subramanian and Nitesh V. Chawla},
journal= {arXiv preprint arXiv:2006.06820},
year = {2020}
}