DeepCity：一个用于挖掘位置签到数据的特征学习框架
社会与信息网络
2016-10-13 v1
摘要
在线社交网络向地理空间的扩展产生了大量用户签到数据。理解签到数据有助于构建具有吸引力的应用，例如位置推荐。本文提出了 DeepCity，一个基于深度学习的特征学习框架，用于刻画用户和位置的特征，以进行用户人口统计和位置类别预测。这两项预测对于社交网络公司提高用户参与度至关重要。DeepCity 的关键贡献在于提出了特定任务随机游走，该方法利用位置和用户属性来引导特征学习，使其针对每个预测任务具有特异性。在从 Instagram 收集的三个城市 4200 万条签到数据上进行的实验表明，DeepCity 取得了优越的性能，并显著优于其他基线模型。
引用
@article{arxiv.1610.03676,
title = {DeepCity: A Feature Learning Framework for Mining Location Check-ins},
author = {Jun Pang and Yang Zhang},
journal= {arXiv preprint arXiv:1610.03676},
year = {2016}
}