DisenHCN：用于时空活动预测的解耦超图卷积网络
机器学习
2022-08-16 v1 人工智能
摘要
时空活动预测旨在预测用户在特定地点与时间下的活动，对城市规划与移动广告等应用至关重要。现有基于张量分解或图嵌入的方法存在以下两大局限：1) 忽略用户偏好的细粒度相似性；2) 用户建模相互纠缠。本文提出一种称为 DisenHCN 的超图神经网络模型以弥补上述不足。具体地，我们首先将细粒度用户相似性与用户偏好和时空活动间的复杂匹配统一为异质超图。随后将用户表示解耦为不同方面（位置感知、时间感知与活动感知），并在所构超图上聚合对应方面的特征，从不同方面捕捉高阶关系并解耦各方面对最终预测的影响。大量实验表明，我们的 DisenHCN 在四个真实数据集上比最先进方法高出 14.23% 至 18.10%。进一步研究也令人信服地验证了 DisenHCN 中各组件的合理性。
引用
@article{arxiv.2208.06794,
title = {DisenHCN: Disentangled Hypergraph Convolutional Networks for Spatiotemporal Activity Prediction},
author = {Yinfeng Li and Chen Gao and Quanming Yao and Tong Li and Depeng Jin and Yong Li},
journal= {arXiv preprint arXiv:2208.06794},
year = {2022}
}
备注
Accepted as a research track paper in ICDE 2022