探究学生签到行为以改进兴趣点预测
机器学习
2018-11-19 v1 机器学习
摘要
随着基于位置的社交网络(LBSN)上大量用户访问历史的可得,兴趣点(POI)预测问题已被广泛研究。然而,许多研究仅基于从 Foursquare 或 Yelp 等社交应用收集的自愿签到数据集展开。尽管这些数据包含丰富的休闲活动信息(如餐饮、夜生活与娱乐),但关于人们生活中更平淡侧面的信息却很稀疏。这不仅限制了对用户日常规律的理解,更关键的是,基于休闲数据特征所建立的建模假设可能并不适用于更丰富的签到数据。本工作中,我们利用普渡大学收集的 WiFi 接入日志呈现了对教育“签到”数据的分析。我们提出一种基于异构图的方法以编码用户、POI 与活动间的关联,进而联合学习各顶点的嵌入表示。我们将所提方法与先前最先进的 POI 预测方法进行比较评估,表明先前方法的假设在我们具有更密集活动信号的数据上显著拉低了性能。我们还展示了所学嵌入如何用于识别相似学生(例如好友推荐)。
引用
@article{arxiv.1811.06912,
title = {Exploring Student Check-In Behavior for Improved Point-of-Interest Prediction},
author = {Mengyue Hang and Ian Pytlarz and Jennifer Neville},
journal= {arXiv preprint arXiv:1811.06912},
year = {2018}
}
备注
published in KDD'18