利用上下文与近距离先验预测未见的兴趣点访问

理解人类 mobility 行为对于众多应用至关重要，包括人群管理、基于位置的推荐以及疫情传播的估计。机器学习模型可以通过分析其历史访问模式来预测个体未来可能访问的兴趣点 (POI)。先前的研究通过学习 POI 分类器来解决此问题，其中每个类别对应一个 POI。然而，这限制了其对训练数据中未出现的新 POI（如新开的餐厅）进行预测的能力。为解决这一挑战，我们提出了一种模型，用于预测只要其上下文与用户兴趣相匹配即可预测训练数据之外的新 POI。与直接预测特定 POI 的现有方法不同，我们的模型首先预测潜在未来 POI 的语义上下文，然后将其与基于近距离的先验概率分布相结合，以确定确切的 POI。在真实世界访问数据上的实验结果表明，我们的模型优于不考虑语义上下文的基线方法，准确率提高了 17%。值得注意的是，随着新 POI 的不断引入，我们的模型保持稳健，预测准确率的下降率低于现有方法。