面向轨迹用户关联的超图模型HGTUL
机器学习
2025-02-12 v1 人工智能
摘要
轨迹用户关联 (Trajectory User Linking, TUL) 将匿名轨迹与生成它们的用户关联起来，在建模人类移动模式中起着关键作用。尽管该领域取得了显著进展，现有研究主要忽略了高阶轨迹间关系，这些关系表现为当轨迹在各种兴趣点 (POI) 处相交时出现的多位置共现模式。此外，他们也忽略了POI对不同轨迹的可变影响，以及由用户活动水平和签到频率差异导致的用户类别不平衡问题。为解决这些限制，我们提出一种新型超图基于多视角的轨迹用户关联模型 (HGTUL)。我们的模型从关系和时空两个视角学习轨迹表示：(1) 通过构建轨迹超图并利用超图注意力网络来学习POI对轨迹的可变影响；(2) 将轨迹的时空特征纳入顺序编码器进行建模。此外，我们设计一种数据平衡方法来有效解决用户类别不平衡问题，并通过实验验证其在TUL中的重要性。在三个真实数据集上的大量实验表明，HGTUL相较于最先进的基线方法具有显著优势，在ACC@1和Macro-F1指标上分别实现了2.57%~20.09%和5.68%~26.00%的提升。
引用
@article{arxiv.2502.07549,
title = {HGTUL: A Hypergraph-based Model For Trajectory User Linking},
author = {Fengjie Chang and Xinning Zhu and Zheng Hu and Yang Qin},
journal= {arXiv preprint arXiv:2502.07549},
year = {2025}
}
备注
11 pages, 4 figures