利用时空点过程从地理标记事件轨迹建模隐式社区
社会与信息网络
2020-06-16 v1 物理与社会
摘要
用户通过Foursquare、Twitter和Facebook Places等各种基于位置的服务进行的位置签到，生成了大量地理标记事件轨迹。这些事件轨迹通常表现为具有相似兴趣的用户的隐藏（可能重叠的）社区。推断这些隐式社区对于构建用户画像以改进推荐和预测任务至关重要。仅给定用户带有时间戳的地理标记轨迹，我们能否找出这些隐式社区以及潜在影响网络的特征？我们能否利用该网络改进下一位置预测任务？本文聚焦于社区检测以及捕捉潜在扩散过程的问题，并提出了一个基于连续时间、离散位置空间的时空点过程模型COLAB，该模型根据用户的签到活动同时对其隐式社区进行建模，而无需利用他们的社交网络连接。COLAB捕捉了位置的语义特征、用户间影响以及用户的时空偏好。为了学习用户的潜在社区和模型参数，我们提出了一种基于随机变分推断的算法。据我们所知，这是首次尝试将扩散过程与活动驱动的隐式社区进行联合建模。我们证明，在从Foursquare签到收集的地理标记事件轨迹上，COLAB在位置预测任务中相比最新的基于深度点过程的方法实现了高达27%的提升。
引用
@article{arxiv.2006.07580,
title = {Modeling Implicit Communities using Spatio-Temporal Point Processes from Geo-tagged Event Traces},
author = {Ankita Likhyani and Vinayak Gupta and Srijith P. K. and Deepak P. and Srikanta Bedathur},
journal= {arXiv preprint arXiv:2006.07580},
year = {2020}
}
备注
17 pages