面向熟悉与不熟悉移动场景的下一 POI 预测的 MoE-TransMov 模型
机器学习
2025-12-23 v1
摘要
准确预测人类 mobility 轨迹内的下一个兴趣点 (POI) 对基于位置的服务至关重要，因为它能够实现更及时和个性化的推荐。特别是鉴于这些方法的兴起，研究表明用户在熟悉和不熟悉区域的 POI 选择存在差异，突显了纳入用户熟悉度以提升预测模型性能的重要性。然而，现有方法往往无法区分用户在熟悉和不熟悉区域的移动行为。为此，我们提出 MoE-TransMov，一种基于 Transformer 的模型，采用 Mixture-of-Experts (MoE) 架构设计，用于在无需为特定数据分别训练的情况下捕获不同移动情境下的差异化 mobility 模式。使用用户签到数据，我们将移动行为划分为熟悉和不熟悉类别，并开发专门的专家网络以提高预测准确率。我们的方案集成自注意力机制和自适应门控网络，以动态选择针对不同 mobility 情境最相关的专家模型。在两个真实数据集上进行实验，包括广为人知但规模较小的开源 Foursquare NYC 数据集和由 LY 公司 (Yahoo Japan Corporation) 收集的大规模 Kyoto 数据集，结果表明 MoE-TransMov 在 Top-1、Top-5、Top-10 准确率以及平均倒数排名 (MRR) 等指标上均优于最先进的基线。根据结果，我们发现通过这种方法，能够在不同移动情境下高效提升 mobility 预测，从而增强推荐系统的个性化，并推动 various urban applications 的发展。
引用
@article{arxiv.2512.17985,
title = {MoE-TransMov: A Transformer-based Model for Next POI Prediction in Familiar & Unfamiliar Movements},
author = {Ruichen Tan and Jiawei Xue and Kota Tsubouchi and Takahiro Yabe and Satish V. Ukkusuri},
journal= {arXiv preprint arXiv:2512.17985},
year = {2025}
}
备注
30 pages, 4 figures, 5 tables