MainTUL：用于轨迹-用户链接的互蒸馏学习网络
机器学习
2022-05-10 v1 人工智能
摘要
轨迹-用户链接（TUL）旨在将轨迹链接至生成它们的用户，由于签到移动数据的稀疏性，这一直是个具有挑战性的问题。现有方法忽视了历史数据或签到数据中丰富上下文特征的利用，导致 TUL 任务性能不佳。本文中，我们提出一种新颖的互蒸馏学习网络来解决稀疏签到移动数据的 TUL 问题，名为 MainTUL。具体而言，MainTUL 由一个对输入轨迹序列模式建模的循环神经网络（RNN）轨迹编码器，以及一个捕获对应增强历史轨迹中长期时间依赖的时序感知 Transformer 轨迹编码器组成。随后，历史轨迹上学到的知识在两个轨迹编码器间传递，以引导两者学习，实现信息的互蒸馏。在两个真实世界签到移动数据集上的实验结果证明了 MainTUL 相对于最先进基线的优越性。我们模型的源代码可见于 https://github.com/Onedean/MainTUL。
引用
@article{arxiv.2205.03773,
title = {Mutual Distillation Learning Network for Trajectory-User Linking},
author = {Wei Chen and Shuzhe Li and Chao Huang and Yanwei Yu and Yongguo Jiang and Junyu Dong},
journal= {arXiv preprint arXiv:2205.03773},
year = {2022}
}
备注
This paper has been published as a full paper at IJCAI 2022. The model implementation is available at https://github.com/Onedean/MainTUL