面向大规模 POI 共同访问预测的 NAICS-感知图神经网络：多模态数据集与方法
机器学习
2025-07-29 v1
摘要
理解人们访问一家商户后去往哪里，对城市规划、零售分析和基于位置的服务至关重要。然而，预测数百万个场所之间的共同访问模式仍具有挑战，原因在于极端数据稀疏性以及空间接近性与商务关系之间复杂的相互作用。传统方法仅使用地理距离无法捕捉咖啡馆为何吸引不同的客户流动，而餐厅则不同，即使它们位于同一位置。我们引入 NAICS-感知 GraphSAGE，一种新型图神经网络，通过可学习的嵌入整合商务分类知识，用于预测人口规模的共同访问模式。我们的关键见解是，商务语义通过详细行业代码捕获的信号，对于纯空间模型无法解释的现象至关重要。该方法通过高效的州级分解扩展到大型数据集（42亿个潜在场所对），同时在端到端框架中结合空间、时间和社会经济特征。我们的方法在由 9490 万条共同访问记录组成的 POI-Graph 数据集上进行评估，该数据集覆盖 92486 个品牌和 48 个美国州。我们的方法在基线上实现了显著的改进：R²值从0.243提升至0.625（提升157%），在排序质量方面表现出强劲增长（NDCG@10提升32%）。
引用
@article{arxiv.2507.19697,
title = {NAICS-Aware Graph Neural Networks for Large-Scale POI Co-visitation Prediction: A Multi-Modal Dataset and Methodology},
author = {Yazeed Alrubyli and Omar Alomeir and Abrar Wafa and Diána Hidvégi and Hend Alrasheed and Mohsen Bahrami},
journal= {arXiv preprint arXiv:2507.19697},
year = {2025}
}