用于从高度不准确移动数据推断位置类别的负未标记张量分解
机器学习
2017-05-25 v3
摘要
识别移动用户访问的重要位置类别是许多应用的关键。由于估计的位置坐标与实际位置之间可能存在偏差（可能达到公里量级），这是一项极具挑战性的任务。为了更精确地估计实际位置类别，我们提出了一种新颖的张量分解框架，通过包括用户间内禀相关性在内的若干关键观察，推断位置不确定圆内最可能的位置类别。此外，所提算法还能在缺乏位置信息的情况下预测用户所在位置。为了高效求解所提框架，我们通过有效利用张量的稀疏和低秩结构，提出了一种无参数且可扩展的优化算法。我们的实证研究表明，所提算法既高效又有效：它能解决包含数百万用户和数十亿次位置更新的问题，并在真实世界位置更新和签到数据集上提供了卓越的预测精度。
引用
@article{arxiv.1702.06362,
title = {Negative-Unlabeled Tensor Factorization for Location Category Inference from Highly Inaccurate Mobility Data},
author = {Jinfeng Yi and Qi Lei and Wesley Gifford and Ji Liu and Junchi Yan},
journal= {arXiv preprint arXiv:1702.06362},
year = {2017}
}