POIFormer：基于 Transformer 的高精度可扩展点兴趣归因框架
机器学习
2025-07-15 v1 人工智能
摘要
准确地将用户访问归因于特定的兴趣点（POI）是 mobility 分析、个性化服务、营销和城市规划的基础任务，但由于 GPS 误差（实际环境中通常为 2 到 20 米）以及城市环境中 POIs 的高空间密度（例如，在密集城市中心超过 50 个 POIs 位于 100 米半径内），POI 归因仍然具有挑战性。仅依赖距离往往不足以确定实际访问的 POI。我们提出了 \textsf{POIFormer}，一个新颖的基于 Transformer 的框架，用于准确且高效的 POI 归因。不同于以往仅利用有限时空、上下文或行为特征的方法，\textsf{POIFormer} 联合建模丰富的信号，包括空间邻近性、访问时间和持续时间、来自 POI 语义的上下文特征，以及来自用户移动行为和聚合群体行为模式的行为特征——利用 Transformer 的自注意力机制对这些维度之间的复杂相互作用进行联合建模。通过利用 Transformer 模型用户过去和未来访问（当前访问被遮蔽），并通过预计算的 KDE 融入群体级行为模式，\textsf{POIFormer} 实现了在大规模噪声 mobility 数据集上的准确、高效的归因。其架构支持跨不同数据源和地理环境的泛化，同时避免依赖难以获取或不可用的额外数据层，使其在实际部署中具有实用性。广泛的在真实 mobility 数据集上的实验表明，在空间噪声和密集 POI 聚类构成的实际场景中，\textsf{POIFormer} 相较于现有基线实现了显著的改进。
关键词
引用
@article{arxiv.2507.09137,
title = {POIFormer: A Transformer-Based Framework for Accurate and Scalable Point-of-Interest Attribution},
author = {Nripsuta Ani Saxena and Shang-Ling Hsu and Mehul Shetty and Omar Alkhadra and Cyrus Shahabi and Abigail L. Horn},
journal= {arXiv preprint arXiv:2507.09137},
year = {2025}
}