用于移动性迁移的区域不变归一化流

不同区域间的移动数据量存在高度差异性，这恶化了依赖区域特定数据的空间推荐系统的性能。本文提出一种称为REFORMD的新型迁移学习框架，用于签到数据稀疏区域的连续时间位置预测。具体而言，我们使用带归一化流的标记时间时间点过程（MTPP）对区域内用户特定的签到序列建模，以学习签到间隔时间与地理分布。随后，我们将在数据丰富的源区域上训练的空间与时间流模型参数迁移至签到数据稀缺的目标区域，用于下一次签到与时间预测。我们通过最大化下一次签到的联合似然，经由三个通道（1）签到类别预测，（2）签到时间预测，以及（3）出行距离预测，来捕捉MTPP及空间-时间流的演化区域特定签到动态。在美国与日本不同用户移动数据集上的大量实验表明，我们的模型在建模连续时间序列方面显著优于最先进（state-of-the-art）方法。此外，我们还展示了REFORMD可轻松适配于产品推荐，即无任何空间成分的序列。