重新审视基于图的移动性建模：一种用于下一兴趣点推荐的图 Transformer 模型
机器学习
2023-10-03 v1
摘要
下一兴趣点（POI）推荐在城市移动性应用中起关键作用。近来，基于图神经网络（GNN）的 POI 推荐模型已被广泛研究并取得成果，然而将空间与时间信息有效融入此类基于 GNN 的模型仍具挑战。提取每条信息独有的细粒度特征十分困难，因为时间信息常包含空间信息，用户往往访问邻近 POI。为应对该挑战，我们提出 \textbf{\underline{Mob}}ility \textbf{\underline{G}}raph \textbf{\underline{T}}ransformer（MobGT），其使我们能充分利用图来捕获用户移动模式中的空间与时间特征。MobGT 结合独立的空间与时间图编码器以捕获独特特征及全局用户-位置关系。此外，它引入基于 Graph Transformer 的移动性编码器以提取 POI 间的高阶信息。为解决时空数据中的长尾问题，MobGT 引入一种新损失函数 Tail Loss。实验结果表明，MobGT 在多个数据集与指标上优于最先进模型，平均提升 24%。我们的代码见 \url{https://github.com/Yukayo/MobGT}。
引用
@article{arxiv.2310.01224,
title = {Revisiting Mobility Modeling with Graph: A Graph Transformer Model for Next Point-of-Interest Recommendation},
author = {Xiaohang Xu and Toyotaro Suzumura and Jiawei Yong and Masatoshi Hanai and Chuang Yang and Hiroki Kanezashi and Renhe Jiang and Shintaro Fukushima},
journal= {arXiv preprint arXiv:2310.01224},
year = {2023}
}
备注
Accepted as a full paper of SIGSPATIAL 2023