基于双流表示网络的可扩展轨迹-用户关联

轨迹-用户关联旨在将匿名轨迹与最可能生成它们的用户进行匹配，为广泛的现实世界时空应用带来益处。然而，现有的 TUL 方法受限于高模型复杂度和对轨迹有效表示的学习不足，使其在处理大规模用户轨迹数据时效果不佳。在这项工作中，我们提出了一种新颖的可扩展轨迹-用户关联方法 ScaleTUL，采用双流表示网络解决大规模 TUL 问题。具体而言，ScaleTUL 通过时间增强和空间增强生成两个视图，利用监督对比学习框架有效捕捉轨迹的不规则性。在每个视图中，双流轨迹编码器由长期编码器和短期编码器组成，旨在学习融合不同时间-空间依赖关系的统一轨迹表示。然后，TUL 层使用两阶段训练模型在表示空间中将轨迹与相应用户关联。在来自三个真实城市和全美范围的签到移动性数据集上的实验结果证明了 ScaleTUL 在大规模 TUL 任务上优于最先进基线的优越性。