STEPS：基于时空分析的地点属性预测
社会与信息网络
2016-10-25 v1
摘要
近年来，大量研究从人们的行为中学习兴趣。但他们的集体行为也让我们了解世界，特别是推断人们访问或交互的地点的属性。想象一下，无需询问顾客就能分类酒店是否有健身房或游泳池，或餐厅是否有浪漫氛围。我们提出的算法可以做到。许多网络应用依赖地点属性，例如特定餐厅是否有 WiFi 或提供户外座位。此类数据可用于支持一系列用户体验，从显式查询驱动搜索到个性化地点推荐。然而，获取这些属性通常困难，现有方法依赖众包或解析在线评论，两者都有噪声、偏差和有限覆盖。这里我们提出一种新颖的地点属性分类方法，从基于匿名观测数据的顾客访问模式中学习。我们的方法 STEPS 从聚合的地点访问序列中学习。例如，如果许多人周六晚上从豪华酒店或剧院来到餐厅并停留很长时间，则该餐厅更可能有浪漫氛围。另一方面，如果大多数人工作日从工作或杂货店来，则餐厅不太可能浪漫。我们展示这种转移特征对地点属性极具预测性。在广泛的实证评估中，由于从观测位置数据学习，STEPS 将最先进方法的覆盖率几乎翻倍，使我们的方法能推断更多地点。
引用
@article{arxiv.1610.07090,
title = {STEPS: Predicting place attributes via spatio-temporal analysis},
author = {Shuxin Nie and Abhimanyu Das and Evgeniy Gabrilovich and Wei-Lwun Lu and Boris Mazniker and Chris Schilling},
journal= {arXiv preprint arXiv:1610.07090},
year = {2016}
}