用于用户与位置建模的简约通用嵌入的无监督学习
信息检索
2018-01-23 v2
摘要
许多社交网络应用依赖于时空数据的鲁棒表示。本工作中，我们提出一种基于前馈神经网络的嵌入模型，该模型将社交媒体签到转化为编码地理、时间和功能方面的稠密特征向量，用于建模场所、社区和用户。我们将该嵌入模型用于多种应用，包括位置推荐、城市功能区研究和犯罪预测。对于位置推荐，我们提出一种基于该嵌入模型的时空嵌入相似度算法(STES)。在从Foursquare收集的真实生活数据上进行的一系列实验中，我们展示了我们的模型在刻画场所与人方面的有效性及其在上述问题域中的适用性。最后，我们选取全球八个主要城市，并通过将预训练模型从一个城市迁移到另一个城市来验证我们模型的鲁棒性与通用性，从而减轻昂贵本地训练的需求。
引用
@article{arxiv.1704.03507,
title = {Unsupervised Learning of Parsimonious General-Purpose Embeddings for User and Location Modelling},
author = {Jing Yang and Carsten Eickhoff},
journal= {arXiv preprint arXiv:1704.03507},
year = {2018}
}