USTAR：用于建模用户引导时空活动的在线多模态嵌入方法
机器学习
2019-10-24 v1 人机交互
社会与信息网络
机器学习
摘要
为城市空间中人们的活动构建时空活动模型，对于理解日益增加的城市动态复杂性十分重要。随着地理标记社交媒体(Geo-Tagged Social Media, GTSM)记录的出现，以往研究展示了 GTSM 记录用于时空活动建模的潜力。该任务的最先进方法将 GTSM 记录的不同模态(位置、时间和文本)嵌入到单一嵌入空间。然而，它们忽略了非地理标记社交媒体(Non-GeoTagged Social Media, NGTSM)记录，后者通常占帖子的大多数(例如 Twitter 中超过 95%)，并可能代表一个巨大的信息源以缓解 GTSM 记录的稀疏性。此外，在当前的时空嵌入技术中，较少关注表现出空间驱动行为的用户。为弥补这一研究空白，本文提出 USTAR，一种新颖的在线学习方法用于用户引导时空活动表示(User-guided SpatioTemporal Activity Representation)，其(1)将位置、时间、文本与用户一同嵌入同一嵌入空间以捕获其相关性；(2)使用一种基于两种经实证研究的用户行为的新型协同过滤方法，在学习中同时纳入 NGTSM 和 GTSM 记录；以及(3)引入一种新颖的采样技术以在线方式学习时空表示，将近期信息纳入嵌入空间，同时避免对近期记录和社交媒体流中频繁出现单元的过拟合。我们的结果表明，USTAR 在区域检索和关键词检索上大幅改进了最先进水平，并具有应用于局部事件检测等其他下游任务的潜力。
引用
@article{arxiv.1910.10335,
title = {USTAR: Online Multimodal Embedding for Modeling User-Guided Spatiotemporal Activity},
author = {Amila Silva and Shanika Karunasekera and Christopher Leckie and Ling Luo},
journal= {arXiv preprint arXiv:1910.10335},
year = {2019}
}
备注
10 pages, IEEE International Conference on Big Data 2019 (IEEE Big Data 2019)