[论文解读] Modelling of Bi-directional Spatio-Temporal Dependence and Users' Dynamic Preferences for Missing POI Check-in Identification

Dongbo Xi, Fuzhen Zhuang+4 more|arXiv (Cornell University)|Dec 31, 2021

Human Mobility and Location-Based Analysis被引用 13

一句话总结

该论文提出Bi-STDDP，一种双向深度学习模型，通过整合全局空间与局部时间依赖性以及用户的动态偏好，以识别缺失的POI签到。通过利用双向时空上下文和用户-POI时间模式，该模型在三个真实世界数据集上实现了最先进性能，显著优于现有方法在召回率和平均精度均值方面的表现。

ABSTRACT

Human mobility data accumulated from Point-of-Interest (POI) check-ins provides great opportunity for user behavior understanding. However, data quality issues (e.g., geolocation information missing, unreal check-ins, data sparsity) in real-life mobility data limit the effectiveness of existing POI-oriented studies, e.g., POI recommendation and location prediction, when applied to real applications. To this end, in this paper, we develop a model, named Bi-STDDP, which can integrate bi-directional spatio-temporal dependence and users' dynamic preferences, to identify the missing POI check-in where a user has visited at a specific time. Specifically, we first utilize bi-directional global spatial and local temporal information of POIs to capture the complex dependence relationships. Then, target temporal pattern in combination with user and POI information are fed into a multi-layer network to capture users' dynamic preferences. Moreover, the dynamic preferences are transformed into the same space as the dependence relationships to form the final model. Finally, the proposed model is evaluated on three large-scale real-world datasets and the results demonstrate significant improvements of our model compared with state-of-the-art methods. Also, it is worth noting that the proposed model can be naturally extended to address POI recommendation and location prediction tasks with competitive performances.

研究动机与目标

• 为解决真实世界移动数据中因缺失地理定位、不实签到和数据稀疏性等数据质量问题所带来的缺失POI签到识别挑战。
• 利用全局空间与局部时间信息，建模POI之间复杂的双向时空依赖关系。
• 通过结合目标时间模式与用户及POI特征，捕捉用户的动态签到偏好。
• 通过在统一的深度学习框架中融合时空依赖性与动态偏好，提升缺失POI签到识别的准确性。
• 通过将其扩展至POI推荐与位置预测任务并取得具有竞争力的性能，证明模型的泛化能力。

提出的方法

• Bi-STDDP采用双向全局空间与局部时间编码器，以在正向与反向时间方向上建模POI之间的复杂依赖关系。
• 该模型使用多层网络编码目标时间模式，整合用户与POI信息以捕捉动态签到偏好。
• 时空依赖表示与动态偏好嵌入被投影到共享潜在空间中，以实现联合建模。
• 通过学习的融合机制，将双向时空上下文与动态偏好特征相结合，生成最终预测。
• 整个模型在大规模真实世界签到数据集上使用梯度下降法进行端到端训练，损失函数为监督学习目标。
• 通过网格搜索优化超参数，如嵌入维度与隐藏单元数，最终选定$d=64$与$h=256$为最优设置。

实验结果

研究问题

• RQ1 如何有效建模POI之间的双向时空依赖性，以提升缺失POI签到识别性能？
• RQ2 用户的动态签到偏好（由时间模式与用户-POI交互塑造）在多大程度上能提升识别准确性？
• RQ3 与单向或仅局部建模相比，全局空间与局部时间信息的融合在识别缺失签到方面表现如何？
• RQ4 嵌入维度与隐藏单元数量等模型超参数对性能与稳定性有何影响？
• RQ5 所提出的模型能否有效扩展至POI推荐与位置预测等相关任务？

主要发现

• 在三个大规模真实世界数据集上，Bi-STDDP在Recall@K与MAP指标上显著优于最先进方法。
• 当嵌入维度$d$超过16时，模型性能趋于稳定，$d=64$被选为性能与效率之间的最优平衡点。
• 当隐藏单元数$h$超过32时，模型性能趋于稳定，$h=256$被选为最优设置。
• 窗口宽度$w=1$表现最佳，表明更长的序列会引入噪声而无法带来有意义的性能提升。
• 模型对超参数变化具有鲁棒性，在广泛参数范围内均保持高性能。
• Bi-STDDP可自然扩展至POI推荐与位置预测任务，并取得具有竞争力的性能，表明其具备良好的泛化能力。