通过混对比蒸网络和注意力机制来重新识别用户

科学领域:

• 计算机科学 计算机科学
• 数据科学数据科学数据科学
• 社交网络分析 社交网络分析

背景情况:

• 社交网络产生了大量的用户位置数据.
• 从这些数据中分析用户的移动模式提供了新的见解.
• 现有的轨迹重新识别方法存在局限性.

研究的目的:

• 开发一种用于轨迹重新识别的新型模型.
• 为了提高将未知轨迹与用户联系的准确性.
• 为了弥补分析轨迹间信息的差距.

主要方法:

• 提出了一个对比的蒸网络模型.
• 利用注意力机制来捕获潜在的语义信息.
• 整合了一个轨迹库,以实现高效的候选减少.

主要成果:

• 新模型有效地捕获了轨迹对之间的共同信息.
• 减少了重新识别候选轨迹的数量.
• 在三个真实世界的基于位置的社交网络数据集上实现了卓越的性能.

结论:

• 拟议的对比蒸网络显著提高了轨迹重新识别的准确性.
• 专注于轨迹间信息对于更好的分析至关重要.
• 该方法为了解用户移动模式提供了有希望的进步.