概率贝叶斯式学习与长尾意识的轨迹-用户链接

科学领域:

• 在GeoAIAI上,你会发现.
• 数据科学数据科学数据科学
• 机器学习 机器学习

背景情况:

• 基于位置的社交网络 (LBSN) 产生了大量的用户登记数据,从而实现了移动模式分析.
• 轨迹-用户链接 (TUL) 旨在将未标记的轨迹与其创建者联系起来,这是GeoAI的一个关键任务.
• 用户登记中的"长尾现象",其中一些用户的登记次数很多,而另一些用户的登记次数很少,这对TUL准确性构成了重大挑战.

研究的目的:

• 提出一个新的概率贝叶斯学习解决方案,LongTUL,以解决轨迹-用户链接 (TUL) 中的长尾问题.
• 改进未标记的检查轨迹与相应的用户的准确关联,特别是对不太活跃的 (尾部) 用户.

主要方法:

• 开发了一种检查参与妥协 (CEC) 机制,以平衡用户在培训前的参与水平.
• 实施了一个概率轨迹学习 (PTL) 程序,使用变量贝叶斯来编码轨迹到潜空间.
• 应用于拉普拉斯近似的隐性表示,以减轻摊销错误和长尾效应.
• 设计了一个重量级分类器,以便在频繁 (头) 和不频繁 (尾) 用户之间进行公平的推断.

主要成果:

• 与现有的TUL解决方案相比,拟议的LongTUL方法显示出更高的性能.
• 长TUL有效地解决了长尾问题,大大提高了尾巴用户的分类准确性.
• 在三个现实数据集上的实验验验证了LongTUL方法的有效性.

结论:

• 长TUL为轨迹-用户链接提供了一个强大的解决方案,特别是在显示长尾现象的数据集中.
• 该方法通过准确地链接所有用户群体的轨迹来增强对移动模式的理解.
• 这项工作通过提供更公平,更准确的用户轨迹分析方法,有助于推进GeoAI.