基于图神经网络和异构信息的兴趣点分类

基于移动网络的快速发展,饿了么、美团等这一类基于位置的社交网络在我们日常生活中日益普及,随即积累了大量的用户在兴趣点的签到数据、评论这就激发了许多研究者对兴趣点进行各种研究,例如兴趣点分类、推荐任务但现有众多的研究都是基于评论数据,进而把兴趣点分类转化为文本分类,而忽略兴趣点的其他信息,例如兴趣点的名称信息。针对以上问题,提出结合兴趣点名称和评论文本的信息,为城市兴趣点构建一个异构图网络,利用图卷积神经网络模型进行兴趣点分类:实验证明,所提出的异构图模型,充分利用这两种异质信息,并相对于基准模型不仅保持其准确率,还提高训练性能,在现实世界的真实数据中有着良好的表现。

基于随机词汇迭代模型的POI分类检索

从特征选择、局部区域划分和词汇语义相似性计算入手,利用随机词汇迭代模型(random terms iterative model,RTIM)进行海量兴趣点(point of interest,POI)文本分类。通过词汇频度、集中度和离散度方法筛选出特征词汇;依据文本与各POI类别间的相似度进行局部区域划分;在每个局部区域内基于词汇在文本中的排列顺序构建词频向量,基于词频向量中词频的随机删除和重构,获取特征映射矩阵;通过特征映射矩阵将文本转为特征向量,并采用SVM分类器进行POI文本分类。实验证明,该方法有效提升了POI文本分类准确性和覆盖率。