融合空间和文本信息的兴趣点类别表征模型

准确表征兴趣点(POI)类别(如大学、餐厅等)是理解城市空间、辅助城市计算的关键。现有的POI类别表征模型通常只挖掘用户在POI之间的移动行为并学习序列特征,而忽视了POI数据的空间特征和文本语义特征。为了解决上述问题,提出一种融合空间和文本信息的POI类别表征学习模型Cat2Vec。首先,利用POI的空间共现关系构建POI类别共现点互信息(PMI)矩阵;然后,基于预训练的文本表征模型学习POI的文本语义特征;最后,引入新的映射矩阵,并基于矩阵分解技术将PMI矩阵分解为POI类别表征矩阵、文本语义特征矩阵以及映射矩阵的内积。在两个真实世界的数据集Yelp和高德上进行的POI语义重叠度评测中,相较于基准模型中表现最好的Doc2Vec模型,所提模型的性能分别平均提高了5.53%和8.17%。实验结果表明所提模型能更有效地嵌入POI语义。

融合空间偏好和语义的个体活动识别方法

个体活动识别对用户画像、个性化推荐、异常行为检测、群体行为分析和基于活动的资源配置优化具有重要价值。提出了一种基于稀疏的社交媒体签到数据的个体活动语义识别方法,从签到数据中提取活动行为的时间周期性和趋势性特征,并采用空间偏好量化算法,从个体与群体活动的空间关联中提取群体和个体的空间访问偏好,使用自然语言嵌入工具BERT模型提取访问兴趣点的语义。时间特征、空间偏好特征和访问兴趣点名称语义特征共同构成表征群体、个体偏好的时空联合特征,通过极限梯度提升分类器对其进行分类,得到活动语义识别结果。在Foursquare数据集上的对比实验和消融实验中验证了所提活动语义识别模型可以有效提升活动语义识别的准确性。