基于联合特征和XGBoost的活动语义识别方法

针对以往活动语义识别研究单纯提取时间维度上的序列特征以及周期特征、缺乏对空间信息的深度挖掘等问题,提出一种基于联合特征和极限梯度提升(XGBoost)的活动语义识别方法。首先,挖掘时间信息中的活动周期性特征和空间信息中的经纬度特征;然后,使用经纬度信息通过具有噪声的基于密度的聚类(DBSCAN)算法提取空间区域热度特征,将这些特征组成特征向量来刻画用户活动语义;最后,采用集成学习方法中的XGBoost算法建立活动语义识别模型。在FourSquare的两个公共签到数据集上,基于联合特征的模型比基于时间特征的模型在识别准确率上提高了28个百分点,与上下文感知混合(CAH)方法和时空活动偏好(STAP)方法对比,所提方法的识别准确率分别提高了30个百分点和5个百分点。实验结果表明所提方法与对比方法相比在活动语义识别问题上更加准确有效。

基于时空周期模式挖掘的活动语义识别方法

传统的活动语义识别研究侧重从时空轨迹的空间信息中提取人类的活动语义,对时空轨迹数据的时间特性挖掘不足。本文兼顾时间和空间特征,提出了一种基于周期模式挖掘的活动语义识别方法。首先将分离出的活动轨迹数据通过空间距离进行密度聚类分成不同轨迹簇;然后,根据轨迹簇的时序特征挖掘个体对特定位置的访问周期,基于该访问周期,并结合在该位置的停留时间,及其附近兴趣点分布等特征构建分类模型,识别人类个体的活动语义。基于签到数据和仿真数据的实验结果表明,结合周期特征的活动语义识别方法相比没有加入周期特征的实验结果有效提升识别精度20%以上,在2个相同的签到数据集下,对比其他的识别方法提升精度10%以上。

青年感知视角下北京打卡地活动语义及其转换特征研究

青年群体热衷于在网络平台以打卡的形式记录和分享生活,打卡地成为其出行游玩的热门目的地之一。用户所发布的对于打卡地的主观体验和感受,从群体层面上通过网络空间进行了重现、反复和聚集,进而改变打卡地的固有功能属性。本文以北京市六环内为研究区,对小红书中相关打卡地文章数据通过句向量表示与聚类,多层级关键词提取等方法得到打卡地的活动语义。在此基础上,通过丰富度及空间聚类方法分析打卡地功能-活动语义之间的转换及其空间分布特征。结果表明,打卡地的活动语义相较于功能语义更加复杂多样且体现人本视角。功能-活动语义的转换可总结为组合类、一致类和衍生类,语义转换特点与区域功能紧密相关,体现在历史文化融入、商业综合体互转和满足多元化需求等方面,进而空间分布呈现出聚集性和区域性。

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。

基于Petri网和UML活动图工作流建模比较

在工作流建模中Petri网和UML活动图各自发挥了十分重要的作用,然而对于其建模的适应性却没有充分的研究。通过对工作流管理系统的分析,认为工作流管理系统具有响应性、协作性和开放性特点。在给定适合工作流建模的UML活动图语义基础上,讨论了工作流建模的几个关键要素在Petri网和UML活动图下的建模比较。通过分析认为,Petri网更适合于封闭、主动系统的建模,UML活动图能够较为充分的适应开放、响应型系统的建模,Petri网较适合对稀有资源的建模。因此UML活动图更适合工作流这种开放、响应型系统建模。

社交网用户行为关系推演模型

如何发现具有紧密关系的用户并为其提供信息推荐服务,是目前学术界和工业界关于社交网用户行为关系研究的热点问题之一。迄今为止,大部分社交网用户行为关系研究主要局限于用户间"关注(follow)"行为上,导致用户间关系的发现尚不够准确和完善。在社交网应用之一的Twitter平台中,"@(mention)"关系相比于一般"关注"关系能更准确反映用户间紧密关系程度,因此提出了一种新的用户间相似关系,即UPBR(user pair behavior relationship)关系,该关系体现了在相近地理位置进行相似活动的语义行为,如餐饮、旅行、购物等;根据该关系提出了一种UPBR推演模型,即UPBR-IM,该模型一方面通过用户上传的@Tweet文本来推演用户语义行为活动相似性,另一方面则利用最大似然估计对文本发布位置进行概率最大化计算来推演用户物理位置相似性;最后结合二者结果判断用户间是否存在UPBR关系,从而实现高质量的信息推荐服务。扩展性的实验结果验证了该模型是可行和有效的。