Popularity-aware spatial keyword search on activity trajectory-阅读笔记

阅读笔记

摘要

科技的发展，轨迹数据的收集越来越方便

介绍活动轨迹的广泛应用和研究价值

本文提出了一个活动轨迹搜索方法 TkSK

能发现更多信息，用户活动轨迹能反映地点和用户喜好的关系。

本文的综合解决方案：

• 新的相似函数
• 混合索引结构
• 高效搜索算法
• 进一步优化

1 简介

介绍当前研究现状:

• 设计有效的活动轨迹索引结构
• 高效搜索算法
• 从活动轨迹中挖掘特征和信息

不足：只关注原始时空特征

但是，近年来基本位置信息应用的不断兴起，如

• Foursquare 可以给地点添加信息

• Facebook Place， Bikely

• Flickr 给地点上传图片，图片内嵌信息

赋予了轨迹相关的语义信息，这些大大丰富了活动轨迹数据库，活动轨迹信息无处不在
地点和多媒体信息：文本，图片，视频等关联了起来

本文中：活动轨迹是a finite sequence of timestamped locations（带有各种标签）
标签也可通过图片内容识别获取

搜索问题：
空间检索，正文检索

POI:信息点

旅行中，地点间关联的可行性和优先级
根据活动轨迹可以过滤一些不可行的活动地点组合，根据体验和距离因素

难点：

• 相似函数

  搜索时，把地点和受欢迎程度考虑进去
  三个因素:距离，关键词，词语流行度

• 检索方法（主要难点）

  空间相似度和是否同属于一个活动也要考虑进去
  ITB-tree，拓展了TB-tree，修剪，使用了辅助信息

• 查询效率

  1. 检索顺序
  2. 检索程度（到什么时候）

  新：启发式搜索，改进策略，停止条件

2 问题定义

2.1 模型及定义

Semantic Place

有意义的地理位置点，如房屋设施，地标，POI

Activity Trajectory

T = (P1，P2，P3，...，Pn) Pi=(x，y，t，sp，A)为时空点(x，y，t)、Semantic Place，A相关注释
A = (w1，w2，……)

Keyword Popularity

pw(sp):轨迹中包含sp上包含关键词w的次数

keyword query-Q=(x，y，tw，qw，a) tw:一个时间窗口 qw:一组关键词  a:比重

Similarity

T和Q的相似程度，和轨迹中最大距离，关键词最大流行程度有关
最后对每个关键词的相似程度求加权平均，获得总体的相似程度

$S(\tau,Q) = \frac{1}{|q\omega|}\sum_{\omega\in q\omega}S_{\omega}(\tau,Q)$

把所有关键词的相似度相加，再除以关键词的个数

单个关键词中，查询和轨迹的相似度为

$S_\omega(\tau,Q)=\mathop{max}\limits_{P\in\tau,P.t\in t\omega} \begin{cases} \alpha(1-\frac{d(P,Q)}{D_{max}})+(1-\alpha)\frac{\rho_\omega(P.sp)}{\rho_\omega},& \text{if $\omega \in$ P.A}\\ 0,& \text{otherwise} \end{cases}$

1. $D_{max}是两个轨迹中两点间的最大距离$,使用1-标准化距离是因为距离越大，相似度越低，而词语流行度越高，相似度越高
2. $\rho\omega是关键词\omega的最大流行度$
3. $\frac{\rho_\omega(P.sp)}{\rho_\omega}$称为 relative keyword popularity(相当于标准化)
4. 因为两个变量都进行了标准化，范围都是(0,1],所以S的取值范围是(0,1]

这里没有考虑otherwise中的情况？

Problem Statement

TkSK算法，输入D,Q,k，返回k个相似度得分最高的轨迹

2.2 Baseline algorithm

MBR

1. 用R-tree做索引
2. 维护一个堆 H， 把结果(Trajectory_id ，score)保存到 list C（通过score排序）
3. 在无法得到比C中k个元组更高score时停止

upper bound function:

$S_{ub}(H,Q) = \alpha · (1-\frac{d_{min}(N_t ,Q)}{D_{max}})+(1-\alpha)$

3 检索结构

R树的介绍

1. R-tree:把每个路径集当作独立点的集合
2. Baseline算法是distance-oriented strategy，但是在本相似函数中，距离不是唯一标准

3.1 预备知识:TB-tree

使用R-tree的前提假设是所有的点都是独立的。
TB树的数据结构是严格按照保存轨迹数据的形式而构建的，如叶子节点只包含属于同一轨迹的点。

3.2 混合索引结构 ITB-tree

ITB树的叶子节点N (tid，mbr，ifile)

• tid:唯一标识
• mbr:节点的最小包含边界，3D矩形
• ifile:指向被索引关键词的文件，其中包含一个哈希表，用于索引关键词。

非叶子节点N (cp，mbr，ifile)

• cp:指向子节点的指针列表
• mbr:所有子节点的最小边界
• ifile:同上

4 搜索过程

搜索框架：

---

• 初始化
• 把根节点添加到堆里面
• 遍历树
  
  • 取出堆顶部元素到N
  • 如果N的时间窗口和查询条件重合，并且含有查询关键词
    
    • 如果N不是叶子节点
      
      • 把N添加到堆
    • 否则
      
      • 用N.tid更新候选轨迹
      • 更新结果集
  • 满足提前退出条件则退出循环
• 返回结果

---

4.1 启发式搜索

根据权值的不同，搜索路径随时调整
ITB-tree和查询的相似度定义

$F(N,Q)=\frac{1}{q\omega}\mathop{\sum}\limits_{\omega\in q\omega} F_\omega(N,Q)$

$F_\omega(N,Q)= \begin{cases} \alpha(1-\frac{d_{min}(N,Q)}{D_{max}})+(1-\alpha)\frac{N.file[\omega]}{\rho\omega} &\text{$if \ \omega\in N.file$}\\ 0, &\text{otherwise} \end{cases}$

4.2 细化

对每个活动路径进行评分计算，通过二分选择的方法，能尽可能早地达到结束条件
使用visited标记，避免重复访问

优化

搜索优化

• 含有相同轨迹越少的越有可能具有更高的相似度
• fw(N) = 1+ 1/(Cw(N)) Cw(N)是节点N中含有关键词w的不同轨迹个数

实验

环境配置

数据：

• 轨迹数据
  GeoLife project,包括北京用户的working,shopping,dining,sports
• POI
  DIANPING.COM
  Google Search
  取10个关键词

性能

• k

相关工作

总结