m0_53547520的博客

摘要部分作者研究了 150 万人的 15 个月的人员流动数据，发现人员流动痕迹非常独特。作者的主要发现是四个时空点就可以识别95%的人，并且粗略的数据集也无法有效地保障用户的隐私性。

轨迹相似度计算是许多空间数据分析应用中的基本操作。在本文中，我们研究了空间网络上的轨迹相似度计算问题，其中对象之间的真实距离由网络距离反映。在空间网络上与以往学习轨迹在欧几里得空间中表示的研究不同，它不仅需要捕捉轨迹的序列信息，还需要捕捉空间网络的结构。为此，我们提出了 GTS，这是一个全新的框架，可以共同学习这两个因素，从而准确地计算相似度。它首先学习道路网络中每个兴趣点 (POI) 的表示以及轨迹信息。实现概况：通过在空间网络上的随机游走中结合 POI 和轨迹之间的距离以及损失函数来实现。

现有方法通常将 TUL 视为一个监督学习问题，需要大量标记的轨迹-用户对。然而，在实际场景中，由于数据隐私问题，用户可能不愿意公开他们的身份，从而导致标记轨迹用户对的稀缺。此外，轨迹数据通常是稀疏的，因为用户在去 POI 时并不总是签到。（1）标记的轨迹-用户对缺失（2）轨迹的签到点稀疏。然后作者提出了一个半监督学习框架。分为两个部分，第一部分是seq2seq部分，由编码器和解码器组成，主要用于完成轨迹补全。第二部分是体现半监督性质的对抗学习模块，由生成器和辨别器组成，主要用于完成用户与他生成的轨迹对应。

TUL问题的一个蒸馏学习解决方法。

S2TULS^2TULS2TUL由五个部分组成：1.轨迹级别的图构建模块。2.轨迹相关性建模模块。3.位置级别的顺序建模模块。4.分类层。5.一个测试用的贪心用户轨迹重连接模块。然后大概阐述了框架的原来。读完后我有三个问题：1.什么是将离散特征转为隐藏表征。2.什么是细粒度的轨迹内信息。3.什么是时间跨度重叠约束。解释：1.从轨迹级图构建出来时节点是离散的，通过RGCN将离散的节点表示映射到隐藏空间表示。

这篇文章发表于2021年的ICC 2021，电子科技大学。收获：1.通过应用GNN解决TUL问题。2.采取的网络结构是通过GNN网络提取embedding，然后传入分类 器中进行分类。分类器采用BiLSTM提取双向时序特征，最后放入 多层感知机进行分类。3.作者关注了更多签到点的特征信息，比如时间因素，地理位置因 素，用户访问偏好，天气因素绝对也是原因之一。

Trajectory-User Linking (TUL) 是一项相对较新的移动分类任务，其中将匿名轨迹链接到生成它们的用户。随着从个性化推荐到犯罪活动检测的应用，TUL 在过去五年中受到越来越多的关注。虽然研究主要集中在学习捕获个人用户独有的复杂时空移动模式的深度表示，但我们证明访问模式在用户之间是高度独特的，因此直接应用于原始数据的简单启发式方法足以解决 TUL。更具体地说，我们证明了每个轨迹的一次签到足以在高达 85% 的时间内正确预测用户的身份。