Efficient Similarity Search for Travel Behavior

1 文章概述

文章使用heterogeneous information network描述出行者的出行轨迹信息以及出行语义信息，比如A早上7点到饭店，并在饭店呆了1个小时。然后基于meta-path刻画了任意两个user的similarity。
note：关于heterogeneous information network(异构信息网络)可以看下述两个链接，看完后便可以有一个大致的理解。
HIN简介
HIN简介并带有例子说明，看完可以较好了解HIN

2 具体内容及方法论

2.1 HIN网络

作者定义了HIN网络如下：包括出行者、出行到达地点、在到达地享受的服务、在到达地所花费的时间、edge（刻画了一种语义关系，比如$E_{ul}$描述的是一个出行者到了一个location，当然这个语义关系是可以自己定义的，并不是固定的，看的研究目标而决定了），权重（权重就是edge的定量化体现了，比如$W_{ls}$代表所在地提供的服务的种类数量，当然这个权重的数值是可以自己调整的，比如我也可以规定$W_{ls}$代表出行者在所在地花费的时间之类的，看自己需求定义。）文章中给了更详细的解释和例子，若要进一步理解可以看下文章。

2.2 SIMILARITY MEASUREMENT BASED ON A META-PATH

meta-path就是研究者自己规定的一种path，比如在这个研究中作者规定了下面3种meta-path，meta-path顾名思义其实就是一种mobility pattern。而符合这种meta-path的实际的出行轨迹信息就是一个instance，这个是很好理解的。

有了meta-path之后就可以针对一个具体的meta-path来定义两个user相对于这个meta-path的similarity，公式如下：

除了上述计算方式还存在下面一个迭代计算方法：

2.3 MUTI-PATH SIMTRAVEL (MPST) ALGORITHM

上述提到的是一种针对某一个meta-path的相似性度量，而很有可能不止一种meta-path，比如本研究中，作者就指定了3种mata-path，作者是如何基于3种mata-path来做两个user的相似性度量的呢？很简单就是做个加权和就完事了。

作者使用上述那个公式，$\alpha$是一个3维向量，每一个元素代表的意思是基于一个特定meta-path得到的相似性度量，其文章中的叫法是eigenvalue，3个eigenvalue组成了eigenvector。然后使用训练集，input就是eigenvector，以及两个user是否相似，相似就是1，否则为0，及Y，训练得到$\theta$。于是便得到一个系统，这个系统可以基于HIN判断任意两个user是否相似。

参考文献

Tang, L. , Zhao, Y. , Duan, Z. , & Chen, J. . (2018). Efficient similarity search for travel behavior. IEEE Access, PP, 1-1.
https://blog.csdn.net/asd136912/article/details/78434061
https://www.cnblogs.com/kexinxin/p/11692428.html