DPLink: User Identity Linkage via Deep Neural Network From Heterogeneous Mobility Data 阅读笔记

DPLink: User Identity Linkage via Deep Neural Network From Heterogeneous Mobility Data WWW2019paper

位置轨迹数据对齐，属于基于内容的对齐任务。

 

摘要

本文提出了一种基于端到端深度学习的框架DPLink，用于完成从不同属性的服务中收集的异构移动数据的用户身份链接任务。DPLink由一个特征提取器组成，该特征提取器包括一个位置编码器和一个轨迹编码器，用于从轨迹中提取具有代表性的特征;特别地，我们提出了一种训练前策略，其任务很简单，即训练DPLink模型，以克服不同源迁移数据高度异构性所带来的训练困难。此外，我们还介绍了一种多模态嵌入网络

DPLink中一种用于处理移动数据低质量问题的协同注意机制。通过对两个具有八个基线的真实地面移动数据集进行大量实验，我们证明DPLink在命中率方面比最先进的解决方案高出15%以上。此外，它还可以扩展添加外部地理上下文数据，并能稳定地处理异构的噪声迁移痕迹。

 

介绍

在本文中，我们提出了一种基于端到端深度学习的框架DPLink，用于从异构性质的不同服务中收集移动数据，实现属于同一用户的id链接。DPLink由特征提取模块和比较器模块两大部分组成。特征提取器模块用于从输入的原始轨迹中提取矢量特征，并从不同数据源中提取轨迹之间的模型关系。下面的比较器模块实现为多层前馈网络，目的是得到提取的代表性轨迹特征向量的最终相似度评分。

模型

DPLink包含三个主要组件:位置编码器、轨迹编码器和比较器网络。首先由位置编码器对输入轨迹对进行处理，然后将其输入到轨迹编码器中，提取多层次的代表性特征。特别地，DPLink在轨迹编码器的末端使用了一个基于注意力的选择器来聚焦于轨迹对的相似部分，避免了丢失和噪声数据的潜在有害影响。最后，将生成的向量对(表示原始轨迹对)输入比较器网络，计算两个输入轨迹的相似度得分。

位置编码器如图所示，把地点，时间，行为编码后拼接起来。

 

跟踪所述位置编码器的是轨迹编码器，所述轨迹编码器包括用于提取单轨迹过渡级特征的循环编码器和用于提取轨迹对相关级特征的选择器。

轨迹编码器采用attention 机制。如下图所示

 

 

我们的模型以端到端方式工作，不需要手工制作特性。由于将用户标识任务转化为二分类问题，我们选择二叉熵损失作为目标损失函数。

学习好了，就是个分类任务。