20-Modelling of Bi-Directional Spatio-Temporal Dependence & Users’ Preferences for Missing Check-in

[15] Xi, D., Zhuang, F., Liu, Y., Gu, J., Xiong, H., & He, Q. (2019). Modelling of Bi-Directional Spatio-Temporal Dependence and Users’ Dynamic Preferences for Missing POI Check-In Identification. Proceedings of the AAAI Conference on Artificial Intelligence, 33, 5458–5465. doi:10.1609/aaai.v33i01.33015458.

Abstract

Human mobility data accumulated from Point-of-Interest (POI) check-ins provides great opportunity for user behavior understanding. However, data quality issues (e.g., geolocation information missing, unreal check-ins, data sparsity) in real-life mobility data limit the effectiveness of existing POIoriented studies, e.g., POI recommendation and location prediction, when applied to real applications. To this end, in this paper, we develop a model, named Bi-STDDP , which can integrate bi-directional spatio-temporal dependence and users’ dynamic preferences, to identify the missing POI check-in where a user has visited at a specific time. Specifically, we first utilize bi-directional global spatial and local temporal information of POIs to capture the complex dependence relationships. Then, target temporal pattern in combination with user and POI informationare fed into a multi-layer network to capture users’ dynamic preferences. Moreover, the dynamic preferences are transformed into the same space as the dependence relationships to form the final model. Finally, the proposed model is evaluated on three large-scale real-world datasets and the results demonstrate significant improvements of our model compared with state-of-the-art methods. Also, it is worth noting that the proposed model can be naturally extended to address POI recommendation and location prediction tasks with competitive performances.

• 现实生活中的移动数据中的数据质量问题(例如，地理位置信息缺失、不真实签到、数据稀疏)限制了现有面向POI的研究(例如，POI推荐和位置预测)在应用于实际应用时的有效性。

• 基于此，我们建立了一个结合双向时空依赖和用户动态偏好的模型Bi-STDDP，来识别用户在特定时间访问的缺失的POI签到。

• 具体思路：1.首先利用POIs的双向全局空间和局部时间信息来捕获复杂的依赖关系。2.结合用户和POI信息，将目标时间模式输入到一个多层网络中，捕获用户的动态偏好。3.将动态偏好转化为与依赖关系相同的空间，形成最终模型。

• 最后，在三个大规模的真实世界的数据集上评估了所提出的模型，结果表明与最先进的方法相比，我们的模型有显著的改进。此外，值得注意的是，所提出的模型可以自然地扩展到具有竞争性能的POI推荐和位置预测任务。

---

个人小结：
  任务：识别用户在给定时间访问的缺失的POI签到
  思路：融合双向时空依赖和用户动态偏好

---

1. Introduction

  识别丢失的POI签到的重要性：

1. 首先，在原始的实际签到过程中经常会出现地理位置信息缺失，这会给用户的理解带来麻烦。
2. 其次，在真实的原始签到数据中有许多明显的不真实签到。例如，同一个用户的两个签到记录在地理距离上相差很远，但时间间隔很短。不真实的数据可能是由于设备故障或用户作弊而记录的。缺失的POI签到标识可以给出一个参考列表，并对数据进行初步过滤。
3. 第三，缺失的POI签到标识可以缓解用户理解的数据稀疏性问题。

---

  以往研究工作中存在的问题：1.没有模拟全局空间信息和时空依赖；2.从单一方向的角度利用过去的签到信息来预测或推荐未来

---

  我们的模型：双向时空依赖和用户动态偏好(Bi-directional Spatial and Temporal Dependence and users’Dynamic Preferences, Bi-STDDP) —— 识别缺失的POI签到

1. 利用给定时间前后的签到信息识别缺失POI签到 —— 双向
2. 融合了局部时间信息和全局空间信息，很好地建模了局部和全局上下文关系 —— 建模时空依赖
3. 目标时间模式结合用户和POI信息可以捕获用户的动态偏好 —— 建模用户动态偏好
4. 双向时空依赖+用户动态偏好→ 最终模型Bi-STDDP

---

3 方法

问题陈述

  设 U = { u 1 , u 2 ， … ， u N } U = \{u_1, u_2，…， u_N\} U={ u1​,u2​，…，uN​}是$N$个用户的集合， P = { p 1 , p 2 ， … ， p M } P = \{p_1, p_2，…， p_M\} P={ p1​,p2​，…，pM​}是$M$个POIs的集合。每个POI $p$与它的坐标 { x p , y p } \{x_p, y_p\} { xp​,yp​}相关联，每个用户$u$与签到列表 C u = { p t 1 u , p t 2 u ， … ， p t T u } C^u= \{p^u_{t_1}, p^u_{t_2}，…， p^u_{t_T}\} Cu={ pt1​u​,pt2​u​，…，ptT​u​}相关联，其中$p_{t_i}^u$表示用户$u$在时间$t_i$访问POI $p$。

  假设用户$u$的第$t$个签到$p_{t_t}$