Towards Effective Next POI Prediction: Spatial and Semantic Augmentation with Remote Sensing Data (ICDE 2024)
下一个兴趣点(POI)预测是基于位置的服务中的一项重要任务,但其复杂性来自于空间和语义意图的整合。这种融合受到历史偏好、主要地理位置和环境因素的影响,因此提出了重大挑战。此外,不均匀的POI分布进一步复杂化了下一步的POI预测过程。为了应对这些挑战,我们丰富了输入特征,并在两步预测框架内提出了一种有效的深度学习方法。我们的方法首先结合遥感数据,捕捉关键的环境背景,以增强关于位置和语义的输入特征。随后,我们采用区域四叉树结构整合城市遥感、道路网络和POI分布空间,旨在设计一种更连贯的城市空间图表示方法。利用这种方法,我们为用户的历史轨迹构建了QRP图,以封装历史旅行知识,从而通过全面的空间和语义洞察力增强输入特征。我们设计了不同的嵌入模块来编码这些特征,并采用注意机制来融合不同的编码。在两步预测过程中,我们首先通过预测用户偏好的瓷砖来识别潜在的空间区域,然后在预测的瓷砖中精确定位指定类型的特定poi。来自四个真实世界的基于位置的社交网络数据集的实证结果强调了我们提出的方法比竞争性基线方法的显著优势。
一个有趣的工作。
一 挑战的问题:
二框架
该综合框架包括三个部分:数据提取、特征嵌入和两步预测。 (详细再补充)