خلاصه

با محبوبیت روزافزون برنامه های کاربردی رسانه های اجتماعی مبتنی بر مکان، توصیه نقطه مورد علاقه (POI) در سال های اخیر مهم شده است. چندین تکنیک، به‌ویژه روش‌های مبتنی بر فیلترینگ مشترک (CF)، زنجیره مارکوف (MC)، و شبکه‌های عصبی مکرر (RNN)، اخیراً برای سرویس پیشنهادی POI پیشنهاد شده‌اند. با این حال، روش‌های مبتنی بر CF و روش‌های مبتنی بر MC برای نشان دادن روابط تعاملی پیچیده در توالی‌های بررسی تاریخی بی‌اثر هستند. اگرچه شبکه‌های عصبی مکرر (RNN) و انواع آن با موفقیت در توصیه‌های POI به کار گرفته شده‌اند، آن‌ها به حالت پنهان کل گذشته بستگی دارند که نمی‌تواند به طور کامل از محاسبات موازی در یک دنباله بررسی استفاده کند. برای رفع این محدودیت های بالا، ما یک شبکه کانولوشن مولد متسع فضایی-زمانی (ST-DCGN) برای توصیه POI در این مطالعه پیشنهاد می‌کنیم. در ابتدا، با الهام از مدل Google DeepMind’ WaveNet، ما یک شبکه مولد پیچیده متسع ساده اما بسیار موثر را به عنوان راه حلی برای توصیه POI معرفی می کنیم که می تواند با استفاده از یک پشته، توالی پیچیده ورود کوتاه و بلند مدت کاربر را مدل سازی کند. لایه‌های پیچش علت گشاد شده و ساختار بلوک باقی‌مانده سپس، ما پیشنهاد می‌کنیم که ترجیحات فضایی کاربر را با مدل‌سازی فواصل جغرافیایی پیوسته به دست آوریم، و ترجیحات زمانی کاربر را با در نظر گرفتن دو نوع الگوی تناوبی زمانی (یعنی ساعت‌ها در روز و روزها در هفته) به دست آوریم. علاوه بر این، ما یک ارزیابی عملکرد گسترده با استفاده از دو مجموعه داده دنیای واقعی در مقیاس بزرگ، یعنی Foursquare و Instagram انجام دادیم. نتایج تجربی نشان می‌دهد که مدل ST-DCGN پیشنهادی برای مشکلات توصیه‌های POI مناسب است و می‌تواند به طور موثر وابستگی‌ها را در و بین دنباله‌های بررسی وارد کند. مدل پیشنهادی با زمان آموزش کمتر در کار توصیه POI به دقت پیشرفته‌ای می‌رسد.

کلید واژه ها:

توصیه نقطه مورد علاقه ; انبساط علّی ; بلوک باقی مانده ؛ ترجیح فضایی ؛ ترجیح زمانی

1. معرفی

در طی چند سال گذشته، با رشد سریع دستگاه‌های تلفن همراه و خدمات شبکه‌های اجتماعی مبتنی بر مکان (LBSN)، این سرویس‌ها کاربران زیادی را جذب کرده‌اند تا مکان‌ها و تجربیات خود را با مقادیر انبوهی از داده‌های ثبت نام جمع‌آوری شده به اشتراک بگذارند. حجم عظیمی از داده‌های ورود و اطلاعات زمینه‌ای فرصت‌هایی را برای تحقیق در مورد رفتار حرکتی انسان در مقیاس بزرگ به ارمغان آورد [ 1 ، 2 ]. توصیه نقطه مورد علاقه (POI) نقش مهمی در LBSN ها ایفا می کند زیرا می تواند ترجیحات کاربران را برای ارائه پیشنهادات ارزشمند به کاربران پیش بینی کند و به آنها کمک کند تا تصمیمات کافی در برنامه های روزمره و برنامه ریزی سفر خود اتخاذ کنند [ 3 ، 4 ].شکل 1نمونه‌ای از توصیه‌های POI را با توجه به داده‌های توالی ورود کاربران نشان می‌دهد. وظیفه پیش‌بینی POI یک کاربر است که در یک نقطه زمانی خاص بازدید می‌کند، با استخراج اولویت‌های مکان کاربر و الگوهای حرکت. این وظیفه معنادار و مهم است، زیرا نه تنها به کاربران کمک می کند مکان های جالبی را کشف کنند تا تعامل خود را با خدمات مبتنی بر مکان افزایش دهند، بلکه فرصت هایی را برای ارائه دهندگان خدمات LBSN ایجاد می کند تا درآمد خود را از طریق تبلیغات شخصی افزایش دهند [ 5 ]. بنابراین، تحقیق در مورد توصیه های POI توجه گسترده ای را از حوزه های دانشگاهی و صنعتی به خود جلب کرده است [ 6 ، 7 ، 8 ، 9 ].
برخلاف مواردی مانند اخبار، ویدیوها و موسیقی در سیستم‌های توصیه‌گر بدون زمینه سنتی، داده‌های بررسی سابقه کاربر بر تعامل بین کاربر و POI در دنیای فیزیکی دلالت دارد [ 10 ]. بنابراین، اطلاعات مکانی، مانند فاصله جغرافیایی، تأثیر قابل توجهی بر فعالیت‌های روزانه و رفتارهای ورود کاربر خواهد داشت. برای مثال، مردم ترجیح می‌دهند به مراکز تجاری یا باشگاه‌های ورزشی اطراف بروند، زیرا چنین تصمیمی نسبت به حضور در مکان‌های مشابه در فاصله‌ای دورتر از نظر زمان کارآمدتر است. مطابق قانون اول جغرافیای توبلر [ 11] که “همه چیز به هر چیز دیگری مربوط است، اما چیزهای نزدیک بیشتر از چیزهای دور مرتبط هستند”، POIهای مجاور از نظر جغرافیایی بیشتر از POIهای دور مرتبط هستند. در ادبیات، تأثیر فضایی عمدتاً با استفاده از فاصله بین دو POI مدل‌سازی شده است. علاوه بر این، بسیاری از مطالعات موجود نشان داده‌اند که یک رابطه قوی بین فعالیت‌های ورود کاربر و فواصل جغرافیایی وجود دارد [ 12 ، 13 ]. علاوه بر این، زمینه زمانی و روابط متوالی نیز عوامل مهمی هستند که بر فعالیت‌های بررسی زندگی واقعی انسان تأثیر می‌گذارند [ 7 ، 14 ، 15 ، 16 ]] به دلیل حساسیت زمانی توصیه POI. به عنوان مثال، مردم به طور مکرر بعد از کار در روزهای هفته به باشگاه می‌روند و همچنین می‌توانند در آخر هفته‌ها شب‌ها از سینما دیدن کنند. این همچنین نشان دهنده ویژگی های دوره ای رفتارهای ورود کاربران است، به عنوان مثال، ساعات مختلف در یک روز یا روزهای مختلف در هفته. علاوه بر این، روابط متوالی ورود نیز باید در نظر گرفته شود. به عنوان مثال، بیشتر مردم ممکن است بخواهند پس از رسیدن به فرودگاه، به جای باشگاه بدنسازی، یک هتل پیدا کنند. بنابراین، چگونگی دریافت مؤثر وابستگی‌های کوتاه و بلند کاربر از یک توالی ورود به حساب نیز مشکل جالبی است که باید مورد بررسی قرار گیرد. با این حال، چگونگی پیش‌بینی دقیق ترجیح رفتار حرکتی کاربر با توجه به ویژگی‌های بافتی پیچیده مکانی-زمانی و الگوهای متوالی هنوز یک مسئله چالش برانگیز است.
روش‌های پیشنهادی POI در مطالعات متعددی به کار گرفته شده‌اند که اکثر آنها بر اساس فیلتر مشارکتی (CF) [ 17 ] و زنجیره‌های مارکوف (MC) [ 18 ] هستند. با این حال، روش‌های سنتی CF مبتنی بر کاربر، روش‌های CF مبتنی بر آیتم، و روش‌های CF مبتنی بر فاکتورسازی ماتریسی (MF) برای رسیدگی به دنباله‌های دوربرد و ترکیب مؤثر ویژگی‌های مختلف دشوار است، زیرا آنها فقط تعاملات خطی یا مرتبه پایین بین را یاد می‌گیرند. امکانات. علاوه بر این، روش‌های مبتنی بر MC استقلال قوی را در بین اجزای مختلف فرض می‌کنند و تنها از آخرین POI هنگام مدل‌سازی توالی‌های ورود استفاده می‌کنند. اخیراً، روش‌های مبتنی بر یادگیری عمیق، به‌ویژه روش‌های مبتنی بر RNNs، در توصیه‌های POI به کار گرفته شده‌اند و مؤثر فرض شده‌اند [ 10 ،13، 19 ]. روش‌های مبتنی بر RNN از سایر روش‌های توصیه POI بهتر عمل می‌کنند، زیرا می‌توانند وابستگی‌های دوربرد را به طور موثر یاد بگیرند. علاوه بر این، برخی از مطالعات ادغام اطلاعات زمینه‌ای مکانی-زمانی را در ساختار RNN برای افزایش عملکرد توصیه‌های POI در نظر می‌گیرند [ 20 ، 21 ]. در حالی که RNN ها و انواع آن توانایی قابل توجهی در مدل سازی توالی های ورود نشان داده اند، این روش های مبتنی بر RNN به حالت پنهان کل گذشته بستگی دارد که نمی تواند به طور موثر از محاسبات موازی در یک دنباله ورود استفاده کند و تعاملات سطح بالا را به طور کامل یاد بگیرد. بین ویژگی ها [ 22]. در نتیجه، این مسائل به ناچار RNN ها را تحت تأثیر قرار می دهند تا عملکرد خود را هنگام اعمال توصیه های POI بهبود بخشند.
برای پرداختن به مسائل شناسایی شده در مطالعات موجود، با الهام از مدل WaveNet [ 23 ]، ما یک شبکه کانولوشن مولد متسع فضایی-زمانی یا به اختصار ST-DCGN را به عنوان راه حلی برای توصیه POI پیشنهاد می کنیم. چارچوب روش پیشنهادی در شکل 2 نشان داده شده است . این مدل نه تنها مدل سازی روابط متوالی دوربرد پیچیده را برای به دست آوردن ترجیحات متوالی کاربر در نظر می گیرد، بلکه الگوهای حرکت جغرافیایی پیوسته و الگوهای تناوبی زمانی را نیز برای به دست آوردن ترجیحات مکانی-زمانی شخصی شده کاربر در نظر می گیرد. از آزمایش‌های خود، مشاهده می‌کنیم که مدل ما از الگوریتم‌های پیشرفته در دو مجموعه داده در دسترس عموم، یعنی Foursquare [ 24 ] و Instagram [ 25 ] بهتر عمل می‌کند.]. در پایان، مشارکت های ما به شرح زیر خلاصه می شود:
  • ما یک چارچوب پیشنهادی جدید POI را بر اساس مدل WaveNet پیشنهاد کردیم، که در آن از مدل مولد شرطی و پیچیدگی‌های علّی متسع برای فعال کردن میدان‌های دریافتی بسیار بزرگ‌تر و مدل‌سازی توالی بررسی دوربرد پیچیده استفاده می‌شود. این چارچوب نه تنها به عملکرد توصیه‌های بالاتری دست می‌یابد، بلکه به نظر می‌رسد در مقایسه با روش‌های پیشنهادی POI پیشرفته، سطح پایین‌تری از پیچیدگی مدل دارد.
  • با توجه به اهمیت اطلاعات متنی مکانی-زمانی، ما ترجیحات فضایی شخصی کاربر را با مدل‌سازی فواصل جغرافیایی پیوسته به دست می‌آوریم، و ترجیحات زمانی شخصی کاربر را با مدل‌سازی شناسه‌های زمانی پیوسته خاص، که الگوها را در دو مقیاس زمانی یکپارچه می‌کنند (به عنوان مثال، ساعت‌ها در روز و روز در هفته).
  • ما آزمایش‌هایی را برای مطالعه ویژگی‌های مکانی-زمانی رفتار ورود کاربران بر روی دو مجموعه داده واقعی انجام دادیم و ST-DCGN را با هفت رویکرد پایه توصیه POI مقایسه کردیم و آزمایش‌های گسترده نشان داد که ST-DCGN مؤثر بوده و عملکرد بهتری از وضعیت نشان می‌دهد. روش های مدرن به طور قابل توجهی
بقیه این مقاله به شرح زیر سازماندهی شده است: مطالعات مرتبط موجود به طور مختصر در بخش 2 بررسی شده است. جزئیات روش ST-DCGN ما در بخش 3 ارائه شده است. آزمایش ها و نتایج روش پیشنهادی در بخش 4 نشان داده شده است. در نهایت، نتیجه گیری و کار آینده در بخش 5 ترسیم شده است.

2. کارهای مرتبط

در این بخش، کار مرتبط را از دو جریان روش، روش‌های توصیه POI مبتنی بر یادگیری عمیق و مرسوم بررسی می‌کنیم.

2.1. روش‌های پیشنهادی POI مرسوم

توصیه POI به طور گسترده در زمینه LBSN ها مورد بررسی قرار گرفته است. اکثر راه حل های قبلی ترجیحات کاربر برای POI را با استفاده از روش های مبتنی بر CF آموختند. CF مبتنی بر کاربر و تکنیک های CF مبتنی بر آیتم به طور گسترده برای توصیه POI مورد سوء استفاده قرار می گیرند [ 6 ، 7 ]. به عنوان مثال، Ye et al. [ 6 ] ابتدا رویکردهای مبتنی بر کاربر و آیتم‌ها را برای توصیه POI با استفاده از تکنیک‌های CF پیشنهاد کرد، که فرض بر این بود که کاربران مشابه سلیقه‌های مشابهی برای مکان‌ها دارند و کاربران به POIهای مشابه علاقه مند هستند. علاوه بر این، محققان دیگر از تکنیک CF مبتنی بر مدل مانند MF برای توصیه POI در LBSN ها استفاده کردند [ 5 ، 8 ، 17 ، 26]، که ترجیحات موقعیت مکانی بالقوه کاربران را با فاکتورسازی یک ماتریس POI کاربر به دو ماتریس با رتبه پایین جستجو می کرد، که هر کدام نشان دهنده عوامل پنهان کاربران یا POI هستند.
متفاوت از سیستم‌های توصیه‌گر سنتی، سیستم‌های توصیه‌گر POI باید تأثیر جغرافیایی، تأثیر زمانی، تأثیر متوالی یا سایر ویژگی‌ها (به عنوان مثال، روابط اجتماعی، بررسی‌ها، دسته‌ها و غیره) را در نظر بگیرند [ 8 ، 21 ]. ثابت شده است که تأثیر جغرافیایی یک عامل مهم در توصیه POI [ 13 ] است، جایی که بسیاری از مطالعات موجود عمدتاً بر روی یکپارچه‌سازی اطلاعات جغرافیایی به دلیل همبستگی قوی بین فعالیت‌های کاربران و فاصله جغرافیایی تمرکز دارند. روش‌های موجود برای مدل‌سازی نفوذ جغرافیایی عمدتاً از چندین نوع توابع توزیع فضایی مانند تابع قانون توان، توزیع گاوسی چند مرکزی یا مدل تخمین چگالی هسته استفاده می‌کنند [ 17 ]., 26 , 27 , 28 ]. برای مثال، چنگ و همکاران. [ 17 ] توضیح داد که کاربران همیشه از POI های اطراف در اطراف چندین مرکز بازدید می کردند (یعنی محبوب ترین POI)، بنابراین آنها تأثیر جغرافیایی را از طریق مدل سازی احتمال ورود کاربر در یک مکان به عنوان یک مدل گاوسی چند مرکزی (MGM) دریافت می کنند. ). علاوه بر این، ژانگ و همکاران. [ 28 ] با استفاده از یک رویکرد تخمین چگالی هسته، تأثیر جغرافیایی شخصی‌شده را به‌دست آورید. لیان و همکاران [ 26] یک مدل GeoMF برای گنجاندن اطلاعات جغرافیایی در MF پیشنهاد کرد و از یک تخمین تراکم هسته دو بعدی برای توصیف تأثیر جغرافیایی در فاصله استفاده کرد. نتایج این کارها اثربخشی ترکیب بافت فضایی در توصیه‌های POI را نشان داد.
تأثیر زمانی برای مدل‌سازی رفتار ورود کاربران توسط مطالعات اخیر مؤثر ثابت شده است [ 5 ، 7 ، 14 ]. به عنوان مثال، یوان و همکاران. [ 7 ] استدلال کرد که ترجیحات بازدید کاربران برای برخی مکان ها تناوب زمانی را نشان می دهد. بنابراین، آنها زمان را به شکاف‌های ساعتی تقسیم کردند و روش توصیه‌ای با آگاهی از زمان را پیشنهاد کردند. گائو و همکاران [ 14 ] چهار استراتژی انباشتگی زمانی را برای یکپارچه‌سازی اولویت‌های ورود کاربر به حالت‌های زمانی مختلف پیشنهاد کرد. علاوه بر این، برخی از مطالعات بر کاربرد اطلاعات محتوایی مانند اطلاعات اجتماعی و سایر ویژگی‌ها در LBSN برای توصیه POI نیز تمرکز دارند. به عنوان مثال، لی و همکاران. [ 29] یک رویکرد توصیه یکپارچه POI ارائه کرد که از ارتباطات جغرافیایی، اجتماعی و طبقه‌بندی بین کاربران و POIها بهره‌برداری می‌کرد. یانگ و همکاران [ 30 ] هم اعلام حضورها و هم نظرات مکان‌ها را در توصیه‌های مکان در نظر گرفت و یک چارچوب ترکیبی برای به دست آوردن یک مدل ترجیحی یکپارچه از هر دو بررسی و راهنمایی پیشنهاد کرد. با این حال، اکثر رویکردها در مدل سازی روابط پیچیده در داده های ترتیب ورود شکست خورده اند.
علاوه بر روش‌های سنتی CF، روش‌های متوالی برای توصیه POI در نظر گرفته شده‌اند و بیشتر بر زنجیره‌های مارکوف متکی هستند. متیو و همکاران [ 31 ] یک رویکرد ترکیبی مبتنی بر مدل‌های پنهان مارکوف پیشنهاد کرد که تاریخ‌های مکان را بر اساس ویژگی‌های آنها خوشه‌بندی می‌کند و بعداً یک HMM را برای هر خوشه آموزش می‌دهد. چنگ و همکاران [ 18 ] یک مدل فاکتورسازی ماتریسی، یعنی FPMC-LR، پیشنهاد کرد که هم زنجیره مارکوف شخصی شده و هم مناطق موضعی را که وظیفه توصیه POI را حل می‌کنند، شامل شود. با این حال، فرض قوی مارکوف زیربنایی این روش ها در ایجاد رابطه مؤثرتر بین اجزای مختلف مشکل دارد.

2.2. روش های توصیه POI مبتنی بر یادگیری عمیق

یادگیری عمیق، توسعه یافته در علوم کامپیوتر، به طور گسترده در بسیاری از زمینه های تحقیقاتی، مانند بینایی کامپیوتر [ 32 ، 33 ]، پردازش زبان طبیعی [ 34 ، 35 ]، و تشخیص گفتار [ 36 ، 37 ] استفاده شده است. همچنین، بسیاری از تکنیک‌های یادگیری عمیق اخیراً برای سیستم‌های توصیه POI اعمال شده‌اند که ممکن است معماری توصیه‌های سنتی را تغییر دهد و فرصت‌های جدیدی را برای بهبود دقت توصیه‌شده به ارمغان بیاورد [ 38 ]. به عنوان مثال، چند کار قبلی از Word2vec [ 39 ] برای مدل‌سازی رفتار حرکتی انسان استفاده کردند [ 40 ، 41 ].
اخیراً روش‌های مبتنی بر RNN توجه قابل‌توجهی را به خود جلب کرده و در مدل‌سازی تاریخچه متوالی و انتقال کاربر قدرتمندتر شده‌اند. به عنوان مثال، لیو و همکاران. [ 19 ] ابتدا RNN را به پیش‌بینی مکان بعدی آوردند، جایی که آنها از یک شبکه عصبی بازگشتی زمانی و مکانی (ST-RNN) برای مدل‌سازی بافت‌های زمانی و مکانی محلی در هر لایه با ماتریس‌های انتقال خاص زمانی برای بازه‌های زمانی مختلف و فاصله خاص استفاده کردند. ماتریس های انتقال برای فواصل جغرافیایی مختلف کنگ و همکاران [ 42 ] یک مدل حافظه بلند مدت – مکانی – زمانی – سلسله مراتبی (HST-LSTM) ساخت که به طور طبیعی تأثیر مکانی – زمانی را در LSTM ترکیب کرد تا مشکل پراکندگی داده ها را کاهش دهد. ژائو و همکاران [ 20] یک شبکه ST-LSTM را برای توصیه POI بعدی پیشنهاد کرد، که فواصل مکانی-زمانی بین ورودها را تحت معماری LSTM مدلسازی کرد تا رفتار بازدید کاربر را یاد بگیرد. کوی و همکاران [ 13 ] یک شبکه Distance2Pre برای پیش‌بینی POI بعدی پیشنهاد کرد، و می‌تواند ترجیحات فضایی را برای مدل‌سازی همبستگی فاصله کاربر استخراج کند. علاوه بر این، برخی از محققان مدل های توجه را در RNN ها ادغام کرده اند و به عملکرد بهتری دست یافته اند. به عنوان مثال، هوانگ و همکاران. [ 10 ] یک شبکه LSTM فضایی-زمانی مبتنی بر توجه (ATST-LSTM) را برای توصیه POI بعدی توسعه داد، که سوابق ثبت نام تاریخی مربوطه را در یک ترتیب ورود به طور انتخابی با استفاده از اطلاعات زمینه مکانی-زمانی در نظر گرفت. فنگ و همکاران [ 43] یک مدل تحرک توجهی به نام DeepMove پیشنهاد کرد که تحرک انسان را از مسیرهای طولانی و پراکنده پیش بینی می کرد. با این حال، روش‌های مبتنی بر RNN‌های بالا به حالت پنهان کل گذشته بستگی دارد که نمی‌تواند به طور موثر از محاسبات موازی در یک دنباله چک کردن استفاده کند. این همچنین منجر به محدودیت سرعت در فرآیند آموزش و ارزیابی مدل می شود [ 22 ].
در مقابل، ساختار با استفاده از شبکه عصبی کانولوشنال (CNN) به محاسبه هر مرحله زمانی در تاریخچه توالی بستگی ندارد، اما کار کمی برای توصیه POI با استفاده از ساختار CNN وجود دارد. وانگ و همکاران [ 44 ] یک توصیه جدید POI مبتنی بر محتوای بصری مبتنی بر CNN را پیشنهاد کرد (VPOI)، که محتویات بصری را در یک مدل احتمالی برای یادگیری ویژگی‌های پنهان کاربر و POI گنجانده بود، اما آنها فقط از چارچوب CNN در هنگام استخراج ویژگی‌ها از تصاویر استفاده کردند. علاوه بر این، تانگ و همکاران. [ 45] با مدل‌سازی اقدامات اخیر به‌عنوان یک «تصویر» در میان زمان، ابعاد نهفته و یادگیری الگوهای متوالی با استفاده از فیلترهای کانولوشنال، یک مدل پیشنهادی جاسازی توالی کانولوشن پیشنهاد کرد. ساختارهای RNN را رها کرد و نشان داد که این توصیه‌کننده مبتنی بر CNN می‌تواند به عملکرد برتر نسبت به مدل محبوب RNN در کار توصیه متوالی Top-N دست یابد. یوان و همکاران [ 22] یک شبکه مولد کانولوشنال ساده، کارآمد و بسیار مؤثر برای توصیه مورد بعدی پیشنهاد کرد، که قادر به یادگیری نمایش سطح بالا از وابستگی های کوتاه و بلند مدت آیتم بود. با این حال، دو روش توصیه توالی بالا، اطلاعات زمینه مکانی و زمانی را در نظر نمی گیرند، و آنها راه حل های تخصصی برای توصیه های POI نیستند. برخلاف مطالعات موجود، کار ما تأثیر جغرافیایی و تأثیر زمانی را به روشی شخصی‌شده در یک شبکه مولد کانولوشنال متسع فضایی-زمانی در نظر می‌گیرد تا ترجیحات متوالی کاربر و ترجیحات مکانی-زمانی را به تصویر بکشد.

3. روش پیشنهادی

در این بخش، ابتدا به مشکل شناسایی شده توصیه POI پرداختیم و سپس رویکرد خود را برای به دست آوردن اولویت مکانی و زمانی شخصی سازی شده و اجزای ST-DCGN، که شامل پردازش اولویت مکانی-زمانی شخصی، یک مدل تولیدی ساده تحت شرایط مکانی-زمانی، یک لایه تعبیه شده، گشاد شده توضیح دادیم. لایه های پیچیدگی علی و یک لایه نهایی.

3.1. فرمول مسأله

اجازه دهید U={تو1،تو2،⋯،تومتر}و ایکس={ایکس1،ایکس2،⋯،ایکسn}به ترتیب مجموعه m کاربر و n POI باشد. هر POI دارای یک شناسه منحصر به فرد و مختصات جغرافیایی است که شامل طول و عرض جغرافیایی می شود. برای کاربر u ، یک دنباله اعلام حضور که نشان می‌دهد تاریخچه ورود کاربر به ترتیب زمانی مرتب شده است، که با نشان داده می‌شود ایکستو={ایکس1تو،ایکس2تو،⋯،ایکستیتو}. با توجه به ترتیب ورود هر کاربر ایکستو، هدف از توصیه POI پیش بینی محتمل ترین POI است ایکستی+1کاربری که در زمان بعدی از آن بازدید خواهید کردتی+1.

3.2. اولویت مکانی-زمانی شخصی

در این بخش، توالی‌های ورود را مدل‌سازی می‌کنیم و ترجیحات مکانی-زمانی شخصی‌شده را با در نظر گرفتن تأثیرات جغرافیایی و الگوهای دوره‌ای زمانی ثبت می‌کنیم. مطالعات اخیر نشان می دهد که حرکت پیوسته جغرافیایی و الگوهای تناوبی زمانی برای توصیه های POI مهم هستند [ 10 ، 13 ، 16 ، 19 ].

3.2.1. اولویت فضایی شخصی

کارهای قبلی نشان می‌دهد که توزیع قانون توان و توزیع گاوسی چند مرکزی می‌تواند اطلاعات جغرافیایی را با استفاده از رکورد ثبت ورود تاریخی کلی کاربران نشان دهد [ 7 ، 17 ]. اگرچه آنها منعکس کننده تفاوت های جغرافیایی رفتار ورود کاربر هستند، اما تفاوت های شخصی کاربر را در رفتار ورود نادیده می گیرند. برای مدل‌سازی بهتر رفتار ورود شخصی‌شده کاربر، از فواصل جغرافیایی ورود مداوم کاربر برای مدل‌سازی ترجیح فضایی شخصی‌شده استفاده می‌کنیم. به طور خاص، ما فواصل بین دو POI متوالی را محاسبه می‌کنیم که همه کاربران بررسی می‌کنند و این فاصله‌ها را به سطل‌های مجزا ترسیم می‌کنند، برای مثال، همانطور که در شکل 3 نشان داده شده است ، جایی که Δس1به بازه نگاشت می شود Δدبه 2Δد، و Δس3به بازه نگاشت می شود 2Δدبه 3Δد، بنابراین هر مقدار فاصله دیگر را می توان به طور مشابه به یک بازه خاص نگاشت کرد. در طرح خود، باید یک مقدار را تعریف کنیم Δدبرای نشان دادن فاصله بین‌های گسسته، در مورد اثرات تنظیمات پارامتر، در آزمایش‌ها به آنها خواهیم پرداخت.

ما ترتیب ورود هر کاربر را تغییر می دهیم ایکستو={ایکس1تو،ایکس2تو،⋯،ایکستیتو}به دنباله ای با طول ثابت Eایکستو={ایکس1تو،ایکس2تو،⋯،ایکسکتو}، جایی که k نشان دهنده حداکثر طولی است که در نظر می گیریم. اگر طول دنباله بزرگتر از k باشد ، ما فقط جدیدترین رکوردهای ثبت ورود k را در نظر می گیریم . اگر طول دنباله کمتر از k بود، موارد بالشتکی را به سمت چپ اضافه می‌کردیم تا طول به k تبدیل شود. بنابراین، می‌توانیم دنباله‌های فاصله جغرافیایی پیوسته با طول ثابت را بدست آوریم Eاستو={r1تو،r2تو،⋯،rکتو}، و ماتریس فاصله جغرافیایی پیوسته برای همه کاربران m به شرح زیر ارائه شده است.

Eاس=[r11r21⋯rک1r12r22⋯rک2⋯⋯⋯⋯r1مترr2متر⋯rکمتر]
3.2.2. اولویت زمانی شخصی شده

کارهای قبلی نشان داده است که رفتار ورود کاربران ویژگی های دوره ای را نشان می دهد [ 7 ، 16 ]. به عنوان مثال، کاربران تمایل دارند از ساعت 18:00 تا 20:00 عصر سه شنبه و پنجشنبه در اطراف باشگاه مراجعه کنند، اما ترجیح می دهند برای خرید در روز شنبه از ساعت 15:00 تا 17:00 به بازار مراجعه کنند. بنابراین، می‌توان الگوی تناوبی زمانی را به دو مقیاس تقسیم کرد: ساعت‌های مختلف در یک روز و روزهای مختلف در هفته. برای ثبت دو الگوی دوره ای از رفتارهای ورود کاربران، ما یک طرح نمایه سازی زمان دو برشی [ 16 ] را معرفی می کنیم. همانطور که در شکل 3 نشان داده شده است ، ابتدا دنباله مهر زمانی را بدست می آوریم {تی1تو،تی2تو،⋯،تیکتو}مطابق با ترتیب ورود کاربر {ایکس1تو،ایکس2تو،⋯،ایکسکتو}و سپس هر مهر زمان را تقسیم کنید تیمنتودر بازه زمانی مشخص یک هفته و یک روز. به طور خاص، یک مهر زمانی از نظر روز هفته و ساعت به دو بخش تقسیم می شود. علاوه بر این، ما یک هفته را به هفت روز (یعنی یکشنبه تا شنبه) و یک روز را به 24 ساعت (یعنی 1 تا 24) تقسیم می کنیم. سپس از 3 بیت برای نشان دادن روز در یک هفته و 5 بیت برای تعیین ساعت در یک روز استفاده می کنیم. در نهایت، کد باینری را به یک رقم اعشاری منحصر به فرد به عنوان شناسه زمان تبدیل می کنیم. در این طرح نمایه سازی زمانی، می توانیم به دست آوریم تی=7 ×24=168برش های زمانی شکل 4 روند رمزگذاری یک مهر زمانی نمونه را نشان می دهد، “2016-08-29 23:29:12”. بنابراین، می‌توانیم دنباله‌های ID زمان پیوسته با طول ثابت را بدست آوریم Eتیتو={تی1تو،تی2تو،⋯،تیکتو}، و ماتریس ID زمان پیوسته برای همه m کاربران به صورت زیر ارائه شده است.

Eتی=[تی11تی21⋯تیک1تی12تی22⋯تیک2⋯⋯⋯⋯تی1مترتی2متر⋯تیکمتر]

3.3. یک مدل مولد تحت شرایط مکانی و زمانی

در این بخش، یک مدل مولد جدید را معرفی می‌کنیم که مستقیماً بر روی ترتیب ورود کاربر عمل می‌کند. راه حل ارائه شده در اینجا از ایده WaveNet [ 23 ] الهام گرفته شده است، یک مدل تولیدی برای صدای خام بر اساس معماری PixelCNN [ 46 ]. WaveNet یک چارچوب عمومی و انعطاف‌پذیر برای مقابله با بسیاری از برنامه‌هایی که بر تولید صدا متکی هستند (به عنوان مثال، متن به گفتار، موسیقی، بهبود گفتار، تبدیل صدا، جداسازی منبع) ارائه می‌کند. به طور مشابه، ما توالی بررسی سابقه کاربر را در نظر می گیریم Eایکستو={ایکس1تو،ایکس2تو،⋯،ایکسکتو}، یک مدل با پارامتر داده می شود θ. هدف ما خروجی مقدار بعدی است ایکس^ک+1تومشروط به تاریخچه توالی ورود. اجازه دهید پ(Eایکستو|θ)احتمال مشترک ترتیب ورود باشد {ایکس1تو،ایکس2تو،⋯،ایکسکتو}; علاوه بر این، ما می توانیم فاکتورسازی کنیم پ(Eایکستو|θ)به عنوان حاصل ضرب احتمالات شرطی توسط قانون زنجیره ای به شرح زیر است:

پ(Eایکستو|θ)=∏من=1کپ(ایکسمن+1تو|ایکس1تو،⋯،ایکسمنتو،θ)

که در آن نمونه POI ایکسک+1توبنابراین مشروط به نمونه های تمام POI های قبلی است {ایکس1تو،ایکس2تو،⋯،ایکسکتو}.

همانطور که گفته شد، ما اطلاعات زمینه مکانی و زمانی را در توصیه POI در نظر گرفتیم. بنابراین، توالی فاصله جغرافیایی پیوسته را نیز در نظر می گیریم Eاستو={r1تو،r2تو،⋯،rکتو}و توالی های ID زمان پیوسته Eتیتو={تی1تو،تی2تو،⋯،تیکتو}به عنوان ورودی های مشروط، هنگام پیش بینی ترتیب ورود کاربر Eایکستو={ایکس1تو،ایکس2تو،⋯،ایکسکتو}. علاوه بر این، می‌توانیم توزیع شرطی را مدل کنیم پ(Eایکستو|θ)از ترتیب ورود با توجه به این ورودی ها. اکنون معادله (3) تبدیل می شود

پ(Eایکستو|θ)=∏من=1کپ(ایکسمن+1تو|ایکس1تو،⋯،ایکسمنتو،r1تو،r2تو،⋯،rمنتو،تی1تو،تی2تو،⋯،تیمنتو،θ)

که در آن توزیع احتمال شرطی با استفاده از لایه‌های پشته‌ای از پیچش‌های متسع مدل‌سازی می‌شود که بعداً توضیح خواهیم داد.

3.4. جاسازی لایه جستجو

با توجه به ترتیب ورود مداوم کاربر، مدل هر یک از اولین k POI را بازیابی می کند.Eایکستو={ایکس1تو،ایکس2تو،⋯،ایکسکتو}از طریق یک جدول جستجو، و این جاسازی‌های POI را در کنار هم قرار دهید. به طور مشابه، ما با توالی فاصله جغرافیایی پیوسته کاربر سر و کار داریم Eاستو={r1تو،r2تو،⋯،rکتو}و دنباله شناسه زمان Eتیتو={تی1تو،تی2تو،⋯،تیکتو}همزمان. با فرض اینکه بعد تعبیه 2 d است، جایی که d می تواند به عنوان تعداد کانال های داخلی در شبکه کانولوشن تنظیم شود، ما سه ماتریس جاسازی ایجاد می کنیم. Eایکس”تو∈ℝک×2د، Eاس”تو∈ℝک×2د، و Eتی”تو∈ℝک×2دبه ترتیب برای POI ها، فواصل جغرافیایی و شناسه های زمانی. با الهام از کار قبلی [ 22 ]، روش پیشنهادی ما لایه جاسازی را از طریق فیلترهای کانولوشن یک بعدی خواهد آموخت. به طور خاص، ماتریس دو بعدی (یعنی Eایکس”تو، Eاس”توو Eتی”تو) از تغییر شکل یافته است ک×2دبه a 1×ک×2دتانسور سه بعدی شکل 5 روند تغییر شکل را نشان می دهد.

3.5. لایه پیچیدگی های علتی متسع

چندین اشکال آشکار در فرآیند عملیات کانولوشن سنتی برای پردازش مشکلات پیش‌بینی توالی وجود دارد، به عنوان مثال، (1) برخی از اطلاعات متوالی در طول فرآیند ادغام از بین خواهند رفت. (2) یک پیچیدگی علّی استاندارد ساده تنها قادر است میدان دریافتی را با اندازه خطی در عمق شبکه افزایش دهد. همانطور که در شکل 6 نشان داده شده است، رسیدگی به وابستگی طولانی مدت توالی تاریخچه ورود، چالش برانگیز است . بنابراین، با الهام از کار اولیه روی مدل‌سازی گفتار [ 23 ]، راه‌حل ما در اینجا ساختن مدل مولد پیشنهادی با استفاده از الگوریتم پیچیدگی علّی گشاد شده است که یک میدان دریافتی به‌طور نمایی بزرگ را قادر می‌سازد. شکل 7 پیچیدگی علی گشاد شده با اندازه فیلتر را نشان می دهد g نشان می دهد= 3 و فاکتورهای اتساع l = 1، 2، 4، 8. می بینیم که پیچیدگی گشاد شده پیچشی است که در آن فیلتر روی ناحیه ای بزرگتر از طول آن با پرش از مقادیر ورودی با یک مرحله خاص اعمال می شود. این معادل یک کانولوشن با یک فیلتر بزرگتر است که از فیلتر اصلی با اتساع آن با صفر بدست می آید، اما به طور قابل توجهی کارآمدتر است زیرا از پارامترهای کمتری استفاده می کند. بنابراین، عملیات کانولوشنال گشاد شده می‌تواند بدون استفاده از لایه‌های شبکه بیشتر، توالی‌های ورود طولانی‌مدت کاربران را بهتر مدیریت کند.
علاوه بر این، در زمان تمرین، احتمالات مشروط برای همه مراحل زمانی را می توان به صورت موازی محاسبه کرد زیرا تمام مراحل زمانی توالی های ورود مشخص است. توجه داشته باشید که بر خلاف مدل‌های مبتنی بر RNN که به حالت پنهان کل تاریخچه ورود بستگی دارد، نمی‌تواند به طور کامل از مکانیزم موازی استفاده کند. در نتیجه، مزیت محاسباتی مدل های CNN توسط سیستم های توصیه POI ترجیح داده می شود.

به طور رسمی تر، با توجه به یک ورودی توالی یک بعدی ایکس∈ℝکو یک فیلتر f:{0،1،⋯،g-1}→ℝ، پیچیدگی گشاد شده یک بعدی F روی عنصر s دنباله به صورت تعریف می شود

اف(س)=(ایکس∗لf)(س)=∑من=0g-1f(من)⋅ایکسس-ل⋅من

که در آن f تابع فیلتر، g اندازه فیلتر، l ضریب اتساع، و س-ل·منجهت گذشته را به حساب می آورد. واضح است که الگوریتم کانولوشن علّی گشاد شده می‌تواند وابستگی‌های دنباله ورود طولانی‌مدت را بدون استفاده از لایه‌های شبکه بیشتر و فیلترهای بزرگ‌تر بهتر دریافت کند. در عمل، برای افزایش بیشتر میدان های پذیرنده و ظرفیت مدل، فقط باید ساختار پیچش گشاد شده در شکل 7 را با انباشته کردن تکرار کنیم (به عنوان مثال، 1، 2، 4، 8، 1، 2، 4، 8).

همانطور که در [ 22 ] بحث شد، به منظور یادگیری بازنمایی ویژگی های سطح بالاتر از وابستگی های توالی دوربرد، یک روش بصری افزایش تعداد لایه ها در شبکه ما است. با این حال، در عمل نیز به راحتی منجر به مشکل تخریب می شود که روند تمرین را بسیار سخت تر می کند. برای حل این مشکل، ما اتصالات باقیمانده [ 33 ، 47 ] را در روش خود معرفی می کنیم. همانطور که در شکل 7 و شکل 8 ب نشان داده شده است، یک بلوک باقیمانده شامل دو شاخه است. یک شاخه تبدیل لایه ورودی E به F از طریق یک سری از لایه‌های شبکه، از جمله پیچیدگی علت گشاد شده با نرمال‌سازی لایه [ 48 ] است.]، فعال سازی (به عنوان مثال، ReLU [ 49 ])، و 1 × 1 کانولوشن در یک ترتیب خاص. شاخه دیگر یک طرح مستقیم از ورودی E است. نقشه برداری باقیمانده اف(E)را می توان به صورت زیر محاسبه کرد:

E1=دبلیو1(آرهLU(ϕ(E)))+ب1
E2=دبلیو2(آرهLU(ϕ(E1)))+ب2
اف(E)=دبلیو3(آرهLU(ϕ(E2)))+ب3

جایی که ϕنشان دهنده عادی سازی لایه است. W 1 , W 2 , W 3 , b 1 , b 2 و b 3 مجموعه ای از وزن ها و بایاس ها برای بلوک باقیمانده هستند. به طور خاص، W 2 تابع وزن پیچیدگی علت گشاد شده با اندازه فیلتر g = 3 و فاکتورهای اتساع l = 1، 2، 4، 8 را نشان می دهد. W 1 و W 3 نشان دهنده تابع وزن پیچشی استاندارد 1×1 است.

نگاشت مورد نظر اکنون دوباره به آن تبدیل شده است اف(E)+Eبا افزودن عنصری این به طور موثر به لایه‌ها اجازه می‌دهد تا تغییرات نقشه‌برداری هویت را به جای کل تحول بیاموزند، که در ادبیات قبلی مفید بودن آن در شبکه‌های عمیق‌تر ثابت شده است [ 22 ، 33 ، 47 ]. در چارچوب خود، ما تأثیرات جغرافیایی و الگوهای دوره‌ای زمانی را با مدل‌سازی اطلاعات مکانی و زمانی خاص می‌گیریم. بنابراین، ما باید دنباله فاصله جغرافیایی پیوسته و دنباله شناسه زمانی خاص را در شبکه خود ادغام کنیم. همانطور که در شکل 8 الف نشان داده شده است، ورودی ترتیب ورود Eایکس”توو شرایط مکانی و زمانی خاص (به عنوان مثال، Eاس”توو Eتی”تو) از طریق کانولوشن علّی متسع ذوب می شوند و با اتصالات پرش پارامتری شده در لایه اول جمع می شوند. نتیجه لایه اول ورودی در لایه کانولوشن متسع بعدی با یک اتصال باقیمانده از ورودی به خروجی کانولوشن است ( شکل 8 ب را ببینید). به جای اتصال باقیمانده استاندارد، ما از اتصال پرش پارامتری شده در لایه اول استفاده می‌کنیم و به صورت پویا پارامترهای وزن را تنظیم می‌کنیم تا اطمینان حاصل کنیم که مدل ما به درستی روابط لازم بین پیش‌بینی و هر دو ورودی ترتیب ورود و شرایط مکانی-زمانی خاص را استخراج می‌کند. شرطی شدن در دنباله فاصله جغرافیایی پیوسته Eاس”توو دنباله شناسه زمانی خاص Eتی”توبا محاسبه تابع فعال سازی کانولوشن در لایه اول به صورت زیر انجام می شود:

E=آرهLU(wایکس∗لE”ایکستو+بایکس)+آرهLU(wr∗لE”استو+بr)+آرهLU(wتی∗لE”تیتو+بتی)

جایی که wایکس، wr، و wتیفیلتر کانولوشن قابل یادگیری هستند، ∗لنشان دهنده یک عملگر پیچیدگی و E نشان دهنده نتیجه همجوشی دنباله چند متغیره است.

3.6. آموزش لایه نهایی و شبکه

قبلاً اشاره کردیم که ماتریس در آخرین لایه معماری پیچیدگی سببی گشاد شده دارای اندازه ابعادی مشابه ورودی E است (یعنی E∈ℝک×2د) اما نتیجه ای که ما نیاز داریم باید توزیع احتمالی باشد که شامل همه POI ها در دنباله خروجی باشد، که در آن توزیع احتمال مورد نظر است که لیست توصیه های POI بالا را ایجاد می کند. در چنین نمایی، از یک لایه کاملا متصل با ماتریس وزن استفاده می کنیم دبلیوg∈ℝ2د×n. همانطور که گفته شد، هدف ما این است که احتمال شرطی را به حداکثر برسانیم (معادله 4). واضح است، به حداکثر رساندن لog پ(Eایکستو|θ)از نظر ریاضی معادل به حداقل رساندن مجموع از دست دادن آنتروپی متقاطع باینری برای هر آیتم در {ایکس1تو،ایکس2تو،⋯،ایکسکتو}. علاوه بر این، ما از استراتژی نمونه گیری منفی (به عنوان مثال، softmax نمونه برداری شده [ 50 ]) استفاده می کنیم تا از محاسبه توزیع های نرم افزاری کامل برای آموزش شبکه اجتناب کنیم.

4. نتایج تجربی و تجزیه و تحلیل

در این بخش، آزمایش‌های گسترده‌ای برای مقایسه مدل ST-DCGN پیشنهادی ما با چندین رویکرد پیشنهادی POI پیشرفته انجام می‌شود. در ابتدا، دو مجموعه داده در دسترس عموم به تفصیل توصیف و تحلیل می‌شوند. سپس روش های پایه و معیارهای ارزیابی معرفی می شوند. در نهایت، نتایج تجربی به طور کامل نشان داده شده‌اند، که شامل عملکرد توصیه و تأثیر پارامترهای فوق‌العاده است. به طور خلاصه، کار ما سعی دارد به سؤالات تحقیق زیر پاسخ دهد:
RQ1 : آیا روش پیشنهادی ما می‌تواند بهتر از خطوط پایه پیشرفته در دقت وظایف توصیه‌های POI عمل کند؟
RQ2 : آیا ST-DCGN از سایر شبکه های عصبی عمیق (به عنوان مثال، GRU، Distance2Pre، ST-RNN) در کارایی برای وظایف توصیه POI بهتر عمل می کند؟
RQ3 : پارامترها چگونه بر عملکرد مدل ما تأثیر می‌گذارند، مانند اندازه جاسازی، عرض پنجره‌های فضایی و طول توالی؟

4.1. توصیف و تجزیه و تحلیل مجموعه داده ها

آزمایش‌های ما بر روی دو مجموعه داده بررسی‌شده LBSN در دسترس عموم انجام شد. اولین مورد بررسی‌های Foursquare است که از آوریل 2012 تا فوریه 2013 در شهر توکیو جمع‌آوری شد [ 24 ]. دومین مورد، چک‌این‌های اینستاگرام است که از ژوئن 2011 تا نوامبر 2016 در شهر نیویورک جمع‌آوری شد. 25 ]]. هر دو مجموعه داده، غنای کافی از ورود کاربر را فراهم می کنند. هر ورود شامل شناسه کاربر، شناسه POI و مهر زمانی است. برای هر دو مجموعه داده، POIهایی را که کمتر از پنج کاربر بررسی کرده بودند و کاربرانی که کمتر از پنج POI را بررسی کرده بودند، حذف کردیم تا نویز را کاهش دهیم و مشکلات پراکندگی داده را کاهش دهیم. علاوه بر این، ما همچنین داده‌های ورود بدون مهر زمان را در مجموعه داده اصلی اینستاگرام حذف کردیم و داده‌هایی را از اکتبر ۲۰۱۵ تا سپتامبر ۲۰۱۶ به‌عنوان مجموعه داده آزمایشی خود استخراج کردیم. پس از پیش پردازش، آمار دو مجموعه داده در جدول 1 نشان داده شده است. مشابه برخی از کارهای قبلی [ 12 ، 18 ]، ما تأثیر جغرافیایی و الگوهای دوره ای زمانی دو مجموعه داده را بیشتر تحلیل کردیم.
شکل 9همه توزیع ورود کاربران را در دو مجموعه داده نشان می دهد، و می توانیم متوجه شویم که توزیع های ورود در دو مجموعه داده به طور قابل توجهی متفاوت بود. به طور خاص، برای هر دو مجموعه داده، توزیع ورود کاربران در برخی مناطق داغ متمرکز بود، اما توزیع چک در چهار ضلعی بیشتر از اینستاگرام پراکنده بود، که ممکن است به دلیل توزیع متفاوت نقاط داغ باشد. این پدیده بیشتر الگوهای فضایی شهرهای مختلف را آشکار کرد. علاوه بر این، ما بیشتر تأثیر جغرافیایی بر رفتار ورود پی در پی کاربران را بررسی کردیم. به منظور توضیح شهودی بیشتر تأثیر فاصله جغرافیایی در رفتارهای ورود کاربران،شکل 10 الف، ب. نتایج در شکل 10 a نشان می دهد که رفتارهای ورود کاربران ارتباط جغرافیایی بالایی دارد زیرا هر دو منحنی CDF برای دو مجموعه داده زمانی که فاصله کم است به سرعت افزایش می یابد. به طور خاص، این پدیده در شکل 10 ب بیشتر مشهود است زیرا دو بررسی متوالی کاربر را در نظر می گیرد. تجزیه و تحلیل فوق نشان می دهد که لازم است اثر فاصله رفتارهای ورود مداوم در الگوریتم توصیه POI در نظر گرفته شود. بنابراین، ما سعی کردیم از فاصله جغرافیایی پیوسته برای گرفتن ترجیحات فضایی شخصی و الگوهای حرکتی کاربر استفاده کنیم.
ما بیشتر دو الگوی دوره ای زمانی رفتارهای ورود کاربران را بررسی کردیم. به طور خاص، برای دو مجموعه داده، ما احتمال ورود کاربران را در زمان های مختلف در یک روز و روزهای مختلف در هفته با محاسبه فرکانس های ورود در بازه های زمانی مربوطه، به ترتیب، همانطور که در شکل 11 نشان داده شده است، مقایسه کردیم . بر اساس نتایج در شکل 11 ، ما دریافتیم که دو مجموعه داده الگوهای زمانی متفاوت و عادات زندگی متفاوتی را در مناطق مختلف نشان می‌دهند. به طور خاص، برای مجموعه داده Foursquare، شکل 11a نشان می دهد که اعلام حضور در روزهای هفته عمدتاً بین ساعت 8:00 تا 9:00 و 19:00 تا 20:00 متمرکز بوده است، در حالی که تعطیلات آخر هفته عمدتاً در ساعت 17:00 تا 18:00 متمرکز بوده است که همچنین نشان دهنده ویژگی های دوره ای است. رفتار ورود کاربران برای مجموعه داده اینستاگرام، تفاوت در الگوی زمان ورود در روزهای هفته و آخر هفته نسبتاً کم بود، اما همچنان تفاوت‌هایی در الگوهای ورود در دوره‌های زمانی مختلف وجود داشت. به طور خلاصه، ویژگی های دوره ای زمانی قابل توجهی از رفتار ورود کاربر وجود دارد. بنابراین، ما سعی کردیم از کدگذاری شناسه زمانی خاص استفاده کنیم تا ترجیحات زمانی شخصی و الگوهای دوره ای کاربران را به تصویر بکشیم.

4.2. رویکردهای پایه

برای ارزیابی اثربخشی روش پیشنهادی ما، ما ST-DCGN را با رویکردهای پایه نماینده زیر برای توصیه POI مقایسه کردیم.
  • رتبه‌بندی شخصی بیزی (BPR): این کار معیار بهینه‌سازی عمومی BPR-OPT را ارائه می‌کند که از حداکثر تخمین‌گر خلفی برای رتبه‌بندی شخصی‌شده بهینه [ 51 ] مشتق شده است. BPR یک روش پایه کلاسیک برای توصیه عمومی POI است.
  • GRU: RNN برای کار توصیه POI موثر است، و ما یک توسعه RNN به نام GRU را برای گرفتن وابستگی طولانی مدت اعمال کردیم [ 52 ].
  • FPMC-LR: یک روش زنجیره مارکوف پیشرفته برای توصیه POI. این روش بر اساس زنجیره مارکوف مرتبه اول طراحی شده است و از همسایگان به عنوان نمونه های منفی استفاده می کند [ 18 ].
  • PRME-G: یک روش تعبیه متریک پیشرفته برای توصیه POI، و فاصله مکانی به عنوان وزن در نظر گرفته می شود [ 12 ].
  • Caser: یک روش استاندارد دو بعدی مبتنی بر CNN برای توصیه‌های متوالی top-N شخصی شده [ 45 ]، و ما Caser را در توصیه POI به کار بردیم.
  • Distance2Pre: یک مدل پیشرفته مبتنی بر GRU برای پیش‌بینی POI، که اولویت مکانی را با مدل‌سازی فواصل بین POIهای متوالی بدست می‌آورد [ 13 ].
  • ST-RNN: یک مدل مبتنی بر RNN پیشرفته برای توصیه POI [ 19 ]، که هر دو زمینه انتقال زمانی و مکانی محلی را در بر می گیرد.

4.3. معیارهای ارزیابی و تنظیم آزمایش

با بهترین دانش ما، Recall@ k ، F1-score@ k، و NDCG@ k (به ترتیب با R@ k ، F1@ k، و NDCG@ k مشخص می‌شوند ) سه معیار k بالا محبوب هستند که برای ارزیابی نتایج توصیه‌های POI استفاده می‌شوند. مانند [ 2 ، 8 ، 13 ، 19 ]. در این تحقیق سه معیار به صورت زیر فرموله شده است:

آر@ک=1ن∑تو=1ن|آرتو(ک)∩تیتو||تیتو|
اف1@ک=1ن∑تو=1ن2⋅(|آرتو(ک)∩تیتو|/ک)⋅(|آرتو(ک)∩تیتو|/|تیتو|)(|آرتو(ک)∩تیتو|/ک)+(|آرتو(ک)∩تیتو|/|تیتو|)
نDسیجی@ک=1ن∑تو=1ن1Yتو∑n=1ک2rهلn-1ورود به سیستم2(ک+1)

که در آن k تعداد POI های توصیه شده به کاربر را نشان می دهد. ما R@ k ، F1@ k، و NDCG@ k را با k = 5، 10، و 20 در آزمایش‌های خود گزارش می‌کنیم. آرتو(ک)لیست Top- k توصیه شده به کاربر را نشان می دهد. تیتونشان دهنده تعداد POI هایی است که کاربر بازدید کرده است. rهلnارتباط n امین نقطه به کاربر را نشان می دهد. Yتوحداکثر مقدار DCG کاربر u را نشان می دهد.

علاوه بر این، تمام آزمایش‌ها از طریق Python 3.5 و TensorFlow بر روی یک واحد پردازش گرافیکی (GPU)، NVIDIA GeForce RTX 2080Ti اجرا شد. برای مجموعه داده Foursquare، نرخ یادگیری و اندازه دسته ای به ترتیب 0.001 و 30 تعیین شد. برای مجموعه داده اینستاگرام، نرخ یادگیری و اندازه دسته ای به ترتیب 0.001 و 40 تعیین شد. با الهام از مطالعات قبلی [ 13 ، 21 ، 22]، ما نتایج توصیه POI را با استفاده از ارزیابی ترک یک بیرون ارزیابی کردیم. به طور خاص، ما از آخرین POI (یعنی بعدی) هر ترتیب ورود به عنوان داده آزمایش و POI باقی مانده به عنوان داده آموزشی استفاده کردیم. علاوه بر این، تمام روش‌های پایه در دو مجموعه داده ذکر شده مجدداً پیاده‌سازی شدند و پارامترهای مربوطه با توجه به پیکربندی بهینه در مقاله اصلی تنظیم شدند.

4.4. عملکرد توصیه

عملکرد مدل پیشنهادی ما ST-DCGN و شش خط پایه بر روی مجموعه داده های چهار ضلعی و اینستاگرام ارزیابی شده توسط R@ k ، F1@ k و NDCG@ k به ترتیب در شکل 12 و شکل 13 نشان داده شده است . RQ1). ما چندین یافته را به شرح زیر فهرست کردیم: (1) بدیهی است که ST-DCGN پیشنهادی ما از همه رویکردهای پایه شناسایی شده در مجموعه داده های Foursquare و Instagram بهتر عمل کرد، نشان می دهد ST-DCGN برای کار توصیه POI موثر است. (2) هر دو BPR و GRU از روش‌های دیگر عقب افتادند زیرا آنها فقط تعاملات کاربر-POI را بدون در نظر گرفتن هیچ گونه اطلاعات زمینه‌ای برای مدل‌سازی رفتار ورود کاربران مدل می‌کنند. علاوه بر این، شایان ذکر است که GRU همیشه عملکرد بهتری نسبت به BPR به‌ویژه در مجموعه داده‌های Foursquare نداشته است. این نتیجه نشان می دهد که یک معماری شبکه عصبی خوب (یعنی سلول RNN) برای به دست آوردن دقت عالی در کار توصیه POI کافی نیست، بنابراین ما باید زمینه های مکانی و زمانی بیشتری را در نظر بگیریم. (3) در مقایسه با BPR و GRU، FPMC-LR و PRME-G اطلاعات جغرافیایی و ترتیبی را ادغام کردند و از استراتژی های مختلف بهینه سازی مبتنی بر رتبه بندی بهره بردند. بنابراین، عملکرد آنها در دو مجموعه داده به وضوح بهتر بود، که نشان می‌دهد مدل‌سازی زمینه‌های فضایی واقعاً برای توصیه POI مفید است. (4) Caser عملکرد بسیار بهتری نسبت به GRU به دست آورد و این نتیجه مزیت استفاده از معماری CNN را نشان می دهد. اگرچه Caser هیچ اطلاعات زمینه مکانی و زمانی را ادغام نمی کند، اما همچنان از FPMC-LR بهتر عمل می کند، زیرا FPMC-LR فقط زنجیره مارکوف مرتبه اول را مدلسازی می کند در حالی که Caser روابط مرتبه بالا را ضبط می کند. (5) Distance2Pre بدیهی است عملکرد بهتری نسبت به FPMC-LR و PRME-G به دلیل توانایی آن در مدل‌سازی ترجیحات متوالی کاربر و ترجیحات فضایی با استفاده از معماری RNN داشت. ST-RNN با ترکیب اطلاعات متنی زمانی به بهبود بیشتری دست یافت. این پیشرفت‌های بزرگ نشان می‌دهد که شبکه‌های عصبی با اطلاعات زمینه‌ای مکانی-زمانی می‌توانند عملکرد بسیار امیدوارکننده‌ای را در کار توصیه POI به دست آورند. (6) ابتدا مشاهده کردیم که ST-DCGN در هر دو مجموعه داده بسیار بهتر از Distance2Pre و ST-RNN عمل کرد. در مقایسه با ST-RNN، ST-DCGN بهبود یافته استR @5، R @10، R @20، NDCG @5، NDCG @10، و NDCG @20 به ترتیب با 14.62٪، 12.13٪، 7.95٪، 17.92٪، 15.50٪، و 13.39٪، در مجموعه داده های Foursquare . همچنین برای مجموعه داده اینستاگرام، بهبود عملکرد در معیارهای ارزیابی به ترتیب 11.03، 22.29، 26.91، 7.18، 14.40 درصد و 16.12 درصد بوده است.
ما علاوه بر تأیید صحت مدل پیشنهادی خود، کارایی ST-DCGN را در جدول 2 نیز ارزیابی کردیم. RQ2). واضح است که ST-DCGN پیشنهادی ما به زمان آموزش کمتری نسبت به سایر مدل‌های شبکه عصبی (یعنی GRU، Distance2Pre، ST-RNN) نیاز دارد. دلیل آن این است که روش های مبتنی بر CNN می توانند به طور موثر در زمان آموزش از طریق مکانیسم موازی کامل کانولوشن ها صرفه جویی کنند. به عنوان مثال، ما می توانیم موازی بودن را هنگام محاسبه حاصل ضرب احتمالات شرطی اتخاذ کنیم. شایان ذکر است که اگرچه Caser با استفاده از ساختار CNN و محاسبات موازی در مقایسه با روش‌های مبتنی بر RNN به کارایی بالاتری دست یافت، ST-DCGN در مقایسه با Caser به پیشرفت‌های بیشتری در زمان آموزش دست یافت که مزیت استفاده از شبکه مولد کانولوشنال متسع را تأیید می‌کند.
به طور خلاصه، ST-DCGN نسبت به بهترین رویکردهای پایه در دو مجموعه داده با توجه به سه معیار بهبود یافت. از یک طرف، مدل ما از شبکه پیچیدگی‌های علی گشاد شده 1 بعدی و یادگیری باقیمانده برای افزایش زمینه‌های دریافتی و امکان آموزش شبکه‌های بسیار عمیق‌تر استفاده کرد، که مدل‌سازی وابستگی بلندمدت و علاقه کوتاه‌مدت کاربر را بسیار افزایش می‌دهد. علاوه بر این، چنین ساختار شبکه ای مبتنی بر CNN می تواند به طور کامل از محاسبات موازی برای بهبود کارایی آموزش استفاده کند. از سوی دیگر، ST-DCGN از اطلاعات مکانی-زمانی شخصی سازی شده استفاده کرد و می تواند به طور موثر ترجیحات مکانی و ترجیحات زمانی کاربر را بدست آورد.

4.5. تجزیه و تحلیل حساس پارامترها

در این بخش، اثرات چندین پارامتر کلیدی بر عملکرد ST-DCGN را بررسی کردیم. در اینجا، ما بر تجزیه و تحلیل تأثیرات اندازه تعبیه، عرض پنجره فضایی، و طول توالی ( RQ3 ) تمرکز کردیم. آزمایش‌ها بر روی هر دو مجموعه داده چهار ضلعی و اینستاگرام انجام شد.
شکل 14 اثرات اندازه تعبیه را بر عملکرد نشان می دهد. ما عملکرد مدل ST-DCGN پیشنهادی را در هر دو مجموعه داده با اندازه‌های جاسازی متفاوت (یعنی 20، 40، 60، 80، 100، و 120) تجزیه و تحلیل کردیم و از R@5 و R@10 استفاده کردیم.به عنوان معیارهای اندازه‌گیری استفاده کردیم. از این شکل مشخص است که عملکرد ST-DCGN به تدریج با اندازه‌های جاسازی افزایش می‌یابد، زیرا نمایش ابعاد بالا می‌تواند ویژگی‌های پنهان بیشتری را بیاموزد و تعاملات پیچیده‌تری را ثبت کند. ما متوجه شدیم که عملکرد مدل ما زمانی قوی شد که اندازه جاسازی به ترتیب به 60 و 80 در مجموعه داده های Foursquare و Instagram رسید. با این حال، اندازه جاسازی بزرگتر ممکن است منجر به کاهش عملکرد مدل به دلیل برازش بیش از حد شود. بنابراین، ما اندازه تعبیه را انتخاب کردیم 2د=60برای مجموعه داده Foursquare و 2د=80برای مجموعه داده اینستاگرام
جدول 3 تأثیر عرض های مختلف پنجره های فضایی را نشان می دهد. ما عملکرد مدل ST-DCGN پیشنهادی را در هر دو مجموعه داده با عرض پنجره فضایی مختلف (به عنوان مثال، 0.1 کیلومتر، 0.3 کیلومتر، 0.5 کیلومتر، و 0.7 کیلومتر) در مورد R@5 و F1@5 تجزیه و تحلیل کردیم. به وضوح از جدول 3 مشاهده می شود که ST-DCGN بهترین عملکرد را در مجموعه داده های Foursquare زمانی که پهنای پنجره فضایی به دست آورد. Δدروی 0.5 کیلومتر تنظیم شد در حالی که بهترین عملکرد در مجموعه داده اینستاگرام بدست آمد Δدروی 0.3 کیلومتر تنظیم شد. توضیح این است که توزیع فواصل ورودهای متوالی در دو مجموعه داده متفاوت است. برای مثال، همانطور که در شکل 10 ب نشان داده شده است، برای مجموعه داده های Foursquare و Instagram، 85% و 93% check-in های متوالی به ترتیب کمتر از 10 کیلومتر بودند. بنابراین، ما می توانیم ببینیم که بزرگتر است Δدزمانی که مجموعه داده فواصل طولانی تری را پوشش می دهد، مقدار ممکن است مناسب تر باشد.
شکل 15 عملکرد ST-DCGN پیشنهادی را با طول توالی متفاوت در حالی که سایر فراپارامترهای بهینه را بدون تغییر نگه می دارد، نشان می دهد. ما می‌توانیم مشاهده کنیم که بهترین عملکرد پیشنهادی POI، به ترتیب، زمانی به دست می‌آید که طول توالی حداکثر باشد ک=80و ک=30در مجموعه داده های Foursquare و Instagram. این نتیجه بیشتر نشان می‌دهد که روش ما می‌تواند وابستگی‌های کوتاه‌مدت و بلندمدت دنباله را به خوبی یاد بگیرد.

5. نتیجه گیری و کار آینده

در این کار، ما یک شبکه مولد کانولوشنی متسع فضایی-زمانی (به عنوان مثال، ST-DCGN) برای توصیه POI بر اساس یک شبکه عصبی عمیق به نام معماری WaveNet [ 23 ] ارائه کردیم.]. روش پیشنهادی یک مدل مولد شرطی و شبکه پیچیدگی‌های علّی متسع را برای مدل‌سازی توالی‌های ورود کاربران معرفی می‌کند، که برای مدل‌سازی وابستگی‌های کوتاه‌مدت و بلندمدت بسیار مؤثر است. در مقایسه با روش‌های مبتنی بر RNN، چنین ساختار شبکه‌ای می‌تواند به طور کامل از محاسبات موازی در یک دنباله بررسی استفاده کند و زمان آموزش و ارزیابی مدل را تا حد زیادی کاهش دهد. علاوه بر این، با استفاده از فاصله جغرافیایی پیوسته و شناسه زمانی خاص رمزگذاری شده در هر مرحله زمانی، ترجیحات مکانی شخصی کاربر و اولویت زمانی شخصی سازی شده کاربر را به دست آوردیم. آزمایش‌های گسترده‌ای برای ارزیابی عملکرد ST-DCGN و سایر روش‌های مقایسه‌ای انجام شد.
در آینده، ویژگی‌های اعلام حضور بیشتری را برای بهبود عملکرد توصیه‌های POI، مانند فعالیت‌های کاربران، متن نظر، و اطلاعات تصویر، اضافه خواهیم کرد. از سوی دیگر، ما شبکه های عصبی پیشرفته تری مانند شبکه عصبی کانولوشن گراف را بررسی خواهیم کرد. علاوه بر این، مطالعات اخیر نشان می دهد که برخی از روش های مرسوم مبتنی بر فاکتورسازی ماتریس می توانند بهتر تعمیم دهند [ 53 ، 54 ]. بنابراین، این روش ها نیز ارزش بررسی در آینده را دارند.

منابع

  1. گائو، اچ. تانگ، جی. لیو، اچ. بررسی روابط اجتماعی-تاریخی در شبکه های اجتماعی مبتنی بر مکان. در مجموعه مقالات ششمین کنفرانس بین المللی AAAI در وبلاگ ها و رسانه های اجتماعی، دوبلین، ایرلند، 4 تا 7 ژوئن 2012. [ Google Scholar ]
  2. دینگ، آر. Chen, Z. RecNet: یک شبکه عصبی عمیق برای توصیه های شخصی شده POI در شبکه های اجتماعی مبتنی بر مکان. بین المللی جی. جئوگر. Inf. علمی 2018 ، 32 ، 1631-1648. [ Google Scholar ] [ CrossRef ]
  3. مجید، ع. چن، ال. چن، جی. میرزا، ح.ت. حسین، من. Woodward, J. یک سیستم توصیه مسافرتی شخصی‌شده آگاه از زمینه مبتنی بر داده‌کاوی رسانه‌های اجتماعی دارای برچسب جغرافیایی. بین المللی جی. جئوگر. Inf. علمی 2018 ، 27 ، 662-684. [ Google Scholar ] [ CrossRef ]
  4. وان، ال. هونگ، ی. هوانگ، ز. پنگ، ایکس. Li, R. یک روش یادگیری گروه ترکیبی برای توصیه‌های مسیرهای توریستی بر اساس شبکه‌های اجتماعی برچسب‌گذاری شده جغرافیایی. بین المللی جی. جئوگر. Inf. علمی 2018 ، 32 ، 2225-2246. [ Google Scholar ] [ CrossRef ]
  5. لی، ایکس. کنگ، جی. لی، XL; فام، TAN; کریشناسوامی، S. Rank-geofm: یک روش فاکتورگیری جغرافیایی مبتنی بر رتبه بندی برای توصیه نقطه مورد علاقه. در مجموعه مقالات سی و هشتمین کنفرانس بین المللی ACM SIGIR در مورد تحقیق و توسعه در بازیابی اطلاعات، سانتیاگو، شیلی، 9 تا 13 اوت 2015. صص 433-442. [ Google Scholar ]
  6. بله، م. یین، پی. لی، WC; لی، دی‌ال. بهره‌برداری از نفوذ جغرافیایی برای توصیه‌های نقطه‌نظر مشترک. در مجموعه مقالات سی و چهارمین کنفرانس بین المللی ACM SIGIR در مورد تحقیق و توسعه در بازیابی اطلاعات، پکن، چین، 24 تا 28 ژوئیه 2011. صص 325-334. [ Google Scholar ]
  7. یوان، Q. کنگ، جی. ما، ز. سان، ا. Thalmann، NM توصیه نقطه مورد علاقه آگاه از زمان. در مجموعه مقالات سی و ششمین کنفرانس بین المللی ACM SIGIR در مورد تحقیق و توسعه در بازیابی اطلاعات، دوبلین، ایرلند، 28 ژوئیه تا 1 اوت 2013. صص 363-372. [ Google Scholar ]
  8. کای، ال. خو، جی. لیو، جی. Pei, T. ادغام زمینه های مکانی و زمانی در یک مدل فاکتورسازی برای توصیه POI. بین المللی جی. جئوگر. Inf. علمی 2018 ، 32 ، 524-546. [ Google Scholar ] [ CrossRef ]
  9. گان، م. Gao, L. کشف ترجیحات مبتنی بر حافظه برای توصیه POI در شبکه های اجتماعی مبتنی بر مکان. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 279. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  10. هوانگ، ال. ممکن است.؛ وانگ، اس. Liu, Y. یک شبکه LSTM فضایی-زمانی مبتنی بر توجه برای توصیه POI بعدی. IEEE Trans. خدمت محاسبه کنید. 2019 , 99 . [ Google Scholar ] [ CrossRef ]
  11. Tobler, WR یک فیلم کامپیوتری شبیه سازی رشد شهری در منطقه دیترویت. اقتصاد Geogr. 1970 ، 46 ، 234-240. [ Google Scholar ] [ CrossRef ]
  12. فنگ، اس. لی، ایکس. زنگ، ی. کنگ، جی. Chee, YM; یوان، Q. تعبیه متریک رتبه بندی شخصی برای توصیه POI جدید بعدی. در مجموعه مقالات بیست و چهارمین کنفرانس بین المللی مشترک هوش مصنوعی، بوئنوس آیرس، آرژانتین، 25 تا 31 ژوئیه 2015. [ Google Scholar ]
  13. کوی، کیو. تانگ، ی. وو، اس. وانگ، L. Distance2Pre: ترجیح فضایی شخصی برای پیش‌بینی نقطه‌ی علاقه بعدی. در مجموعه مقالات کنفرانس اقیانوس آرام-آسیا در مورد کشف دانش و داده کاوی، ماکائو، چین، 14 تا 17 آوریل 2019؛ صص 289-301. [ Google Scholar ]
  14. گائو، اچ. تانگ، جی. هو، ایکس. لیو، اچ. بررسی اثرات زمانی برای توصیه مکان در شبکه های اجتماعی مبتنی بر مکان. در مجموعه مقالات هفتمین کنفرانس ACM در مورد سیستم های توصیه کننده، هنگ کنگ، چین، 12 تا 16 اکتبر 2013. صص 93-100. [ Google Scholar ]
  15. کفالاس، پ. مانولوپولوس، ی. یک سیستم توصیه‌گر فضایی-متن آگاه از زمان. کارشناس. سیستم Appl. 2017 ، 78 ، 396-406. [ Google Scholar ] [ CrossRef ]
  16. وانگ، دبلیو. یین، اچ. دو، X. نگوین، QVH؛ Zhou، X. TPM: یک مدل شخصی سازی شده زمانی برای توصیه اقلام فضایی. ACM Trans. هوشمند سیستم تکنولوژی 2018 ، 9 ، 1-25. [ Google Scholar ] [ CrossRef ]
  17. چنگ، سی. یانگ، اچ. کینگ، آی. لیو، MR فاکتورسازی ماتریس ذوب شده با نفوذ جغرافیایی و اجتماعی در شبکه های اجتماعی مبتنی بر مکان. در مجموعه مقالات بیست و ششمین کنفرانس AAAI در مورد هوش مصنوعی، تورنتو، ON، کانادا، 22 تا 26 ژوئیه 2012. [ Google Scholar ]
  18. چنگ، سی. یانگ، اچ. لیو، ام آر؛ King, I. جایی که دوست دارید در مرحله بعد بروید: توصیه نقطه مورد علاقه پی در پی. در مجموعه مقالات بیست و سومین کنفرانس مشترک بین المللی هوش مصنوعی، پکن، چین، 3 تا 19 اوت 2013. [ Google Scholar ]
  19. لیو، کیو. وو، اس. وانگ، ال. Tan, T. پیش‌بینی مکان بعدی: یک مدل تکرارشونده با زمینه‌های مکانی و زمانی. در مجموعه مقالات سیامین کنفرانس AAAI در مورد هوش مصنوعی، فینیکس، AZ، ​​ایالات متحده آمریکا، 12 تا 17 فوریه 2016. [ Google Scholar ]
  20. ژائو، پی. زو، اچ. لیو، ی. لی، ز. خو، جی. شنگ، در مقابل کجا برویم بعدی: یک مدل LSTM فضایی-زمانی برای توصیه POI بعدی. arXiv 2018 , arXiv:1806.06671. [ Google Scholar ]
  21. لیو، سی. لیو، جی. وانگ، جی. خو، اس. هان، اچ. Chen, Y. یک شبکه واحد مکرر دردار مکانی-زمانی مبتنی بر توجه برای توصیه نقطه مورد علاقه. ISPRS Int. J. Geo Inf. 2019 ، 8 ، 355. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  22. یوان، اف. کاراتزوگلو، ع. آراپاکیس، آی. خوزه، جی.ام. او، X. یک شبکه مولد کانولوشن ساده برای توصیه مورد بعدی. در مجموعه مقالات دوازدهمین کنفرانس بین المللی ACM در جستجوی وب و داده کاوی، ملبورن، استرالیا، 11 تا 15 فوریه 2019؛ صص 582-590. [ Google Scholar ]
  23. Oord، AVD; دیلمان، اس. ذن، اچ. سیمونیان، ک. وینیالز، او. گریوز، ا. کالچبرنر، ن. ارشد، ا. Kavukcuoglu، K. Wavenet: یک مدل تولیدی برای صدای خام. arXiv 2016 , arXiv:1609.03499. [ Google Scholar ]
  24. یانگ، دی. ژانگ، دی. ژنگ، فولکس واگن؛ Yu, Z. مدل‌سازی اولویت فعالیت کاربر با اعمال نفوذ ویژگی‌های زمانی مکانی کاربر در LBSN. IEEE Trans. سیستم مرد سایبرن. سیستم 2014 ، 45 ، 129-142. [ Google Scholar ] [ CrossRef ]
  25. چانگ، بی. پارک، ی. پارک، دی. کیم، اس. Kang, J. مدل تعبیه سلسله مراتبی نقطه مورد علاقه محتوا آگاه برای توصیه های پی در پی POI. در مجموعه مقالات کمیته برنامه بیست و هفتمین کنفرانس بین المللی مشترک هوش مصنوعی، استکهلم، سوئد، 13 تا 19 ژوئیه 2019؛ صص 3301–3307. [ Google Scholar ]
  26. لیان، دی. ژائو، سی. Xie، X. سان، جی. چن، ای. Rui, Y. GeoMF: مدل‌سازی جغرافیایی مشترک و فاکتورسازی ماتریسی برای توصیه نقطه‌نظر. در مجموعه مقالات بیستمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، نیویورک، نیویورک، ایالات متحده آمریکا، 24 تا 27 اوت 2014. صص 831-840. [ Google Scholar ]
  27. کوراشیما، تی. ایواتا، تی. هوشیده، ت. تکایا، ن. مدل موضوعی فوجیمورا، K. Geo: مدلسازی مشترک حوزه فعالیت و علایق کاربر برای توصیه مکان. در مجموعه مقالات ششمین کنفرانس بین المللی ACM در جستجوی وب و داده کاوی، رم، ایتالیا، 4 تا 8 فوریه 2013. صص 375-384. [ Google Scholar ]
  28. ژانگ، جی دی. Chow، CY iGSLR: توصیه موقعیت جغرافیایی-اجتماعی شخصی: یک رویکرد تخمین چگالی هسته. در مجموعه مقالات بیست و یکمین کنفرانس بین المللی ACM SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، اورلاندو، فلوریدا، ایالات متحده آمریکا، 5 تا 8 نوامبر 2013. صص 334-343. [ Google Scholar ]
  29. لی، اچ. Ge، Y. هونگ، آر. زو، اچ. توصیه‌های نقطه‌ی علاقه: یادگیری ورود احتمالی از دوستان. در مجموعه مقالات بیست و دومین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، هتل هیلتون، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 13 تا 17 اوت 2016؛ ص 975-984. [ Google Scholar ]
  30. یانگ، دی. ژانگ، دی. یو، ز. Wang, Z. یک سیستم توصیه موقعیت مکانی شخصی سازی شده با احساسات. در مجموعه مقالات بیست و چهارمین کنفرانس ACM در مورد فرامتن و رسانه های اجتماعی، پاریس، فرانسه، 1-3 مه 2013. صص 119-128. [ Google Scholar ]
  31. متیو، دبلیو. راپوسو، آر. مارتینز، بی. پیش‌بینی مکان‌های آینده با مدل‌های پنهان مارکوف. در مجموعه مقالات کنفرانس ACM 2012 در محاسبات همه جا حاضر، پیتسبورگ، PA، ایالات متحده آمریکا، 5-8 سپتامبر 2012. ص 911-918. [ Google Scholar ]
  32. کریژفسکی، آ. سوتسکور، آی. هینتون، GE ImageNet طبقه بندی با شبکه های عصبی کانولوشن عمیق. Adv. عصبی Inf. Proc. سیستم 2012 ، 60 ، 1097-1105. [ Google Scholar ] [ CrossRef ]
  33. او، ک. ژانگ، ایکس. رن، اس. Sun, J. یادگیری باقیمانده عمیق برای تشخیص تصویر. در مجموعه مقالات کنفرانس IEEE در مورد دید کامپیوتری و تشخیص الگو، لاس وگاس، NV، ایالات متحده، 27-30 ژوئن 2016. صص 770-778. [ Google Scholar ]
  34. ایرسوی، او. Cardie, C. شبکه های عصبی بازگشتی عمیق برای ترکیب در زبان. در مجموعه مقالات بیست و هفتمین کنفرانس بین المللی سیستم های پردازش اطلاعات عصبی، مونترال، QC، کانادا، 8 تا 13 دسامبر 2014. ص 2096-2104. [ Google Scholar ]
  35. دونگ، ال. یانگ، ن. وانگ، دبلیو. وی، اف. لیو، ایکس. وانگ، ی. Hon, HW Unified Language Model Pre-training for Natural Language Understanding and Generation. arXiv 2019 ، arXiv:1905.03197. [ Google Scholar ]
  36. هینتون، جی. دنگ، ال. یو، دی. دال، جی. محمد، ع. جیتلی، ن. Sainath، T. شبکه های عصبی عمیق برای مدل سازی صوتی در تشخیص گفتار. سیگنال IEEE Proc. Mag. 2012 ، 29 ، 82-97. [ Google Scholar ] [ CrossRef ]
  37. عمودی، د. Ananthanarayanan، S. آنوبهای، آر. بای، جی. باتنبرگ، ای. کیس، سی. چن، جی. سخنرانی عمیق 2: تشخیص گفتار پایان به انتها به زبان انگلیسی و ماندارین. در مجموعه مقالات سی و سومین کنفرانس بین المللی کنفرانس بین المللی یادگیری ماشین، نیویورک، نیویورک، ایالات متحده آمریکا، 19 تا 24 ژوئن 2016؛ صص 173-182. [ Google Scholar ]
  38. ژانگ، اس. یائو، ال. سان، ا. Tay, Y. سیستم توصیه‌گر مبتنی بر یادگیری عمیق: نظرسنجی و دیدگاه‌های جدید. کامپیوتر ACM. Surv. 2019 ، 52 ، 5. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  39. میکولوف، تی. سوتسکور، آی. چن، ک. کورادو، جی اس. Dean, J. توزیع کلمات و عبارات و ترکیب آنها. در مجموعه مقالات بیست و ششمین کنفرانس بین المللی سیستم های پردازش اطلاعات عصبی، دریاچه تاهو، NV، ایالات متحده، 5-10 دسامبر 2013. صص 3111-3119. [ Google Scholar ]
  40. لیو، ایکس. لیو، ی. لی، ایکس. کاوش در زمینه مکان‌ها برای توصیه‌های مکان شخصی‌شده. در مجموعه مقالات بیست و پنجمین کنفرانس مشترک بین المللی هوش مصنوعی، نیویورک، نیویورک، ایالات متحده آمریکا، 9 تا 15 ژوئیه 2016؛ صص 1188-1194. [ Google Scholar ]
  41. فنگ، اس. کنگ، جی. آن، ب. Chee, YM Poi2vec: نمایش نهفته جغرافیایی برای پیش‌بینی بازدیدکنندگان آینده. در مجموعه مقالات سی و یکمین کنفرانس AAAI در مورد هوش مصنوعی، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 4 تا 9 فوریه 2017. [ Google Scholar ]
  42. کنگ، دی. Wu, F. HST-LSTM: یک شبکه حافظه بلند مدت کوتاه مدت مکانی-زمانی سلسله مراتبی برای پیش بینی مکان. در مجموعه مقالات بیست و هفتمین کنفرانس بین المللی مشترک هوش مصنوعی، استکهلم، سوئد، 13 تا 19 ژوئیه 2018؛ صص 2341–2347. [ Google Scholar ]
  43. فنگ، جی. لی، ی. ژانگ، سی. سان، اف. منگ، اف. گوا، ا. جین، دی دیپ‌موو: پیش‌بینی تحرک انسان با شبکه‌های تکراری توجه. در مجموعه مقالات کنفرانس وب جهانی 2018 در وب جهانی، لیون، فرانسه، 23 تا 27 آوریل 2018؛ ص 1459-1468. [ Google Scholar ]
  44. وانگ، اس. وانگ، ی. تانگ، جی. شو، ک. رانگانات، اس. لیو، اچ. تصاویر شما چه چیزی را نشان می‌دهند: بهره‌برداری از محتوای بصری برای توصیه‌های مورد علاقه. در مجموعه مقالات بیست و ششمین کنفرانس بین المللی وب جهانی، پرت، استرالیا، 3 تا 7 آوریل 2017؛ صص 391-400. [ Google Scholar ]
  45. تانگ، جی. Wang, K. توصیه متوالی top-n شخصی شده از طریق جاسازی توالی کانولوشنال. در مجموعه مقالات یازدهمین کنفرانس بین المللی ACM در جستجوی وب و داده کاوی، لس آنجلس، کالیفرنیا، ایالات متحده آمریکا، 5 تا 9 فوریه 2018؛ صص 565-573. [ Google Scholar ]
  46. Oord، AVD; کالچبرنر، ن. Kavukcuoglu، K. Pixel شبکه های عصبی بازگشتی. arXiv 2016 , arXiv:1601.06759. [ Google Scholar ]
  47. او، ک. ژانگ، ایکس. رن، اس. Sun, J. نگاشت هویت در شبکه های باقیمانده عمیق. در کنفرانس اروپایی بینایی کامپیوتر. در مجموعه مقالات کنفرانس اروپایی بینایی کامپیوتر ; آمستردام، هلند، 11-14 اکتبر 2016، صفحات 630-645.
  48. Ba، JL; کیروس، جی آر. نرمال سازی لایه هینتون، جنرال الکتریک. arXiv 2016 , arXiv:1607.06450. [ Google Scholar ]
  49. نیر، وی. واحدهای خطی Hinton، GE Rectified ماشین‌های محدود بولتزمن را بهبود می‌بخشند. در مجموعه مقالات بیست و هفتمین کنفرانس بین المللی یادگیری ماشین، حیفا، اسرائیل، 21 تا 24 ژوئن 2010. ص 807-814. [ Google Scholar ]
  50. ژان، اس. چو، ک. میمیشویچ، آر. Bengio، Y. در مورد استفاده از واژگان هدف بسیار بزرگ برای ترجمه ماشین عصبی. arXiv 2014 ، arXiv:1412.2007. [ Google Scholar ]
  51. رندل، اس. فرودنتالر، سی. گانتنر، ز. اشمیت-تیمه، L. BPR: رتبه بندی شخصی بیزی از بازخورد ضمنی. در مجموعه مقالات بیست و پنجمین کنفرانس عدم قطعیت در هوش مصنوعی، مونترال، QC، کانادا، 18-21 ژوئن 2009. ص 452-461. [ Google Scholar ]
  52. چو، ک. ون مرینبور، بی. گلچهره، سی. بهداناو، د. بوگارس، اف. شونک، اچ. Bengio، Y. آموزش نمایش عبارات با استفاده از رمزگذار-رمزگشا RNN برای ترجمه ماشینی آماری. arXiv 2014 ، arXiv:1406.1078. [ Google Scholar ]
  53. آیالا گومز، اف. داروچی، BZ; ماتیوداکیس، م. بنزور، آ. Gionis، A. کجا می توانیم برویم؟ توصیه هایی برای گروه ها در شبکه های اجتماعی مبتنی بر مکان. در مجموعه مقالات کنفرانس ACM 2017 در علوم وب، تروی، نیویورک، ایالات متحده آمریکا، 25 تا 28 ژوئن 2017؛ صص 93-102. [ Google Scholar ]
  54. رندل، اس. ژانگ، ال. کورن، ی. در مورد دشواری ارزیابی خطوط پایه: مطالعه ای در مورد سیستم های توصیه کننده. arXiv 2019 , arXiv:1905.01395. [ Google Scholar ]
Ijgi 09 00113 g001 550
شکل 1. نمونه ای از توصیه نقطه مورد علاقه.
Ijgi 09 00113 g002 550
شکل 2. چارچوب مدل پیشنهادی برای توصیه نقطه مورد علاقه.
Ijgi 09 00113 g003 550
شکل 3. رفتار ورود کاربر و تقسیم بافت زمانی مکانی آن.
Ijgi 09 00113 g004 550
شکل 4. نمایش طرح نمایه سازی زمان.
Ijgi 09 00113 g005 550
شکل 5. تبدیل از فیلتر استاندارد 2 بعدی به فیلتر 1 بعدی 2 گشاد شده.
Ijgi 09 00113 g006 550
شکل 6. شکلی که پشته ای از لایه های کانولوشنال علّی را نشان می دهد.
Ijgi 09 00113 g007 550
شکل 7. معماری مولد پیشنهادی با شبکه کانولوشنی علّی گشاد شده.
Ijgi 09 00113 g008 550
شکل 8. لایه ورودی فیوژن ( a )، بلوک های باقیمانده گشاد شده ( b )، و لایه خروجی نهایی ( c ).
Ijgi 09 00113 g009 550
شکل 9. توزیع ورود همه کاربران در دو مجموعه داده.
Ijgi 09 00113 g010 550
شکل 10. تأثیر همسایه جغرافیایی در رفتارهای ورود کاربران. ( الف ) تابع توزیع تجمعی فاصله جغرافیایی بین هر دو ورود کاربر. ( ب ) تابع توزیع تجمعی فاصله جغرافیایی بین ورودهای متوالی کاربران.
Ijgi 09 00113 g011 550
شکل 11. الگوی دوره ای در رفتارهای ورود کاربران.
Ijgi 09 00113 g012 550
شکل 12. مقایسه عملکرد با رویکردهای پیشرفته در Foursquare.
Ijgi 09 00113 g013 550
شکل 13. مقایسه عملکرد با رویکردهای پیشرفته در اینستاگرام.
Ijgi 09 00113 g014 550
شکل 14. اثر اندازه جاسازی در ST-DCGN.
Ijgi 09 00113 g015 550
شکل 15. عملکرد ST-DCGN با طول توالی های مختلف توسط R@5 و R@10.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید