基于深度轨迹学习的人群移动和社交知识发现研究

发布时间：2023-08-18 17:07

　　近年来,移动互联网的飞速发展和全球定位系统的广泛使用产生了大量基于位置的应用服务,使得人与人之间的信息交互变得更加频繁和多样化。这些应用为用户提供了前所未有的机会,可以让他们分享个人经验和有趣地点,与志趣相投的人交朋友,以及加入拼车服务等。例如,基于位置的应用程序(如微信,Twitter和微博)通常会收集用户留下的大量足迹(签到)、社交好友等数据,而这些数据可以进一步产生有价值的信息,例如个人轨迹和个人社会关系。尽管这些信息来自虚拟世界,即互联网,但这却是现实世界中人类活动的客观反映。当前,学习人群轨迹已引起研究人员和从业者的关注,并提出了各种基于轨迹学习的优异模型来捕获人类时空信息。但是,已有工作在轨迹学习过程中仍然面临一些关键挑战:首先,人员流动的多样性显示出了用户不同的移动方式、位置偏爱和时间偏好等方面的差异;其次,数据稀疏性(例如签到数据的稀疏性)导致潜在特征表征不充分,以及难以获得个人偏好;此外,轨迹的语义复杂性也需要在轨迹建模中得到解决。最近具有强大泛化能力和特征提取能力的深度学习技术在自然语言处理和图像处理等诸多领域都取得了巨大的成功。因此,它为我们提供了一种新的视角来解...

【文章页数】：130 页

【学位级别】：博士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究工作的背景与意义
    1.2 问题切入与研究思路
    1.3 国内外研究现状分析
    1.4 本文主要贡献与创新
    1.5 论文组织结构
第二章 相关理论基础
    2.1 表示学习
    2.2 序列信息表征学习
    2.3 深度生成模型学习
    2.4 本章小结
第三章 基于轨迹嵌入的人群移动性识别
    3.1 人群移动性识别
    3.2 相关研究
    3.3 TUL问题定义
    3.4 TULER模型描述
        3.4.1 概述
        3.4.2 轨迹预处理
        3.4.3 轨迹表征
        3.4.4 轨迹-用户链接
        3.4.5 优化手段
    3.5 实验验证与分析
        3.5.1 数据准备
        3.5.2 实验准备
        3.5.3 实验结果分析
    3.6 本章小结
第四章 基于变分注意力的下一个兴趣点预测
    4.1 下一个兴趣点预测
    4.2 相关研究
    4.3 问题定义
    4.4 VANext模型描述
        4.4.1 概述
        4.4.2 因果POI嵌入
        4.4.3 近期轨迹学习模块
        4.4.4 历史轨迹学习模块
        4.4.5 模型优化
    4.5 实验验证与分析
        4.5.1 数据准备
        4.5.2 实验准备
        4.5.3 结果分析
    4.6 本章小结
第五章 基于人群移动性对抗学习的出行推荐
    5.1 出行推荐分析
    5.2 相关研究
    5.3 出行推荐问题定义
    5.4 出行推荐方案
        5.4.1 DeepTrip概述
        5.4.2 出行编码器设计
        5.4.3 出行解码器设计
        5.4.4 对抗网络设计
    5.5 算法分析
        5.5.1 理论推导
        5.5.2 训练算法流程
        5.5.3 推荐流程
    5.6 实验分析与验证
        5.6.1 数据准备
        5.6.2 实验准备
        5.6.3 结果分析
    5.7 本章小结
第六章 基于轨迹的社交圈推理
    6.1 问题描述
    6.2 TSCI相关研究
    6.3 问题定义
    6.4 Deep TSCI方案描述
        6.4.1 轨迹预处理
        6.4.2 DeepTSCI框架
        6.4.3 训练手段
    6.5 实验验证与分析
        6.5.1 数据准备
        6.5.2 实验准备
        6.5.3 结果分析
        6.5.4 鲁棒性分析
    6.6 本章小结
第七章 全文总结与展望
    7.1 全文总结
    7.2 后续工作展望
致谢
参考文献
攻读博士学位期间取得的成果



本文编号：3842599