POI 相关论文

发表于 | 分类于

POI 相关论文

###1. POI 流量相关

POI Recommendation: A Temporal Matching between POI Popularity and User Regularity

Zijun Yao, Yanjie Fu, Bin Liu, Yanchi Liu, Hui Xiong, ICDM 2016

  • Problem：给定用户签到历史，为用户推荐POI
  • Motivation：
    • POI 流行度随时间变化
    • 用户活动兴趣随时间变化
    • 如何在推荐时将二者相匹配
  • Method：
    • POI 热度：用 taxi 数据定义区域热度，用 check-in 数据定义类别热度，混合得到 POI 热度
      • 统计 POI 附近100m内下客数 在时间片 $t$ 的分布占比作为区域热度 $D_{j,t}$
      • 统计 POI 类别所有访问数，时间片 $t$ 的分布作为类别热度 $C_{v,t}$
      • POI 的时间统计热度为 $q_{j,t} = \varphi D_{j,t}i + \varphi C_{c{j},t}$，$\varphi$ 是超参，作者定义 0.6
      • 用 GMM 来平滑 POI 热度
    • 计算用户活跃度的时间分布，跟 POI 分布进行匹配。
  • Experiment：

Experiments with a Venue-Centric Model for Personalised and Time-Aware Venue Suggestion

Romain Deveaud, M-Dyaa Albakour, Craig Macdonald and Iadh Ounis, CIKM 2015

  • Problem: POI 推荐
  • Motivation：基于用户的POI推荐需要大量个体用户的信息和数据，因此提出基于POI的POI推荐。
  • Method：
    • $P(v|u,l,t)=P(v|u)\cdot P(v|l,t)$
    • $P(v|l,t) = P(v|l)\cdot P(v|t)$
    • 其中 $P(v|t)$ 是POI流行度，采用时序预测的方法
  • Experiment：
    • 时序预测POI流行度方面，ARIMA，基于过去 21 天取得最好效果。

CORALS: Who are My Potential New Customers? Tapping into the Wisdom of Customers’ Decisions

Ruirui Li, Jyunyu Jiang, Chelsea J.-T. Ju, Wei Wang. CKIM 2017

  • Problem: POI 推荐
  • Motivation：用户选择POI的决策过程会考虑（1）自身兴趣（2）地理影响（3）POI 评价
  • Method：
  • Experiments：有新dataset

Exploring Student Check-In Behavior for Improved Point-of-Interest Prediction

KDD 2018

  • Problem: 基于学生签到数据的位置预测
  • Motivation:
    • 基于LBSN的签到数据集中在娱乐活动上，不能反应用户活动全貌
    • 学校数据特点：更多活跃用户、更多类型日常活动、意义明确的范围
    • 在学校数据下，采用异构的图结构来做预测，比基于张量等方式更合适（WHY？）
  • Method：
    • Embedding for Dense Heterogeneous Graphs (EDHG)
    • 把个人兴趣、时间规律和活动类型建立成多种异构的图
    • 联合学习这些图的顶点embedding
    • 用得到的embedding来进行特定时间的推荐
  • Result

StepDeep A Novel Spatial-temporal Mobility Event Prediction Framework based on Deep Neural Network

Bilong Shen，Xiaodan Liang，Yufeng Ouyang，Miaofeng Liu，Weimin Zheng，Kathleen M. Carley，KDD 2018

  • Problem: 预测打车数（Mobility Event）
  • Motivation
    • Mobility Event 随时间动态变化、有空间依赖性，并且受许多其它因素影响
    • 人工设计的特征和应用场景相关并且需要很强的领域知识
  • Method
    • 用深度神经网络来建模
    • 2维空间平面+时间维度，构成类似于“视频”的数据结构，因此该问题 变成是pixel-wised “视频”预测
    • 其它因素添加在隐藏层中
  • Result：

Predicting new venue visitation patterns through mobility data

SIGSPATIAL 2017

  • Problem: 预测新POI的访问量时间分布
  • Motivation：新问题，商业价值
  • Method：
    • 统计区域分布，统计POI分布，统计区域内类别分布
    • 新 Venue 用K-NN：找到 N 个类别分布最相近的区域，这 N 个分布 用贝叶斯高斯平滑来拟合。

####POI Popularity Prediction via Hierarchical Fusion of multiple social clues

Yaqian Duan, Xinze W3KM
ang, Yang Yang, Zi Huang, Ning Xie, Heng Tao Shen. SIGIR 2016

  • Problem: 预测POI总的访问量（热度）
  • Motivation：
  • Method：
  • Result：

###2. 城市区域分析

Discovering Urban Travel Demands through Dynamic Zone Correlation in Location-Based Social Networks

Wangsu Hu, Zijun Yao, Sen Yang, Shuhong Chen, and Peter J. Jin, ECML-PKDD 2018

  • Problem: 根据用户签到数据，估计区域为单位的Origin-Destination Flow，即一个 Origin Zone， Destination Zone，Timeslot组成的张量，张量元素的值表示trip数量。
  • Motivation:
    • 在车辆GPS层面做的OD flow工作，GPS数据无语义
    • 在 check in 层面工作都是用户为单位的工作，没有区域层面的
  • Method:
    • 根据 POI 类别划分，估计区域的 topic
    • 用 Hawkes Process-based State-Space 来估计（区域？）签到数
    • 用 Pearson Product-Moment Correlation Gravity Model 来估计任意区域对之间的人流关系
  • Result:

Representing Urban Functions through Zone Embedding with Human Mobility Patterns

Zijun Yao, Yanjie Fu, Bin Liu, Wangsu Hu, Hui Xiong. IJCAI 2018

  • Problem: 基于人类移动数据，将城市区域进行embedding，功能相近的区域embedding结果相近
  • Motivation:
    • 在人类移动数据中，城市区域的co-occur可以帮助学习embedding
    • co-occur需要考虑时间因素，不同时间离开和到达某区域，代表该区域的功能不同
  • Method：
    • Time aware “word embedding”
    • 加入了重力因子来衡量co-occur的重要性
  • Result
    • 根据embedding进行区域聚类，跟ground truth以及若干baseline比聚类性能

Exploring the Urban Region-of-Interest through the Analysis of Online Map Search Queries

Ying Sun, Hengshu Zhu, Fuzhen Zhuang, Jingjing Gu, Qing He. KDD 2018

  • Problem：ROI 提取和画像
  • Motivation：
    • ROI 提取和画像的问题还没有解决好
    • 利用地图的 query 数据来做是一个新的思路
    • 地图 query 带有时间戳，起终点，并且起终点可以用POI形式表示
  • Method：
    • ROI 提取
      • 将城市划分格子，按格子统计转移矩阵
      • 用 PageRank 统计每个格子的流行度
      • 用一个基于密度的聚类，将格子聚类成 ROI
    • ROI 画像
      • 提出一个时空隐变量模型来建模 ROI 访客的 topic
      • 将 ROI 视为document，以该ROI为终点的查询（包括时间、起点、POI标签）为word
  • Experiment