IJCAI2018|分层时空LSTM在位置预测中的应用(HST-LSTM)
HST-LSTM: A Hierarchical Spatial-Temporal Long-Short Term Memory Network for Location Prediction
Dejiang Kong and Fei Wu
Zhejiang University
https://www.ijcai.org/Proceedings/2018/0324.pdf
定位技术有助于挖掘人物运动情况，目前已经积累的大量额轨迹数据。
如何高效利用这些数据来预测位置逐渐成为比较流行的研究课题，位置预测是位置服务（LBS）的基础。现有方法通常要么关注长期到访位置预测，比如几天或者几个月这种时间窗，这可以看作是poi推荐问题，要么关注实时位置预测，此即轨迹预测。
这篇文章集中在弱实时条件下的位置预测，旨在预测用户在接下来的几分钟或者几小时的运动情况。作者们提出时空长短期记忆模型（ST-LSTM），该模型将时空影响因素加入lstm，进而可以缓解数据稀疏的问题。
另外，作者们利用一种分层ST-LSTM，以编码解码的形式，对上下文历史到访信息进行建模，进而提升预测效果。
这篇文章提出的HSTLSTM在真实轨迹数据集上进行了测试，结果表明了其有效性。
用户轨迹及抽象和模型的图示如下
不同时间窗之后的目的地分布图示如下
先前的lstm没有考虑时空因素，作者们将时空因素加入了lstm
这篇文章的主要贡献在于
几个基本概念及解释如下
lstm的组成部分主要有以下几个
这篇文章的特色在于将时空因子加入lstm中
时空因子的具体表达式如下，该因子是基于加法算子的，这种算子既精确又高效
其中q和s的表达式如下
到访session的编码过程如下
全局上下文编码方式如下
解码及预测过程如下
整体目标函数形式如下
数据集信息及参数设置如下
参与对比的方法有以下几个
衡量指标有以下两个
效果对比图表如下（指标为ACC@k）
效果对比图表如下（指标为MRR）
不同时间窗和空间窗口下效果对比如下（以ACC@1为指标）
指标随迭代次数的变化趋势图示如下
时空因素作用于不同的门限单元效果对比如下
我是分割线
您可能感兴趣
IJCAI2019|基于会话和注意力机制的CTR预估模型DSIN(已开源)
AISTATS2018|密歇根大学提出新型在线boosting算法用于多标签排序(已开源)
KDD2019|基于注意力的深度学习如何实时预测购买还是浏览
AAAI2020|一种新型高效兼容多行为的推荐系统模型EHCF(已开源)
ICML2007|深度学习用于协同过滤的开篇作之一(出自深度学习鼻祖之一Hinton)
SIGIR2019|基于BERT的深度学习模型在信息检索中的应用(已开源)
SIGIR2019|基于注意力机制的新型深度学习模型(采莓树模型BIRD,已开源)
SIGIR2019|深度学习如何更好地用于学习排序(LTR)(已开源)
SIGIR2019|利用DeepSHAP来解释神经检索模型(已开源)
KDD2018|超越deepfm的CTR预估模型深层兴趣网络DIN(已开源)
RecSys2019|优于DeepFM和XDeepFM的CTR模型FiBiNET
SIGIR2018|选择性GBDT(SelGB)用于排序学习(已开源)
IJCAI2019|基于对抗变分自编码的协同过滤框架VAEGAN