期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于上下文全局空间图的轨迹用户链接
1
作者
侯萱
梁志贞
+2 位作者
张磊
刘佰龙
张雪飞
《计算机工程与科学》
北大核心
2025年第2期336-348,共13页
轨迹用户链接TUL是指判定目标轨迹所属用户,已成为一项重要的轨迹数据挖掘任务。尽管基于深度学习的模型在TUL研究中取得显著进展,但现有模型主要关注单个轨迹点的基本时空特征,忽略全局位置空间相关性、上下文信息和用户的多周期移动规...
轨迹用户链接TUL是指判定目标轨迹所属用户,已成为一项重要的轨迹数据挖掘任务。尽管基于深度学习的模型在TUL研究中取得显著进展,但现有模型主要关注单个轨迹点的基本时空特征,忽略全局位置空间相关性、上下文信息和用户的多周期移动规律,导致TUL结果准确度不高。提出了一种基于上下文全局空间图的轨迹用户链接模型CGSG-TUL。在位置嵌入方面,根据历史轨迹构建上下文全局空间图,融入所有位置的邻近关系和类别等上下文信息,对位置的空间相关性有效建模。在时间编码方面,根据不同时间尺度对签入的时间戳进行编码,捕获用户的多周期移动规律。在Foursquare-NYK和Foursquare-TKY这两个真实数据集上的实验结果表明,CGSG-TUL性能比目前最好的基准模型GNNTUL的ACC@1和Marco-F 1分别平均提高2.50%和2.72%。
展开更多
关键词
轨迹用户链接
上下文全局空间图
多周期移动规律
图神经网络
TRANSFORMER
在线阅读
下载PDF
职称材料
基于孪生分层注意力网络模型的轨迹用户链接预测
被引量：
1
2
作者
丁鹏
王斌
朱苏磊
《计算机应用与软件》
北大核心
2024年第11期213-219,227,共8页
为进一步探究人类移动行为模式,提出一种基于孪生分层注意力的网络模型解决轨迹用户链接预测问题。该模型框架包括判别模块和检索模块,其中:判别模块对轨迹位置信息进行编码,采用改进的分层注意力网络捕获轨迹间的潜在相关性;检索模块...
为进一步探究人类移动行为模式,提出一种基于孪生分层注意力的网络模型解决轨迹用户链接预测问题。该模型框架包括判别模块和检索模块,其中:判别模块对轨迹位置信息进行编码,采用改进的分层注意力网络捕获轨迹间的潜在相关性;检索模块利用判别模块计算已知用户轨迹与未知轨迹间的相似性得分,并将KNN作为分类器实现未知轨迹与用户的链接预测。在某城市的基于位置服务(LBS)的数据集上进行实验,结果表明该模型在不同用户数量中性能表现优越。
展开更多
关键词
人类移动性
轨迹用户链接
分层注意力网络
在线阅读
下载PDF
职称材料
基于图神经网络的用户轨迹分类
被引量：
3
3
作者
吴劲
陈树沛
+1 位作者
杨庆
周帆
《电子科技大学学报》
EI
CAS
CSCD
北大核心
2021年第5期734-740,共7页
针对现有轨迹用户链接(TUL)算法对轨迹信息提取不充分、计算成本过高等问题,该文提出了一种新的基于图神经网络(GNN)的TUL算法。首先,利用轨迹中的签到点构建签到图;其次,在签到图的基础上使用图神经网络学习签到图中的节点嵌入,保存签...
针对现有轨迹用户链接(TUL)算法对轨迹信息提取不充分、计算成本过高等问题,该文提出了一种新的基于图神经网络(GNN)的TUL算法。首先,利用轨迹中的签到点构建签到图;其次,在签到图的基础上使用图神经网络学习签到图中的节点嵌入,保存签到点的位置信息和用户的访问偏好信息;最后,利用循环神经网络(RNN)构建轨迹序列的向量表示,并使用全连接网络对轨迹进行用户分类,实现轨迹与用户链接。实验结果表明,相比于传统的用户轨迹分类算法,该方法能更有效地挖掘用户轨迹的潜在移动规律,显著提高了两个数据集上的链接准确性和学习效率。
展开更多
关键词
深度学习
图神经网络
循环神经网络
轨迹用户链接
在线阅读
下载PDF
职称材料
题名
基于上下文全局空间图的轨迹用户链接
1
作者
侯萱
梁志贞
张磊
刘佰龙
张雪飞
机构
中国矿业大学矿山数字化教育部工程研究中心
中国矿业大学计算机科学与技术学院
江苏恒旺数字科技有限责任公司
出处
《计算机工程与科学》
北大核心
2025年第2期336-348,共13页
基金
中国矿业大学建设双一级专项资金(18ZZCX14)。
文摘
轨迹用户链接TUL是指判定目标轨迹所属用户,已成为一项重要的轨迹数据挖掘任务。尽管基于深度学习的模型在TUL研究中取得显著进展,但现有模型主要关注单个轨迹点的基本时空特征,忽略全局位置空间相关性、上下文信息和用户的多周期移动规律,导致TUL结果准确度不高。提出了一种基于上下文全局空间图的轨迹用户链接模型CGSG-TUL。在位置嵌入方面,根据历史轨迹构建上下文全局空间图,融入所有位置的邻近关系和类别等上下文信息,对位置的空间相关性有效建模。在时间编码方面,根据不同时间尺度对签入的时间戳进行编码,捕获用户的多周期移动规律。在Foursquare-NYK和Foursquare-TKY这两个真实数据集上的实验结果表明,CGSG-TUL性能比目前最好的基准模型GNNTUL的ACC@1和Marco-F 1分别平均提高2.50%和2.72%。
关键词
轨迹用户链接
上下文全局空间图
多周期移动规律
图神经网络
TRANSFORMER
Keywords
trajectory-user linking(TUL)
contextual global spatial graph
multi-periodic movement pattern
graph neural network
Transformer
分类号
TP393.09 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于孪生分层注意力网络模型的轨迹用户链接预测
被引量：
1
2
作者
丁鹏
王斌
朱苏磊
机构
上海师范大学信息与机电工程学院
出处
《计算机应用与软件》
北大核心
2024年第11期213-219,227,共8页
基金
上海科委人工智能重点专项(2021SHZDZX0102)。
文摘
为进一步探究人类移动行为模式,提出一种基于孪生分层注意力的网络模型解决轨迹用户链接预测问题。该模型框架包括判别模块和检索模块,其中:判别模块对轨迹位置信息进行编码,采用改进的分层注意力网络捕获轨迹间的潜在相关性;检索模块利用判别模块计算已知用户轨迹与未知轨迹间的相似性得分,并将KNN作为分类器实现未知轨迹与用户的链接预测。在某城市的基于位置服务(LBS)的数据集上进行实验,结果表明该模型在不同用户数量中性能表现优越。
关键词
人类移动性
轨迹用户链接
分层注意力网络
Keywords
Human mobility
Trajectory-user linking
Hierarchical attention network
分类号
TP399 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于图神经网络的用户轨迹分类
被引量：
3
3
作者
吴劲
陈树沛
杨庆
周帆
机构
电子科技大学信息与软件工程学院
中国电子科技集团公司第十研究所
出处
《电子科技大学学报》
EI
CAS
CSCD
北大核心
2021年第5期734-740,共7页
基金
国家自然科学基金(62072077,61602097)。
文摘
针对现有轨迹用户链接(TUL)算法对轨迹信息提取不充分、计算成本过高等问题,该文提出了一种新的基于图神经网络(GNN)的TUL算法。首先,利用轨迹中的签到点构建签到图;其次,在签到图的基础上使用图神经网络学习签到图中的节点嵌入,保存签到点的位置信息和用户的访问偏好信息;最后,利用循环神经网络(RNN)构建轨迹序列的向量表示,并使用全连接网络对轨迹进行用户分类,实现轨迹与用户链接。实验结果表明,相比于传统的用户轨迹分类算法,该方法能更有效地挖掘用户轨迹的潜在移动规律,显著提高了两个数据集上的链接准确性和学习效率。
关键词
深度学习
图神经网络
循环神经网络
轨迹用户链接
Keywords
deep learning
graph neural network
recurrent neural network
trajectory-user linking
分类号
TP389.1 [自动化与计算机技术—计算机系统结构]
TP183 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于上下文全局空间图的轨迹用户链接
侯萱
梁志贞
张磊
刘佰龙
张雪飞
《计算机工程与科学》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于孪生分层注意力网络模型的轨迹用户链接预测
丁鹏
王斌
朱苏磊
《计算机应用与软件》
北大核心
2024
1
在线阅读
下载PDF
职称材料
3
基于图神经网络的用户轨迹分类
吴劲
陈树沛
杨庆
周帆
《电子科技大学学报》
EI
CAS
CSCD
北大核心
2021
3
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
