CN114880586A - 一种通过移动性上下文感知基于对抗的社交圈推理方法 - Google Patents
一种通过移动性上下文感知基于对抗的社交圈推理方法 Download PDFInfo
- Publication number
- CN114880586A CN114880586A CN202210636801.1A CN202210636801A CN114880586A CN 114880586 A CN114880586 A CN 114880586A CN 202210636801 A CN202210636801 A CN 202210636801A CN 114880586 A CN114880586 A CN 114880586A
- Authority
- CN
- China
- Prior art keywords
- social circle
- user
- inference
- track
- context
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000008485 antagonism Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005295 random walk Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000003042 antagnostic effect Effects 0.000 claims 1
- 230000000007 visual effect Effects 0.000 claims 1
- 230000006399 behavior Effects 0.000 abstract description 2
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种通过移动性上下文感知基于对抗的社交圈推理方法。其特征在于提出了一种新颖的端到端框架ASCI‑CAM(Adversity‑based Social Circles Inference via Context‑Aware Mobility),用于从用户的移动性数据推断用户的社会关系。ASCI‑CAM利用上下文图从用户签到行为中获取语义轨迹嵌入,以对抗学习的方式解决TSCI(Trajectory‑based social circle inference)问题,可以很好地解释人类移动模式,与以往方法相比,进一步提高社交圈推理模型的性能和可解释性。在真实公开数据集(Brightkite,Gowalla和Foursquare)上的大量实验评估证明了我们的方法取得的结果的优越性能和可解释性。
Description
技术领域
本发明涉及深度学习和社交网络领域,具体涉及移动性上下文感知基于对抗的社交圈推理方法,该方法不仅能够学习移动数据的潜在因素,还考虑了与人类轨迹相关的语义,以一种对抗学习的方式进行更强健灵活的移动和社交圈推理。
背景技术
无线技术和智能设备的快速发展刺激了基于位置的社交网络(LBSN)应用程序的大量涌现(如Twitter、Instagram、Foursquare和Yelp)。然而,在真实的LBSNs中,由于隐私问题,很难获得任何关于用户身份的明确信息。于是,产生了基于匿名轨迹的社交圈推断(TSCI),通过学习个人用户的移动模式,来推断社会关系。由于其在许多LBSN应用中的重要性,近年来受到了广泛的关注。2017年,Yang等人通过发现用户经常访问的地点来衡量用户偏好的相似性,并对社交关系进行预测。Duan等人将朋友推荐问题表述为一个细粒度轨迹匹配预测问题,以此来研究社会关系的时空偏好。然而,这些方法仍存在一些问题:(1)缺乏对用户签到的上下文特征的建模;(2)无法捕捉用户运动模式中的结构信息;(3)没有考虑潜在的移动性分布。这些挑战极大的影响着现有解决TSCI问题的模型性能和可解释性。
发明内容
本发明针对现有技术的弊端,提供一种通过移动性上下文感知基于对抗的社交圈推理方法,利用上下文图从用户签入行为中获取语义轨迹嵌入,以对抗学习的方式解决TSCI问题,可以很好地解释人类移动模式,并进一步提高社交圈推断的性能。
为了达到上述发明目的,本发明采用以下技术方案实现的:
通过移动性上下文感知基于对抗的社交圈推理方法,所述的方法通过结合用户签到的上下文特征、用户运动模式中的结构信息以及用户潜在移动性的分布,同时从用户隐私保护、模型推断性能以及模型可解释性三个方面进行了优化提升。所述方法的具体步骤包括:
(1)构建上下文图:输入用户轨迹,根据用户的签到历史数据构建上下文图;
(2)嵌入签到信息:通过上下文图的采样轨迹,使用随机游走策略生成一个用于学习签到表示的语义库,在此语义库基础上训练嵌入模型;
(3)用户移动模式嵌入:输入轨迹数据,通过融合注意力机制的编码器表示出轨迹的隐藏状态,并通过对抗性的正则化策略来近似隐藏状态的分布,以产生更健壮的轨迹表示;
(4)社交圈推断:输入社交网络标签空间,结合推理模块,以最小化真实标签与预测标签之间的成本为目标,优化训练模型并进行测试。
附图说明
图1为本发明的模型架构图;
图2为本发明的算法示意图;
图3为本发明的实验对比图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
本发明所述方法由四个算法组成,具体构造过程如下:
(1)构建上下文图
Step2:令为用户们的签到数据的集合,每一个签到视为图G的一个节点,如果一个用户从一个节点移动到另外一个节点,以及两个任意节点之间的距离不超过1km,则在这两个节点之间构建一条边e,此时图G为构建的上下文图。
(2)签到信息嵌入
Step3:采用随机游走策略根据一组固定长度的轨迹对图G进行采样,生成学习签到表示的语义库。
Step4:由于签到c的地理位置关联为cl,时间关联为ct,使用Skip-Gram算法生成c的地理位置嵌入vg(cl),并通过将访问时间分配到24小时中的一个小时里,以获得c的时间戳嵌入信息vt(ct),将vg(cl)和vt(ct)拼接,得到签到嵌入表示vc(c),
(3)用户移动模式嵌入
公式(5)和公式(6)可以简化为,
Step9:构建由参数参数化的生成器由参数ω参数化的判别器fω,并将两者都设置为全连接网络,并选择流行的Wasserstein GAN(WGAN)来训练这两大模块。然后,随机采样一个高斯噪声u~N(0,1),将其输入生成器,得到
(3)社交圈推断
Claims (3)
1.通过移动性上下文感知基于对抗的社交圈推理方法,其特征在于:
(1)在捕获用户对POIs的偏好时,采用图嵌入方式,构建基于用户签到数据的上下文感知信息图,为解决移动数据稀疏问题提供了一个新的视角;
(2)在对人类移动模式进行表征时,采用融合注意力机制的轨迹编码器从给定的轨迹数据中提取高度结构化的移动模式,并通过对抗式的正则化策略进行轨迹表征的学习,以避免因轨迹表征的编码空间没有正则化,而导致后续推理过程出现后向塌陷;
(3)社交圈推断采用的是基于学习轨迹表征的推断方法,整个学习轨迹表征的过程是一种无监督的对抗式表征学习,可以在保护用户隐私的前提下,充分挖掘出影响人类移动模式的潜在因素,使其具备产生更近似真实数据分布的能力。
2.根据权利要求1所述的通过移动性上下文感知基于对抗的社交圈推理方法,其特征在于,所述方法的具体步骤包括:
(1)构建上下文图:输入用户轨迹,根据用户的签到历史数据构建上下文图;
(2)嵌入签到信息:通过上下文图的采样轨迹,使用随机游走策略生成一个用于学习签到表示的语义库,在此语义库基础上训练嵌入模型;
(3)用户移动模式嵌入:输入轨迹数据,通过融合注意力机制的编码器表示出轨迹的隐藏状态,并通过对抗性的正则化策略来近似隐藏状态的分布,以产生更健壮的轨迹表示;
(4)社交圈推断:输入社交网络标签空间,结合推理模块,以最小化真实标签与预测标签之间的成本为目标,优化训练模型并进行测试。
3.根据权利要求2所述的通过移动性上下文感知基于对抗的社交圈推理方法,其特征在于,所述方法的具体算法包括:
(1)构建上下文图
Step2:令为用户们的签到数据的集合,每一个签到视为图G的一个节点,如果一个用户从一个节点移动到另外一个节点,以及两个任意节点之间的距离不超过1km,则在这两个节点之间构建一条边e,此时图G为构建的上下文图;
(2)签到信息嵌入
Step3:采用随机游走策略根据一组固定长度的轨迹对图G进行采样,生成学习签到表示的语义库;
Step4:由于签到c的地理位置关联为cl,时间关联为ct,使用Skip-Gram算法生成c的地理位置嵌入vg(cl),并通过将访问时间分配到24小时中的一个小时里,以获得c的时间戳嵌入信息vt(ct),将vg(cl)和vt(ct)拼接,得到签到嵌入表示vc(c),vc(c)=[vt(ct),vg(cl)],
(3)用户移动模式嵌入
Step9:构建由参数参数化的生成器由参数ω参数化的判别器fω,并将两者都设置为全连接网络,并选择流行的Wasserstein GAN(WGAN)来训练这两大模块。然后,随机采样一个高斯噪声u~N(0,1),将其输入生成器,得到
(3)社交圈推断
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210636801.1A CN114880586A (zh) | 2022-06-07 | 2022-06-07 | 一种通过移动性上下文感知基于对抗的社交圈推理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210636801.1A CN114880586A (zh) | 2022-06-07 | 2022-06-07 | 一种通过移动性上下文感知基于对抗的社交圈推理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114880586A true CN114880586A (zh) | 2022-08-09 |
Family
ID=82679316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210636801.1A Pending CN114880586A (zh) | 2022-06-07 | 2022-06-07 | 一种通过移动性上下文感知基于对抗的社交圈推理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114880586A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116415293A (zh) * | 2023-02-23 | 2023-07-11 | 山东省人工智能研究院 | 一种基于生成对抗网络的用户私有属性匿名化方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147892A (zh) * | 2019-02-20 | 2019-08-20 | 电子科技大学 | 基于变分轨迹上下文感知的人类移动模式推测模型、训练方法及推测方法 |
CN110442781A (zh) * | 2019-06-28 | 2019-11-12 | 武汉大学 | 一种基于生成对抗网络的对级排序项目推荐方法 |
CN110826698A (zh) * | 2019-11-04 | 2020-02-21 | 电子科技大学 | 一种通过上下文相关的图嵌入表示人群移动模式的方法 |
CN111738447A (zh) * | 2020-06-22 | 2020-10-02 | 东华大学 | 基于时空关系学习的移动社交网络用户关系推断方法 |
CN112035745A (zh) * | 2020-09-01 | 2020-12-04 | 重庆大学 | 一种基于对抗学习与双向长短期记忆网络的推荐算法 |
CN113378074A (zh) * | 2021-06-10 | 2021-09-10 | 电子科技大学 | 一种基于自监督学习的社交网络用户轨迹分析方法 |
CN113723075A (zh) * | 2021-08-28 | 2021-11-30 | 重庆理工大学 | 融合词屏蔽数据增强与对抗学习的特定目标情感分析方法 |
CN113849725A (zh) * | 2021-08-19 | 2021-12-28 | 齐鲁工业大学 | 一种基于图注意力对抗网络的社会化推荐方法及*** |
-
2022
- 2022-06-07 CN CN202210636801.1A patent/CN114880586A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147892A (zh) * | 2019-02-20 | 2019-08-20 | 电子科技大学 | 基于变分轨迹上下文感知的人类移动模式推测模型、训练方法及推测方法 |
CN110442781A (zh) * | 2019-06-28 | 2019-11-12 | 武汉大学 | 一种基于生成对抗网络的对级排序项目推荐方法 |
CN110826698A (zh) * | 2019-11-04 | 2020-02-21 | 电子科技大学 | 一种通过上下文相关的图嵌入表示人群移动模式的方法 |
CN111738447A (zh) * | 2020-06-22 | 2020-10-02 | 东华大学 | 基于时空关系学习的移动社交网络用户关系推断方法 |
CN112035745A (zh) * | 2020-09-01 | 2020-12-04 | 重庆大学 | 一种基于对抗学习与双向长短期记忆网络的推荐算法 |
CN113378074A (zh) * | 2021-06-10 | 2021-09-10 | 电子科技大学 | 一种基于自监督学习的社交网络用户轨迹分析方法 |
CN113849725A (zh) * | 2021-08-19 | 2021-12-28 | 齐鲁工业大学 | 一种基于图注意力对抗网络的社会化推荐方法及*** |
CN113723075A (zh) * | 2021-08-28 | 2021-11-30 | 重庆理工大学 | 融合词屏蔽数据增强与对抗学习的特定目标情感分析方法 |
Non-Patent Citations (2)
Title |
---|
QIANG GAO等: "Adversity-Based Social Circles Inference via Context-Aware Mobility" * |
李其娜;李廷会;: "基于深度学习的情境感知推荐***研究进展" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116415293A (zh) * | 2023-02-23 | 2023-07-11 | 山东省人工智能研究院 | 一种基于生成对抗网络的用户私有属性匿名化方法 |
CN116415293B (zh) * | 2023-02-23 | 2024-01-26 | 山东省人工智能研究院 | 一种基于生成对抗网络的用户私有属性匿名化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feng et al. | Poi2vec: Geographical latent representation for predicting future visitors | |
CN111400620B (zh) | 基于时空嵌入Self-Attention的用户轨迹位置预测方法 | |
CN109635989B (zh) | 一种基于多源异构数据融合的社交网络链路预测方法 | |
CN109636049B (zh) | 一种结合道路网络拓扑结构与语义关联的拥堵指数预测方法 | |
CN104462190A (zh) | 一种基于海量空间轨迹挖掘的在线的位置预测方法 | |
Elbes et al. | An indoor localization approach based on deep learning for indoor location-based services | |
Mao et al. | Jointly contrastive representation learning on road network and trajectory | |
CN113068131B (zh) | 一种用户移动方式和轨迹的预测方法、装置、设备及存储介质 | |
CN115270007B (zh) | 一种基于混合图神经网络的poi推荐方法及*** | |
Li et al. | Defending malicious check-in using big data analysis of indoor positioning system: An access point selection approach | |
Habibi et al. | Human trajectory prediction using similarity-based multi-model fusion | |
Long et al. | Location prediction for individual vehicles via exploiting travel regularity and preference | |
CN114880586A (zh) | 一种通过移动性上下文感知基于对抗的社交圈推理方法 | |
Lin et al. | Where to go? Predicting next location in IoT environment | |
Reddy et al. | An enhanced travel package recommendation system based on location dependent social data | |
Pang et al. | Intercity simulation of human mobility at rare events via reinforcement learning | |
Liu et al. | Multilevel federated learning-based intelligent traffic flow forecasting for transportation network management | |
Wang et al. | Traffic flow prediction based on spatiotemporal potential energy fields | |
CN115082896A (zh) | 基于拓扑图结构和深度自注意力网络的行人轨迹预测方法 | |
Lv et al. | Private cell-ID trajectory prediction using multi-graph embedding and encoder-decoder network | |
Chu et al. | Simulating human mobility with a trajectory generation framework based on diffusion model | |
Wang et al. | Trajectory distribution aware graph convolutional network for trajectory prediction considering spatio-temporal interactions and scene information | |
CN117271899A (zh) | 一种基于时空感知的兴趣点推荐方法 | |
Chen et al. | Q‐EANet: Implicit social modeling for trajectory prediction via experience‐anchored queries | |
He et al. | GC-Loc: A graph attention based framework for collaborative indoor Localization using infrastructure-free signals |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220809 |
|
WD01 | Invention patent application deemed withdrawn after publication |