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 PDF

Info

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
Application number
CN202210636801.1A
Other languages
English (en)
Inventor
刘楠
张凤荔
赵芸伟
王瑞锦
高强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210636801.1A priority Critical patent/CN114880586A/zh
Publication of CN114880586A publication Critical patent/CN114880586A/zh
Pending legal-status Critical Current

Links

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

一种通过移动性上下文感知基于对抗的社交圈推理方法
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
Step1:输入一组用户的轨迹数据序列
Figure BDA0003680660500000031
其中，
Figure BDA0003680660500000032
表示由一个匿名用户产生的历史轨迹，
Figure BDA0003680660500000033
表示一个特定的签到，此外，还要输入此组用户对应的社交圈标签Ui，
Figure BDA0003680660500000034
Figure BDA0003680660500000035
是社交圈标签空间。
Step2:令
Figure BDA0003680660500000036
为用户们的签到数据的集合，每一个签到
Figure BDA0003680660500000037
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)，
Figure BDA0003680660500000038
Step5:将Step1中生成的语义库，按照Step2的具体方法,得到所有签到的嵌入表示，即
Figure BDA0003680660500000039
再将所有签到信息Vc(c)嵌入上下文图G中。
(3)用户移动模式嵌入
Step6:给定一个轨迹
Figure BDA00036806605000000310
令LSTM单元的参数集为W和b，令
Figure BDA0003680660500000041
分别为输入门，遗忘门，输出门和存储单元，通过以下公式计算，获取每一个签到c的隐藏状态
Figure BDA0003680660500000042
具体的公式如下：
Figure BDA0003680660500000043
Figure BDA0003680660500000044
Figure BDA0003680660500000045
Step7:通过融合注意力机制的编码器，对轨迹T的隐藏状态
Figure BDA0003680660500000046
进行表示。具体的编码流程如下：
Figure BDA0003680660500000047
Figure BDA0003680660500000048
公式(5)和公式(6)可以简化为，
Figure BDA0003680660500000049
Step8:利用重构误差
Figure BDA00036806605000000410
迫使状态
Figure BDA00036806605000000411
保留来自轨迹T的潜在信息。具体计算公式如下，
Figure BDA00036806605000000412
Step9:构建由参数
Figure BDA00036806605000000413
参数化的生成器
Figure BDA00036806605000000414
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
Figure BDA00036806605000000415
Figure BDA00036806605000000416
Step10:计算
Figure BDA00036806605000000417
和
Figure BDA00036806605000000418
Figure BDA00036806605000000419
Figure BDA00036806605000000420
Step12:调整参数，当
Figure BDA0003680660500000051
Figure BDA0003680660500000052
和
Figure BDA0003680660500000053
三者同时最小时，为最优
Figure BDA0003680660500000054
(3)社交圈推断
Step13:令社交圈推理模块为
Figure BDA0003680660500000055
上述给定轨迹为T,
Figure BDA0003680660500000056
其真实社交圈标签为U,
Figure BDA0003680660500000057
并通过推理模块
Figure BDA0003680660500000058
获得其对应的社交圈预测标签
Figure BDA0003680660500000059
Figure BDA00036806605000000510
Step14:令ε表示交叉熵损失函数，通过调整参数Ω，使
Figure BDA00036806605000000511
最小，
Figure BDA00036806605000000512
Step15:从
Figure BDA00036806605000000513
和
Figure BDA00036806605000000514
中，依次提取用户Ti和对应的社交圈标签Ui，重复step4到step14，通过不断训练更新参数θ，φ，ω，
Figure BDA00036806605000000515
Ω，输出最终的推理模型
Figure BDA00036806605000000516

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
Step1：输入一组用户的轨迹数据序列
Figure FDA0003680660490000021
其中，
Figure FDA0003680660490000022
Figure FDA0003680660490000023
表示由一个匿名用户产生的历史轨迹，
Figure FDA0003680660490000024
表示一个特定的签到，此外，还要输入此组用户对应的社交圈标签Ui，Ui∈U，
Figure FDA0003680660490000025
是社交圈标签空间；
Step2：令
Figure FDA0003680660490000026
为用户们的签到数据的集合，每一个签到
Figure FDA0003680660490000027
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)]，
Figure FDA0003680660490000028
Step5：将Step1中生成的语义库，按照Step2的具体方法，得到所有签到的嵌入表示，即
Figure FDA0003680660490000029
再将所有签到信息Vc(c)嵌入上下文图G中；
(3)用户移动模式嵌入
Step6：给定一个轨迹
Figure FDA00036806604900000210
令LSTM单元的参数集为W和b，令
Figure FDA00036806604900000211
分别为输入门，遗忘门，输出门和存储单元，通过以下公式计算，获取每一个签到c的隐藏状态
Figure FDA00036806604900000212
具体的公式如下：
Figure FDA0003680660490000031
Figure FDA0003680660490000032
Figure FDA0003680660490000033
Step7：通过融合注意力机制的编码器，对轨迹T的隐藏状态
Figure FDA0003680660490000034
进行表示。具体的编码流程如下：
Figure FDA0003680660490000035
Figure FDA0003680660490000036
Step8：利用重构误差
Figure FDA0003680660490000037
迫使状态
Figure FDA0003680660490000038
保留来自轨迹T的潜在信息，
Figure FDA0003680660490000039
为
Figure FDA00036806604900000310
Step9：构建由参数
Figure FDA00036806604900000327
参数化的生成器
Figure FDA00036806604900000311
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
Figure FDA00036806604900000312
Step10：计算
Figure FDA00036806604900000313
和
Figure FDA00036806604900000328
Figure FDA00036806604900000314
Figure FDA00036806604900000315
Step11：调整参数，当
Figure FDA00036806604900000316
和
Figure FDA00036806604900000317
三者同时最小时，为最优
Figure FDA00036806604900000318
(3)社交圈推断
Step12：令社交圈推理模块为
Figure FDA00036806604900000319
上述给定轨迹为T，
Figure FDA00036806604900000320
其真实社交圈标签为U，U∈U，并通过推理模块
Figure FDA00036806604900000321
获得其对应的社交圈预测标签
Figure FDA00036806604900000322
Step13：令ε表示交叉熵损失函数，
Figure FDA00036806604900000323
通过调整参数Ω，使
Figure FDA00036806604900000324
最小；
Step14：从
Figure FDA00036806604900000325
和
Figure FDA00036806604900000326
中，依次提取用户Ti和对应的社交圈标签Ui，重复step4到step13，通过不断训练更新参数θ，φ，ω，
Figure FDA0003680660490000041
Ω，输出最终的推理模型
Figure FDA0003680660490000042
CN202210636801.1A 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 Pending CN114880586A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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***

Patent Citations (8)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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