[文章摘要]On the semantic annotation of places in location-based social networks
2016-01-16 09:19
465 查看
文章:On the semantic annotation of places in location-based social networks
作者:M Ye, D Shou, WC Lee, P Yin, K Janowicz.
来源:KDD’11
本文可以对LBSN中的地点自动标注标签,其本质是标签缺失签到地点的标签预测问题,对每类tag,将其建模为一个tag分类问题,利用已有tag的地点来训练一个二元分类的SVM,则对所有的标签,则形成一个多分类(multi-label classification)问题(一个地点可能对应多个tag)。为此,构建了两类特征:1,explicit pattern(EP)显式模式,EP对应一个地点的特征,可以从签到的统计分析中得到;2,地点之间的隐含关联(implicit relatedness,IR),来探索用户到相似地点签到的规律性。
1,EP特征:
F1:POI的签到总数目
F2:POI的签到总人数(一个人访问多次,只算一次)total number of unique visitors
F3:个人签到的最多次数,maximum number of check-ins by a single visitor
F4:distribution of check-in time in a week
F5:distribution of check-in time in 24-hour scale
受数据限制,没有使用季节模式
F1、F2、F3属于population features (e.g., number of unique visitors);
F4、F5属于temporal features (e.g., distribution of check-in time)。
2,IR:
为提取IR特征,构建了network of related places (NRP),来表达地点之间的相关性。
构建了user-place和time-place两个graph,利用随机游走和重启技术(Random Walk and Restart)来估计地点之间的相关性,从而构建了NRP,地点pair之间若有高相关性,即也有高相似性,则将地点之间构建NRP的一条边。从某一个地点相关地点,可以估计其对于某个tag的概率,即label probability,这个概率作为IR的特征。
作者:M Ye, D Shou, WC Lee, P Yin, K Janowicz.
来源:KDD’11
本文可以对LBSN中的地点自动标注标签,其本质是标签缺失签到地点的标签预测问题,对每类tag,将其建模为一个tag分类问题,利用已有tag的地点来训练一个二元分类的SVM,则对所有的标签,则形成一个多分类(multi-label classification)问题(一个地点可能对应多个tag)。为此,构建了两类特征:1,explicit pattern(EP)显式模式,EP对应一个地点的特征,可以从签到的统计分析中得到;2,地点之间的隐含关联(implicit relatedness,IR),来探索用户到相似地点签到的规律性。
1,EP特征:
F1:POI的签到总数目
F2:POI的签到总人数(一个人访问多次,只算一次)total number of unique visitors
F3:个人签到的最多次数,maximum number of check-ins by a single visitor
F4:distribution of check-in time in a week
F5:distribution of check-in time in 24-hour scale
受数据限制,没有使用季节模式
F1、F2、F3属于population features (e.g., number of unique visitors);
F4、F5属于temporal features (e.g., distribution of check-in time)。
2,IR:
为提取IR特征,构建了network of related places (NRP),来表达地点之间的相关性。
构建了user-place和time-place两个graph,利用随机游走和重启技术(Random Walk and Restart)来估计地点之间的相关性,从而构建了NRP,地点pair之间若有高相关性,即也有高相似性,则将地点之间构建NRP的一条边。从某一个地点相关地点,可以估计其对于某个tag的概率,即label probability,这个概率作为IR的特征。
相关文章推荐
- nodejs实现获取某宝商品分类
- php通过分类列表产生分类树数组的方法
- asp飞飞无限级分类v1.0 Asp+sql+存储过程+ajax提供下载
- Oracle表的分类以及相关参数的详解
- Jquery+Ajax+PHP+MySQL实现分类列表管理(上)
- WordPress中用于获取文章信息以及分类链接的函数用法
- 详解WordPress中分类函数wp_list_categories的使用
- PHP实现无限级分类(不使用递归)
- PHP实现递归无限级分类
- Jquery+Ajax+PHP+MySQL实现分类列表管理(下)
- php+mysql实现无限分类实例详解
- thinkphp实现无限分类(使用递归)
- WordPress中获取指定分类及其子分类下的文章数目
- 详解WordPress开发中用于获取分类及子页面的函数用法
- JavaScript+CSS无限极分类效果完整实现方法
- PHP超牛逼无限极分类生成树方法
- ThinkPHP无限级分类原理实现留言与回复功能实例
- 转载IP地址专题一
- 技术文章链接归档
- 什么是协议转换器及作用与分类