英文原版-一种用于语义丰富人类流动建模的球形隐马尔可夫模型.pdfVIP

英文文献学习素材 声明：素材来源于互联网公共免费领域，由上传者搜集、整理、编译，旨在帮助科 研领域人士扩展学习途径，丰富科研素材。 中文摘要 一种用于语义丰富人类流动建模的球形隐马尔可夫模型 我们研究了从语义轨迹数据建模人类流动的问题，其中每个GPS 记 录都与描述用户活动的文本消息相关联。现有方法在揭示人类运动规 律方面不足，因为它们要么根本不模拟文本数据，要么严重受到文本 稀疏性的影响。我们提出了SHMM，一种用于语义丰富的人类流动建模 的多模式球形隐马尔可夫模型。在隐马尔可夫假设下，SHMM 通过联合 考虑跟踪轨迹中每一步的观察位置、时间和文本来模拟给定轨迹的生 成过程。SHMM 的区别特征在于文本建模部分。我们使用固定大小的向 量表示来编码文本消息的语义，并且使用von Mises-Fisher （vMF）分 布来模拟l2 归一化文本嵌入的生成过程。与多变量高斯等其他选择相 比，我们选择vMF 分布不仅参数更少，而且更好地利用了文本嵌入在 方向度量空间中的判别力。vMF 分布的参数推断是非常复杂的，因为它 涉及Bessel 函数比值的函数反演。我们从理论上证明：1）经典的期 望最大化算法可以与vMF 分布一起工作；2）尽管M 步骤的封闭形式解 决方案很难获得，但牛顿法保证以二次收敛率收敛到最优解。我们对 合成数据和真实数据进行了大量实验。合成数据的结果验证了我们的 理论分析；而真实数据的结果表明，SHMM 学习了有意义的语义丰富的 流动模型，优于最先进的流动模型的下一个位置预测，并且训练成本 更低。 To learn semantics-rich mobility models from semantic where each GPS record is associated with a text message trace data, we propose SHMM, a method that uncovers hu- that describes the user’s activity. We provide the formal def- man mobility regularities by statistically modeling the gen- inition of a semantic trace as follows. eration process of the given trace data. SHMM is a multi- Definition 1 (Semantic Trace). The semantic trace of a user modal spherical hidden Markov model (HMM). Under the is a time-ordered sequence . Each hidden Markov assumption, it jointly models the generation record is a tuple where: (1) is the timestamp of the observed location, time, and text at each step of an scalar; (2) is a two-dimensional vector representing the input trace. While the low-dimensional location and time location of the user at time ; and (3) is a text message