图编辑距离(GED)是一种常用的图相似性度量函数，其精确计算为NP-hard问题。因此，近期研究者们提出诸多基于图神经网络的图相似度计算方法。现有方法在特征提取时忽略了两个图节点之间的跨图交互信息，并且缺乏对图中节点高阶关系的学习。针对以上问题，提出了一种基于跨图特征融合和结构感知注意力的图相似度计算模型(Cross-graph feature fusion with structure-aware attention for graph similarity computation,CFSA)。首先，该模型提出了一种跨图节点特征学习方法，引入跨图注意力机制提取节点的跨图交互信息，并将节点的局部特征和跨图交互特征进行有效融合；其次，提出了一种结构感知型多头注意力机制，结合节点特征信息和图结构信息，有效捕捉节点间的高阶关系。在3个公共数据集上的实验结果表明，CFSA模型的预测准确率相较于现有模型分别提升4.8%、5.1%、15.8%，且在大多项性能指标上均有优势，证明了CFSA在GED预测任务上的有效性和效率。
下一个兴趣点推荐(next POI recommendation)作为基于位置社交网络的主要应用之一,为用户和服务提供商带来了显著的实用价值。现有的POI推荐模型主要依赖于目标用户的历史签到数据进行推荐,没有充分利用其他用户移动轨迹数据的潜在价值...
详细信息
下一个兴趣点推荐(next POI recommendation)作为基于位置社交网络的主要应用之一,为用户和服务提供商带来了显著的实用价值。现有的POI推荐模型主要依赖于目标用户的历史签到数据进行推荐,没有充分利用其他用户移动轨迹数据的潜在价值,也未有效提取和融合时空-类别信息的特征。为了解决上述问题,提出了一种融合人群移动轨迹和时空-类别的下一个兴趣点推荐模型(GGCN-STC)。依据用户的移动轨迹构建区域轨迹图,提出了门控图卷积神经网络对共同移动轨迹进行建模;将签到序列中的时空-类别信息进行多维度的特征融合;利用自注意力机制捕获用户偏好,为用户提供更准确的POI推荐。在两个真实数据集上进行实验比较与分析,结果表明该模型优于其他模型。
暂无评论