时间: 2018年05月30日 09:30
地点: 基础教学楼B座318实验室
研读成员: 田伟、郭铭浩
分享者一:田伟
[1] H. Liu, T. Li, R. Hu, Y. Fu, J. Gu, and H. Xiong, “Joint Representation Learning for Multi-Modal Transportation Recommendation,” AAAI, to Appear, 2019.
[2] J. He, J. Qi, and K. Ramamohanarao, “A Joint Context-Aware Embedding for Trip Recommendations,” ICDE, 2019.
论文简介:
[1] 多模式出行方式推荐的目标是推荐考虑多种出行模式的旅行计划,以及如何在这些模式之间建立联系。多模式出行方式推荐系统的成功开发有助于满足旅客的多样化需求,提高运输网络的效率。然而,现有的运输推荐系统主要关注单模出行方式规划。
因此,这篇文章提出了一种基于多模态出行方式图(MMTG)的多模态交通推荐的联合表征学习框架。首先从大规模地图查询数据中提取MMTG,以描述用户user、OD对(OD Pair)和出行模式(mode)的一致性。然后,为出行模式开发锚嵌入(anchor embedding)以初始化出行模式的嵌入。此外,对用户相关性和OD对相关性进行推断,并将它们合并以规范表示学习。最后,利用学习的表示来进行在线多模式出行方式推荐。
[2] 旅行推荐是一项重要的基于位置的服务,有助于减轻用户的旅行计划时间和精力。它旨在为用户推荐一系列感兴趣的地点(POI),以最大限度地提高用户的满意度。在将POI添加到推荐行程时,必须了解推荐的上下文,包括POI popularity、旅行中共同出现的其他POI、用户的偏好。这些上下文因素在现有研究中单独学习,而实际上,它们共同影响用户对POI的选择。
这篇文章提出了一个POI嵌入模型,以共同学习这些上下文因素的影响。本文将学习的POI称为嵌入上下文感知的POI嵌入,为了展示这种嵌入的有效性,将其应用于根据用户和时间预算生成旅行推荐。然后,文章基于上下文感知POI嵌入提出了两种旅行推荐算法。第一算法通过将行程推荐问题变换为整数线性规划问题来找到精确的最佳行程。为了实现高计算效率,第二算法基于自适应大邻域搜索的启发式优化算法。
分享者二:郭铭浩
[1] Hsu C Y, Hristov R, Lee G H, et al. Enabling Identification and Behavioral Sensing in Homes using Radio Reflections[C]//Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems. ACM, 2019: 548.
论文简介:
本文主要展示的成果是美国工程院院士、MIT教授Dina Katabi带领的团队研发的一个健康监测系统Marko。在医疗领域,对于慢性病,长期监测患者的身体和行为状况显得尤为重要。普通健康监测系统需要给用户装大量的sensor,这样的监测可能对用户相当不友好,特别对于抑郁症、阿兹海默症、患有呼吸或睡眠问题的病人,传统的监测方式不利于他们的病情。因此,Dina教授考虑使用外部sensor对用户进行监测,这些sensor可以对用户的呼吸、睡眠、心率、运动轨迹等指数进行监测。除医疗之外,该系统在社会学研究领域(行为研究)也有应用价值。
Marko系统的基本工作过程是:发射低功率无线信号并分析其来自环境的反射,而后利用可视化技术展现结果、利用机器学习算法辅助诊断。通俗地说,Marko系统使用外在的sensors作为耳朵或眼睛,机器学习算法作为大脑,为医生远程监测病人,并辅助诊断决策。
作者通过对六个家庭进行为期一个月的部署、实验,展现了Marko在研究夫妻关系、护理者与病人间关系上的价值。