论文部分内容阅读
随着使用地图客户端导航的用户越来越多,如何综合考虑用户的出行偏好,以及环境上下文因素,进行出行推荐是工业界和学术界一直关注的热点。目前对于出行推荐相关任务,人们多关注于单模态出行推荐或者路径规划等。路线规划相关的应用已经成熟,例如百度地图能够准确的给出不同出行模态下的推荐路径,已经能够满足大部分用户的需求。然而,当前关于出行模态推荐的研究相对较少。当人们到达陌生的城市,不熟悉当地交通情况时,选取哪种出行模态适合是令人困惑的问题。因此,本文提出一种联合表征学习的框架进行出行模态的推荐,学习到的表征向量不仅能够表征用户和OD历史上对出行模态的偏好,也能够表征用户画像和OD画像信息。本文认为用户和OD在出行模态上的偏好是直接影响出行模态的选择,因为个体具有特殊性,画像和上下文环境相同的情况下,不同偏好的用户会有不同的选择。对于出行偏好建模的问题,本文提出一种BTrans2Vec的模型,分别建立用户-出行模态以及出行模态-OD的二部图,利用图表征的方法在图上随机漫步,学习用户,出行模态,以及OD的表征。对于出行模态偏少,用户和OD相对偏多,出行模态在图中是Hub结点造成分布不均衡的问题,本文提出利用基于锚点的策略来减少hub结点的影响。最后,本文提出一种online推荐的方式,根据学习到的表征对出行模态进行实时推荐。BTrans2Vec在多个出行数据集上的实验证明,出行推荐的准确度均优于目前的模型。另外,本文考虑到对于使用地图客户端少的用户,出行偏好失真。如何根据用户和OD的画像信息解决出行偏好失真的情况。本文认为在出行偏好失真的情况下,画像相似的用户表征应该相似,同样画像相似的OD表征相似。因此,本文提出Trans2Vec的模型,根据用户和OD画像的相似程度在级联二部图基础上建立用户-用户的边,OD-OD的边。将画像信息作为规则化项,根据画像对学习到的表征进行约束。另外,针对不同画像特征对出行影响权重不同的问题,本文使用逻辑回归模型学习不同特征的权重。本文在不同数据集上将Trans2Vec与BTrans2Vec实验结果对比发现,各项指标上Trans2Vec都略优于BTrans2Vec。并且本文提出的方法已经部署在百度地图客户端,作为国内最大的导航系统之一,它每天服务成千上万的用户,验证了本文提出方法的有效性。