随着基于位置的社交网络的快速发展,下一个PoI(point of interest)推荐已成为推荐领域的研究热点。然而现有研究模型忽略了PoI的时空特征以及上下文信息对下一个PoI推荐的效果。针对该问题,提出一种时空上下文感知的下一个PoI推荐方法...随着基于位置的社交网络的快速发展,下一个PoI(point of interest)推荐已成为推荐领域的研究热点。然而现有研究模型忽略了PoI的时空特征以及上下文信息对下一个PoI推荐的效果。针对该问题,提出一种时空上下文感知的下一个PoI推荐方法。首先,利用图注意力网络(GAT)学习包含社交关系的用户表征;并且通过流行度增强二部图神经网络(PEBGNN)学习含有PoI交互偏好的用户表征和PoI表征;同时,利用时空图卷积网络(ST-GCN)学习PoI时空转移偏好的PoI表征;最后,通过融合所学到的用户表征和PoI表征,计算出用户对于各个PoI的预测评分,以此为基础为用户推荐下一个PoI。为了验证该方法的有效性,在Gowalla、Foursquare以及Yelp这三个公开的数据集上进行了测试。实验结果显示,相比于多个基准模型,所提方法在准确率和召回率方面均展现出了显著的优势,分别平均提升28.53%和7.65%。展开更多
在单目标长期跟踪过程中,为了避免快速移动、运动模糊的噪声影响以及解决目标出视角后再出现的跟踪无法恢复问题,提出了一种基于时空上下文相似性的TLD(tracking-learning-detection)目标跟踪算法(TLD object tracking algorithm based ...在单目标长期跟踪过程中,为了避免快速移动、运动模糊的噪声影响以及解决目标出视角后再出现的跟踪无法恢复问题,提出了一种基于时空上下文相似性的TLD(tracking-learning-detection)目标跟踪算法(TLD object tracking algorithm based on spatio-temporal context similarity,TLD-STCS)。首先进行检测分类器的学习。然后利用STC跟踪算法进行下一帧计算,对计算得到的获选目标与前一帧目标进行空间上下文的相似性计算,即保守相似度计算以及运动相似度计算,进行跟踪结果的有效判断,若判定有效,则输出过程与TLD的一样;如果判定失效,将此时的上下文时空模型加入到目标时空模型。对检测模块检测到的多个候选目标位置计算其置信图,输出平均置信值最大的检测目标,并对目标时空模型进行更新,如果检测到单聚类框就直接输出。最后进行在线学习来更新分类器的相关参数,改善检测精度。在不同测试视频序列上进行算法对比验证,结果表明,TLD-STCS算法能自适应目标遮挡、旋转等复杂情景下的目标跟踪,具有很高的鲁棒性,尤其是在目标快速移动且运动模糊情况下具有很好的抗干扰能力和很高的成功率。展开更多
文摘随着基于位置的社交网络的快速发展,下一个PoI(point of interest)推荐已成为推荐领域的研究热点。然而现有研究模型忽略了PoI的时空特征以及上下文信息对下一个PoI推荐的效果。针对该问题,提出一种时空上下文感知的下一个PoI推荐方法。首先,利用图注意力网络(GAT)学习包含社交关系的用户表征;并且通过流行度增强二部图神经网络(PEBGNN)学习含有PoI交互偏好的用户表征和PoI表征;同时,利用时空图卷积网络(ST-GCN)学习PoI时空转移偏好的PoI表征;最后,通过融合所学到的用户表征和PoI表征,计算出用户对于各个PoI的预测评分,以此为基础为用户推荐下一个PoI。为了验证该方法的有效性,在Gowalla、Foursquare以及Yelp这三个公开的数据集上进行了测试。实验结果显示,相比于多个基准模型,所提方法在准确率和召回率方面均展现出了显著的优势,分别平均提升28.53%和7.65%。
文摘在单目标长期跟踪过程中,为了避免快速移动、运动模糊的噪声影响以及解决目标出视角后再出现的跟踪无法恢复问题,提出了一种基于时空上下文相似性的TLD(tracking-learning-detection)目标跟踪算法(TLD object tracking algorithm based on spatio-temporal context similarity,TLD-STCS)。首先进行检测分类器的学习。然后利用STC跟踪算法进行下一帧计算,对计算得到的获选目标与前一帧目标进行空间上下文的相似性计算,即保守相似度计算以及运动相似度计算,进行跟踪结果的有效判断,若判定有效,则输出过程与TLD的一样;如果判定失效,将此时的上下文时空模型加入到目标时空模型。对检测模块检测到的多个候选目标位置计算其置信图,输出平均置信值最大的检测目标,并对目标时空模型进行更新,如果检测到单聚类框就直接输出。最后进行在线学习来更新分类器的相关参数,改善检测精度。在不同测试视频序列上进行算法对比验证,结果表明,TLD-STCS算法能自适应目标遮挡、旋转等复杂情景下的目标跟踪,具有很高的鲁棒性,尤其是在目标快速移动且运动模糊情况下具有很好的抗干扰能力和很高的成功率。
