DPLink:User Identity Linkage via Deep Neural Network From Heterogeneous Mobility Data

这篇文章要解决的问题是从不同结构的轨迹数据中找到相同的用户。（同一个人在不同平台都会产生数据，要根据不同平台上获得的数据来推断这是不是属于同一个人）

三大贡献：

1. 在构建embedding的地方使用了多模态的方式构建，有位置、时间、POI等辅助信息可以融合

2. 在Recurrent Encoder中，对中间隐层进行了pooling操作，使得序列数据embed到定长的向量中（针对每一维度，在所有时序数据的隐层中取最大）

3. co-attention selector，A,B轨迹对，将A的时序隐层表示 $h_1->h_t$ 与B的轨迹RNN表示（第二点中得到）做attention操作；同时，将B的时序隐层表示 $h_1->h_t$ 表示与A的轨迹RNN表示做attention操作。获得A、B轨迹间的关联程度。

4.在单一数据集上先进行同一用户相近轨迹学习的预训练方法值得学习。

文章的不足：

1. 没有预训练，模型的效果就变得很差

2. 使用dot attention会不会过于简单？

3. 由于数据集限制，并未考虑到文本信息的嵌入（在结论中，作者提出的Future work）

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 213,047评论 6赞 492
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 90,807评论 3赞 386
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 158,501评论 0赞 348
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 56,839评论 1赞 285
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 65,951评论 6赞 386
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 50,117评论 1赞 291
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 39,188评论 3赞 412
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 37,929评论 0赞 268
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 44,372评论 1赞 303
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 36,679评论 2赞 327
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 38,837评论 1赞 341
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 34,536评论 4赞 335
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 40,168评论 3赞 317
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 30,886评论 0赞 21
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 32,129评论 1赞 267
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 46,665评论 2赞 362
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 43,739评论 2赞 351

DPLink:User Identity Linkage via Deep Neural Network From Heterogeneous Mobility Data

这篇文章要解决的问题是从不同结构的轨迹数据中找到相同的用户。（同一个人在不同平台都会产生数据，要根据不同平台上获得的数据来推断这是不是属于同一个人）

三大贡献：

1. 在构建embedding的地方使用了多模态的方式构建，有位置、时间、POI等辅助信息可以融合

2. 在Recurrent Encoder中，对中间隐层进行了pooling操作，使得序列数据embed到定长的向量中（针对每一维度，在所有时序数据的隐层中取最大）

3. co-attention selector，A,B轨迹对，将A的时序隐层表示 与B的轨迹RNN表示（第二点中得到）做attention操作；同时，将B的时序隐层表示表示与A的轨迹RNN表示做attention操作。获得A、B轨迹间的关联程度。

4.在单一数据集上先进行同一用户相近轨迹学习的预训练方法值得学习。

文章的不足：

1. 没有预训练，模型的效果就变得很差

2. 使用dot attention会不会过于简单？

3. 由于数据集限制，并未考虑到文本信息的嵌入（在结论中，作者提出的Future work）

推荐阅读更多精彩内容

3. co-attention selector，A,B轨迹对，将A的时序隐层表示 $h_1->h_t$ 与B的轨迹RNN表示（第二点中得到）做attention操作；同时，将B的时序隐层表示 $h_1->h_t$ 表示与A的轨迹RNN表示做attention操作。获得A、B轨迹间的关联程度。