【KDD2020】 增量移动用户分析：用于事件流建模的空间知识图谱强化学习方法​

题目： 增量移动用户分析：用于事件流建模的空间知识图谱强化学习方法

会议： KDD 2020

论文地址： https://dl.acm.org/doi/pdf/10.1145/3394486.3403128

推荐理由： 这篇论文研究了用于增量移动用户分析的强化学习和空间知识图谱的集成，旨在通过从混合用户事件流中进行创造性学习。这篇论文提出了将强化学习框架应用于增量移动用户分析中，利用用户与空间知识图谱的交互，模拟智能体与环境的交互，制定用户与空间KG之间的相互更新策略，并结合时间上下文，以量化随时间演变的状态表示。

1 引言 经典的移动用户分析是先收集大规模的时空事件数据，然后利用收集的用户配置文件来表征用户模式和偏好。这种方法忽视用户配置文件的动态性。增量移动用户分析（Incremental Mobile User Profiling，IMUP），旨在通过从事件流中逐步学习来产生更准确的动态更新的用户配置文件。

移动用户分析中的现有工作大致可以分为3类：（1）显式配置文件提取，（2）基于分解的方法（3）基于深度学习的方法。但是，这些研究大多数都不能直接应用于混合用户事件流，也无法实现多用户增量分析。

在本篇文章中，我们将使用强化学习框架解决增量移动用户分析问题。在此框架中，Agent是下一次访问计划者，它试图完美地模仿一组移动用户。环境、状态是由用户和空间知识图谱所构成。动作是给定移动用户将访问的POI，它是由Agent根据环境状态估算做出的决策。用户采取行动访问POI的行为将改变环境，从而更新用户和空间知识图谱的状态，以便于Agent更好地估计下次访问。行动的好坏可以使用Agent的活动模式和实际用户的活动模式之间的差距来进行衡量。本文的目标是利用强化学习框架，通过从事件流中进行增量学习来提取环境状态下各种用户的动态表示。