.png){kind=icon}
返回
Decoding digital footprints: user re-identification through mobility pattern decomposition and collaborative fusion
.png){kind=icon}
OA
AI
DOI：10.1007/s40747-025-02185-0.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对海量轨迹数据中的人类移动复杂性进行建模构成了一个核心科学挑战。在用户重识别任务中，性能受到建模范式的制约，这些范式未能解决短期动态与长期习惯之间的固有异质性。主流的单一模型方法将移动性视为同质序列，而即使是最近的分支模型也往往缺乏规范的分解或有效的协同融合。本文认为，解决这一根本性限制需要从单一模型范式转向“分解-协同”的哲学理念。我们提出的框架通过并行双分支架构实现这一理念：一个分支利用时间卷积网络（TCN）分解微观层面的因果依赖关系，而一个并行的Transformer分支提炼宏观层面的周期性范式。关键在于，我们设计了一种协同注意力机制，通过建立这些异质表示之间的双向对话来支持协同推理，最终形成更全面且具有判别力的用户画像。在三个真实世界LBSN数据集上的广泛实验确立了新的最佳性能。我们的全双分支模型取得了显著提升的结果。在Foursquare（259用户）数据集上，我们的模型达到ACC@1为60.27%、Macro-F1为60.24%，比最强基线DeepTUL高出3.11个百分点。在具有挑战性的Brightkite（259用户）数据集上，我们模型的ACC@1为63.21%，较同一基线提升了2.57个百分点。这些结果为所提出的分解-协同范式的优越性提供了有力的实证证据。
Keyword:
User re-identification
Human mobility
Dual-branch network
Temporal convolutional network
Transformer
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
