时空活动预测,旨在预测特定位置和时间的用户活动,对于城市规划和移动广告等应用至关重要。基于张量分解或嵌入图的现有解决方案受到以下两个主要局限性的影响:1)忽略用户偏好的细粒度相似之处; 2)用户的建模是纠缠的。在这项工作中,我们提出了一个称为Disenhcn的超图神经网络模型,以弥合上述差距。特别是,我们首先将细粒的用户相似性和用户偏好和时空活动之间的复杂匹配统一为异质性超图。然后,我们将用户表示形式分为不同的方面(位置感知,时光和活动意识),并汇总相应的方面在构造的超图上的特征,从不同方面捕获了高阶关系,并解散了最终方面的最终影响。预言。广泛的实验表明,我们的DisenHCN在四个现实世界中的数据集上优于最新方法的最新方法14.23%至18.10%。进一步的研究还令人信服地验证了我们disenhcn中每个组件的合理性。
translated by 谷歌翻译