【摘自：絡茄網 https://www.luoqie.com】基於位置的簽到顯示了很多關於一個人 - 特別是大學生，事實證明。普渡大學的研究人員在上個月早些時候在預印本服務器Arxiv.org上發表了一篇論文（“ 探索改進興趣點預測的學生登記行為 ”），描述了Wi-Fi訪問日誌如何用於識別用戶之間的相關性學術環境中的地點和活動。
使用AI預測位置數據中的位置和友誼可能聽起來有點令人毛骨悚然，真實。但從好的方面來說，它不像人工智能那樣可以通過眼球運動來預測人格特質。
“在興趣點（POI）任務中，目標是使用用戶行為數據來模擬用戶在不同位置和時間的活動，然後根據他們當前的背景進行預測（或針對相關場所的建議，”研究人員寫道：“在這項工作中，我們首先分析了時空教育'登記'數據集，目的是使用POI預測來個性化學生的建議......並瞭解提高學生保留率和滿意度的行為模式。結果還可以更好地瞭解校園設施的使用方式以及學生之間的聯繫方式。“
該團隊指出，在大多數之前的POI研究中，數據集主要包括來自Foursquare或Yelp等社交網絡應用程序的自願簽到。因此，他們對餐館和娛樂熱點的信息“豐富”，但沒有對“平淡無奇”的活動有所瞭解，比如到辦公室，離開家，或經營差事。此外，由於為他們做出貢獻的用戶經常只訪問一次場地，因此他們可能會得出有偏見的結論，並且難以確定一致的模式。
研究人員選擇用Wi-Fi解決問題 - 普渡大學的Wi-Fi。他們在論文中提出的優勢是“更好的時間分辨率”，因為每個用戶的Wi-Fi訪問歷史數據量非常大。（當他們的設備無線發送或接收數據包時，參與研究的學生“簽入”，導致最終達到376GB的日誌文件。）在將這些數據與位置的場地信息配對後，論文的作者能夠分析所有新生普渡大學學生在2016-2017學年的運動。
數據集中的每個條目包含四個項目：用戶，興趣點，興趣點功能（例如，居住或娛樂）和時間跨度（在給定位置花費的時間量）。在處理之後，處理的樣本包括少於100個簽入和其他步驟的用戶，處理後的樣本有5.4億個日誌。
它揭示了一些有趣的趨勢。例如，在工作日，學生們在下午12點和下午6點前往餐廳，並在晚上8點左右去健身房。可以預見的是，新生學生很快（在前2-3周內）探索了校園，然後堅持修復，在學期剩餘時間內熟悉的建築範圍。而且偏好因專業而異。計算機科學專業的學生和藥房學生同時用餐，但後者在上午11點到下午12點之間更多地上課.CS學生從早上到下午打書，花更多的時間在學術建築上，而藥學學生則把它帶到了後來的重量室。
經過額外的處理和索引後，研究人員按照時間順序對前80個登記記錄中的一系列機器學習模型進行了培訓，並保留了剩下的20％用於測試。他們提出的人工智能系統 - 嵌入密集的異構圖形或EDHG - 能夠準確地預測學生訪問過的前三個位置，準確率分別為85％和31％，前十位，準確度分別為90％和71％。
接下來，該論文的作者將其放在“合作事件”上 - 當兩名學生同時在同一個地方時。他們推測它可以表明人與人之間的關係 - 即友誼。
EDHG在這方面做得很好，建議為每個用戶列出10個潛在朋友，這些朋友的表現優於基線中最先進的方法。然而，研究人員指出，針對不太活躍的用戶（即簽到次數較少的用戶）的建議往往不太準確。
他們留待將來的工作將合作數據納入AI模型，他們希望這將顯示社交互動是否會影響學生的登記行為。
“這些初步結果表明了將學生軌跡信息用於教育應用中的個性化推薦的承諾，”他們寫道，“以及學生保留和滿意度的預測模型。”
讓我們希望未來的用例與研究人員預測的一樣無害。
閱讀更多 互聯網雲時代 的文章
