田继伟,王劲松,石凯

(天津理工大学计算机科学与工程学院 天津 300384) (天津市智能计算及软件新技术重点实验室(天津理工大学) 天津 300384) (计算机病毒防治技术国家工程实验室(天津理工大学) 天津 300457) (jiwei.tian@foxmail.com)

出版日期: 2019-09-10


基金资助:国家自然科学基金项目(61272450)；天津市自然科学基金重点项目(18JCZDJC30700)；天津市科技计划项目(17ZXHLSY00060)

Positive and Unlabeled Generative Adversarial Network on POI Positioning

Tian Jiwei, Wang Jinsong, Shi Kai

(School of Computer Science and Engineering, Tianjin University of Technology, Tianjin 300384) (Tianjin Key Laboratory of Intelligence Computing and Novel Software Technology (Tianjin University of Technology), Tianjin 300384) (National Engineering Laboratory for Computer Virus Prevention and Control Technology (Tianjin University of Technology), Tianjin 300457)

Online: 2019-09-10


Supported by:This work was supported by the National Natural Science Foundation of China (61272450), the Key Program of the Natural Science Foundation of Tianjin (18JCZDJC30700), and the Science and Technology Project of Tianjin (17ZXHLSY00060).

摘要/Abstract

摘要： 随着智能移动设备的快速普及，人们对基于位置的社交网络服务的依赖性越来越高.但是，由于数据采集成本昂贵以及现有数据采集技术的缺陷，基于小样本数据挖掘的兴趣点(point of interest, POI)定位已经成为了一种挑战.尽管已经有一些POI定位方面的研究，但是现有的方法不能解决正样本数据不足的问题.提出一种基于PU与生成对抗网络(positive and unlabeled generative adversarial network, puGAN)的模型，采用PU学习和生成对抗网络相结合的方式挖掘数据的隐藏特征，生成伪正样本弥补数据不足的问题，并校正无标签样本数据的分布，从而训练出有效的POI判别模型.通过分析ROC曲线以及训练误差和测试误差在迭代过程中的变化和关系来比较不同模型在实验场景下的效果.结果表明，puGAN模型可以有效解决数据样本不足的问题，进而提高POI定位的准确性.

参考文献

相关文章 15

[1]	吴宗友, 白昆龙, 杨林蕊, 王仪琦, 田英杰. 电子病历文本挖掘研究综述[J]. 计算机研究与发展, 2021, 58(3): 513-527.
[2]	付章杰, 李恩露, 程旭, 黄永峰, 胡雨婷. 基于深度学习的图像隐写研究进展[J]. 计算机研究与发展, 2021, 58(3): 548-568.
[3]	徐坤浩, 聂铁铮, 申德荣, 寇月, 于戈. 基于CPU-GPU异构体系结构的并行字符串相似性连接方法[J]. 计算机研究与发展, 2021, 58(3): 598-608.
[4]	李若南, 李金宝. 一种无源被动室内区域定位方法的研究[J]. 计算机研究与发展, 2020, 57(7): 1381-1392.
[5]	陶涛, 孙玉娥, 陈冬梅, 杨文建, 黄河, 罗永龙. 一种基于智能手机传感器数据的地图轮廓生成方法[J]. 计算机研究与发展, 2020, 57(7): 1490-1507.
[6]	于海涛, 杨小汕, 徐常胜. 基于多模态输入的对抗式视频生成方法[J]. 计算机研究与发展, 2020, 57(7): 1522-1530.
[7]	王庆林, 李东升, 梅松竹, 赖志权, 窦勇. 面向飞腾多核处理器的Winograd快速卷积算法优化[J]. 计算机研究与发展, 2020, 57(6): 1140-1151.
[8]	张宪, 史沧红, 李孝杰. 基于特征对抗对的视觉特征归因网络研究[J]. 计算机研究与发展, 2020, 57(3): 604-615.
[9]	陈叶旺, 申莲莲, 钟才明, 王田, 陈谊, 杜吉祥. 密度峰值聚类算法综述[J]. 计算机研究与发展, 2020, 57(2): 378-394.
[10]	刘芳,李戈,胡星,金芝. 基于深度学习的程序理解研究进展[J]. 计算机研究与发展, 2019, 56(8): 1605-1620.
[11]	戴臣超,王洪元,倪彤光,陈首兵. 基于深度卷积生成对抗网络和拓展近邻重排序的行人重识别[J]. 计算机研究与发展, 2019, 56(8): 1632-1641.
[12]	洪敏,贾彩燕,李亚芳,于剑. 样本加权的多视图聚类算法[J]. 计算机研究与发展, 2019, 56(8): 1677-1685.
[13]	苗春雨，陈丽娜，吴建军，周家庆，冯旭杭. 无线传感器网络节点位置验证框架[J]. 计算机研究与发展, 2019, 56(6): 1231-1243.
[14]	赵宇海,印莹,李源,汪嗣尧,王国仁. 一种面向大规模序列数据的交互特征并行挖掘算法[J]. 计算机研究与发展, 2019, 56(5): 992-1006.
[15]	李明月,罗向阳,柴理想,袁福祥,甘勇. 基于网络节点聚类的目标IP城市级定位方法[J]. 计算机研究与发展, 2019, 56(3): 467-479.

PDF全文下载地址:

https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4000