編譯：chux
出品：ATYUN訂閱號
基於位置的簽到能顯示關於一個人的很多信息，特別是對於大學生來說。普渡大學的研究人員發表了一篇論文“Exploring Student Check-In Behavior for Improved Point-of-Interest Prediction”，描述了使用Wi-Fi訪問日誌來識別用戶、位置和學術環境中的活動之間的相關性。
使用AI預測位置數據中的位置和朋友可能聽起來有點令人擔憂，但從好的方面來說，它不是那種通過眼球運動來預測人格特質的技術。
“在興趣點（POI）任務中，目標是使用用戶行爲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預測來爲學生個性化推薦，並瞭解提高學生保留率和滿意度的行爲模式。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，餐館和娛樂熱點的信息豐富，但平常的活動沒有多少信息，比如到辦公室，離開家，或辦一些差事。此外，由於爲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”，因爲每個用戶的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，參與研究的學生簽到，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）熟悉了校園，然後堅持在固定的熟悉的範圍活動。而且偏好因專業而異，計算機科學專業的學生和藥劑學學生同時用餐，但後者在上午11點到下午12點之間更多地上課。計算機科學專業學生從早上到下午讀書，花更多的時間在學術上，而藥劑學學生稍晚會到健身房。
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訓練，並保留了剩下的20％用於測試。他們提出的AI系統，即爲密集的異構圖形嵌入（EDHG），能夠準確地預測學生訪問過的前三的位置，準確率爲85％到31％，前十位置的準確度爲90％到71％。
接下來，當兩個學生同時在同一個地方的時候，論文的作者就會放鬆對聯誼活動的限制。他們從理論上推測它可以表示人際關係。
EDHG在這方面做得很好，它建議爲每個用戶列出10個潛在的朋友，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）的建議不太準確。
之後的工作時將合作數據納入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爲，“這些初步結果表明，將學生軌跡信息用於教育應用中的個性化推薦，以及學生滿意度的預測模型是很有希望的。”
論文：arxiv.org/pdf/1811.06912.pdf