Linking user accounts belonging to the same user across different platforms with location data has received significant attention, due to the popularization of GPS-enabled devices and the wide range of applications benefiting from user account linkage (e.g., cross-platform user profiling and recommendation). Different from most existing studies which only focus on user account linkage across two platforms, we propose a novel model ULMP (i.e., user account linkage across multiple platforms), with the goal of effectively and efficiently linking user accounts across multiple platforms with location data. Despite of the practical significance brought by successful user linkage across multiple platforms, this task is very challenging compared with the ones across two platforms. The major challenge lies in the fact that the number of user combinations shows an explosive growth with the increase of the number of platforms. To tackle the problem, a novel method GTkNN is first proposed to prune the search space by efficiently retrieving top-k candidate user accounts indexed with well-designed spatial and temporal index structures. Then, in the pruned space, a match score based on kernel density estimation combining both spatial and temporal information is designed to retrieve the linked user accounts. The extensive experiments conducted on four real-world datasets demonstrate the superiority of the proposed model ULMP in terms of both effectiveness and efficiency compared with the state-of-art methods.

中文翻译：

---

具有位置数据的跨多个平台的用户帐户链接

由于支持 GPS 的设备的普及以及受益于用户帐户链接的广泛应用（例如，跨平台用户配置文件和推荐），将属于同一用户的跨不同平台的用户帐户与位置数据相关联受到了极大的关注. 与大多数现有研究仅关注跨两个平台的用户帐户链接不同，我们提出了一种新颖的模型 ULMP（即跨多个平台的用户帐户链接），其目标是有效地将跨多个平台的用户帐户与位置数据链接起来。尽管跨多个平台的成功用户链接带来了实际意义，但与跨两个平台的任务相比，这项任务非常具有挑战性。主要挑战在于，随着平台数量的增加，用户组合数量呈爆发式增长。为了解决这个问题，首先提出了一种新方法 GTkNN，通过有效地检索用精心设计的空间和时间索引结构索引的前 k 个候选用户帐户来修剪搜索空间。然后，在修剪后的空间中，设计基于结合空间和时间信息的内核密度估计的匹配分数来检索链接的用户帐户。在四个真实世界数据集上进行的大量实验证明了所提出的模型 ULMP 在有效性和效率方面与最先进的方法相比的优越性。首次提出了一种新方法 GTkNN，通过有效检索使用精心设计的空间和时间索引结构索引的前 k 个候选用户帐户来修剪搜索空间。然后，在修剪后的空间中，设计基于结合空间和时间信息的内核密度估计的匹配分数来检索链接的用户帐户。在四个真实世界数据集上进行的大量实验证明了所提出的模型 ULMP 在有效性和效率方面与最先进的方法相比的优越性。首次提出了一种新方法 GTkNN，通过有效检索使用精心设计的空间和时间索引结构索引的前 k 个候选用户帐户来修剪搜索空间。然后，在修剪后的空间中，设计基于结合空间和时间信息的内核密度估计的匹配分数来检索链接的用户帐户。在四个真实世界数据集上进行的大量实验证明了所提出的模型 ULMP 在有效性和效率方面与最先进的方法相比的优越性。基于结合空间和时间信息的内核密度估计的匹配分数旨在检索链接的用户帐户。在四个真实世界数据集上进行的大量实验证明了所提出的模型 ULMP 在有效性和效率方面与最先进的方法相比的优越性。基于结合空间和时间信息的内核密度估计的匹配分数旨在检索链接的用户帐户。在四个真实世界数据集上进行的大量实验证明了所提出的模型 ULMP 在有效性和效率方面与最先进的方法相比的优越性。