The Corona Virus Disease 2019 has a great impact on public health and public psychology. People stay at home for a long time and rarely go out. With the improvement of the epidemic situation, people began to go to different places to check in. To maintain public mental health, it is necessary to propose a point-of-interest (POI) prediction model which can mine users' interests. However, the current techniques suffer from lower precision during prediction and the practical value is poor, which is due to the sparse data of users' check-in. Faced with this challenge, we propose an attention-based bidirectional gated recurrent unit (GRU) model for POI category prediction (ABG_poic). We regard the user's POI category as the user's interest preference because the fuzzy POI category is easier to reflect the user's interest than the POI. This method can alleviate the data sparsity, and protect users' location privacy. Since users' preferences are variable, we utilize a bidirectional GRU to capture the dynamic dependence of users' check-ins. Furthermore, since the neural network is similar to a “black box” in feature learning, the decision-making stage is opaque. Thus, we combine the attention mechanism with bidirectional GRU to selectively focus on historical check-in records, which can improve the interpretability of the model. Considering the time impact on users' check-in, we utilize the time sliding window in the ABG_poic model. Experiments on two data sets demonstrate that our ABG_poic outperforms the comparison models for POI category prediction on sparse check-in data.

中文翻译：

---

基于双向 GRU 网络的医疗保健下一个 POI 类别预测

2019 年冠状病毒病对公共卫生和公众心理产生了重大影响。人们长时间呆在家里，很少出门。随着疫情的好转，人们开始去不同的地方打卡。为了维护公众的心理健康，需要提出一种可以挖掘用户兴趣的兴趣点（POI）预测模型。然而，由于用户签到的数据稀疏，目前的技术预测精度较低，实用价值较差。面对这一挑战，我们提出了一种基于注意力的双向门控循环单元（GRU）模型，用于 POI 类别预测（ABG_poic）。我们将用户的 POI 类别视为用户的兴趣偏好，因为模糊 POI 类别更容易反映用户' 比 POI 更感兴趣。该方法可以缓解数据稀疏性，保护用户的位置隐私。由于用户的偏好是可变的，我们利用双向 GRU 来捕获用户签到的动态依赖性。此外，由于神经网络类似于特征学习中的“黑匣子”，因此决策阶段是不透明的。因此，我们将注意力机制与双向 GRU 结合起来，选择性地关注历史签到记录，从而提高模型的可解释性。考虑到时间对用户签到的影响，我们利用 ABG_poic 模型中的时间滑动窗口。对两个数据集的实验表明，我们的 ABG_poic 在稀疏签到数据上优于 POI 类别预测的比较模型。并保护用户的位置隐私。由于用户的偏好是可变的，我们利用双向 GRU 来捕获用户签到的动态依赖性。此外，由于神经网络类似于特征学习中的“黑匣子”，因此决策阶段是不透明的。因此，我们将注意力机制与双向 GRU 结合起来，选择性地关注历史签到记录，从而提高模型的可解释性。考虑到时间对用户签到的影响，我们利用 ABG_poic 模型中的时间滑动窗口。对两个数据集的实验表明，我们的 ABG_poic 在稀疏签到数据上优于 POI 类别预测的比较模型。并保护用户的位置隐私。由于用户的偏好是可变的，我们利用双向 GRU 来捕获用户签到的动态依赖性。此外，由于神经网络类似于特征学习中的“黑匣子”，因此决策阶段是不透明的。因此，我们将注意力机制与双向 GRU 结合起来，选择性地关注历史签到记录，从而提高模型的可解释性。考虑到时间对用户签到的影响，我们利用 ABG_poic 模型中的时间滑动窗口。对两个数据集的实验表明，我们的 ABG_poic 在稀疏签到数据上优于 POI 类别预测的比较模型。我们利用双向 GRU 来捕获用户签到的动态依赖关系。此外，由于神经网络类似于特征学习中的“黑匣子”，因此决策阶段是不透明的。因此，我们将注意力机制与双向 GRU 结合起来，选择性地关注历史签到记录，从而提高模型的可解释性。考虑到时间对用户签到的影响，我们利用 ABG_poic 模型中的时间滑动窗口。对两个数据集的实验表明，我们的 ABG_poic 在稀疏签到数据上优于 POI 类别预测的比较模型。我们利用双向 GRU 来捕获用户签到的动态依赖关系。此外，由于神经网络类似于特征学习中的“黑匣子”，因此决策阶段是不透明的。因此，我们将注意力机制与双向 GRU 结合起来，选择性地关注历史签到记录，从而提高模型的可解释性。考虑到时间对用户签到的影响，我们利用 ABG_poic 模型中的时间滑动窗口。对两个数据集的实验表明，我们的 ABG_poic 在稀疏签到数据上优于 POI 类别预测的比较模型。我们将注意力机制与双向 GRU 相结合，选择性地关注历史签到记录，这可以提高模型的可解释性。考虑到时间对用户签到的影响，我们利用 ABG_poic 模型中的时间滑动窗口。对两个数据集的实验表明，我们的 ABG_poic 在稀疏签到数据上优于 POI 类别预测的比较模型。我们将注意力机制与双向 GRU 相结合，选择性地关注历史签到记录，这可以提高模型的可解释性。考虑到时间对用户签到的影响，我们利用 ABG_poic 模型中的时间滑动窗口。对两个数据集的实验表明，我们的 ABG_poic 在稀疏签到数据上优于 POI 类别预测的比较模型。