近日，TIME实验室2019级硕士生安宁一篇论文“Enabling the interpretability of pretrained venue representations using semantic categories ”(作者：安宁，陈勐，连莉，李鹏，张凯，禹晓辉，尹义龙) 被中科院一区期刊Knowledge-Based Systems (KBS) 录用。KBS是人工智能领域的国际性交叉学科期刊，该期刊专注于基础知识和基于其他人工智能技术的研究，发表该领域的原创、创新和创造性成果。KBS属于中科院SCI期刊分区计算机科学类一区期刊。

基于位置的社交网络的日益普及产生了数量巨大的签到。 现有的方法通常将这些签到建模为密集的场地表示。 然而，这些表示中的坐标没有任何有意义的解释。 在这项工作中，我们提出了一个框架，使用语义类别来使这些场地表征具有可解释性。 首先，我们提出了一个类别感知的签到嵌入模型，名为CEM，通过捕捉签到序列的序列模式来生成场地和类别的表示。 然后，我们提出了一个名为XEM的模型，通过将每个维度解释为一个连贯的、易于理解的主题来生成可解释的场地表示。具体来说，场地表征的每个维度都由一个语义锚（即一个类别）来表示。我们用两个真实的签到数据集对两个任务（场地相似度计算和场地语义注释）进行了广泛的实验。实验结果表明，在场地表征中增加可解释性，可以提高下游任务的性能。

论文链接：Enabling the interpretability of pretrained venue representations using semantic categories