{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期部分”：[[2024,8,12]，“日期时间”：“2024-08-12T18:33:34Z”，“时间戳”：1723487614583}，“参考计数”：46，“发布者”：“计算机协会（ACM）”，“问题”：“3”，“资助者”：[{“DOI”：“10.13039\/501100014219”，“名称”：“国家杰出青年科学基金”，“doi-asserted-by”：“crossref”，“adward”：[“62025205”]，“id”：[{“id”:“10.13039\/501100014219”，“id-type”：“doi”，“assertd-by”：“crossref”}]}，{“doi“：”10.13039\/501100001809”，“name”：“国家自然科学基金”“]，”id“：[{”id“：“10.13039\/501100001809”，“id-type”：“DOI”，“asserted-by”：“crossref”}]}，{“name”：“中国奖学金委员会和西北工业大学博士论文创新基金会”，“award”：[“CX201958”]}]，“content-domain”：{“domain”:[“dl.acm.org”]，“crossmark-restriction”：true}，“short-container-title”：[“ACM Trans.Knowl.Discov.Data”]，“published-print”：{“date-parts”：[[2021,6,30]]}，“abstract”：“店铺选址推荐旨在预测候选位置的店铺价值，然后向公司推荐最佳位置，以新建砖混店。现有的研究大多集中在基于同一城市现有连锁店大规模培训数据的学习机器学习或深度学习模型。然而，连锁企业在新城市的扩张受到数据稀缺问题的影响，这些模型在没有设立连锁店的新城市中不起作用（即冷启动问题）。在本文中，我们提出了一种统一的冷库选址推荐方法，即带有可转移性加权方案的加权对手网络（WANT），用于将从数据丰富的源城市学到的知识转移到没有标记数据的目标城市。特别是，为了促进正迁移，我们开发了一个判别器来减小不同数据分布的源城市和目标城市之间的分布差异，该判别器使用特征提取器玩minimax游戏，通过对抗学习学习跨城市的可迁移表示。此外，为了进一步降低负迁移的风险，我们设计了一个可迁移性加权方案来量化示例在源城市中的可迁移性，并重新权衡相关源示例对传递有用知识的贡献。我们使用真实数据集验证了WANT，实验结果证明了我们提出的模型在几个最先进的基线模型上的有效性<\/jats:p>“，”DOI“：”10.1145\/3442203“，”type“：”journal-article“，”created“：{”date-parts“：[2021,4,21]]，”date-time“：”2021-04-21T15:42:54Z“，”timestamp“：1619019774000}，“page”：“1-27”，“update-policy”：“：[”Cold-Start商店网站推荐的加权对抗网络知识转移“]，”前缀“：”10.1145“，”卷“：”15“，”作者“：[{”给定“：”燕“，”家庭“：”刘“，”序列“：”第一“，”隶属“：[}”名称“：”西北工业大学，中国西安2019an“}]}，{”给出“：”宾“，”家人“：”郭“，“序列”：“附加”，“隶属”：[{'name“：”西北工业大学，中国西安\u2019an“}]}，{“given”：“Daqing”，“family”：“Zhang”，“sequence”：“additional”，“affiliation”：[{“name”：“T\u00e9l\u00e 9com SudParis，\u00c9vry，France“}]{”given“giving”：“Djamal”，“家族”：“Zeghlache”，”sequence“：”additional苏德巴黎，\u00c9vry，法国“}]}，{”给定“：”景民“，”家族“：”陈“，”序列“：”附加“，”从属“：[{”名称“：”阿里巴巴集团，中国杭州“}]}，{”给定“：”科“，”家庭“：”胡“，”顺序“：”额外“，”隶属“：[[{“名称”：“阿里巴巴集团、中国杭州”}]}.，{“给定”：“思哲”，“家庭”：“张”，“序列”：“附加”，“从属”：[{”名称“”：“中国杭州阿里巴巴集团”}]neneneep，{给定“：”Dan“，”family“：”Zhou“，”sequence“：”additional“，”affiliation“：[{”name“：”阿里巴巴集团，中国杭州“}]}，{”given“：”Zhiwen“，”家庭“：”Yu“，“sequence”：“additional”，“affiliance”：[[{“name”：”西北工业大学，中国西安2019an“}]]，“member”：“320”，“published on”：{“date-parts”：[2021,4,21]}“reference”：[{“key”：“e_1_2_1_1“，”doi-asserted-by“：”publisher“，”doi“：”10.1145\/1553374.1553380“}，{“key”：“e_1_2_2_1”，“volume-title”：“IEEE计算机视觉和模式识别会议论文集.2724\u20132732”，“author”：“Cao Zhangjie”，“unstructured”：“Zhangjee Cao，Mingsheng Long，Jianmin Wang，and Michael I.Jordan，2018。选择性对抗网络的部分转移学习。在IEEE计算机视觉和模式识别会议论文集上。2724\u20132732。曹章杰、龙明生、王建民和迈克尔·乔丹。2018年，使用选择性对抗网络进行部分转移学习。IEEE计算机视觉和模式识别会议论文集。2724\u20132732.“}，{”key“：”e_1_2_1_3_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/CVPR.2019.00310”}，“key”：“e_1_i_1_4_1”，“doi-assert-by”：“publisher”，”doi“：”10.1109\/CVPR.2019.0235“}”，{，“非结构化”：“Thomas M。Cover和Joy A。托马斯。2012 . 信息论要素。约翰·威利父子公司。托马斯·克文和乔伊·托马斯。2012.信息理论要素。约翰·威利父子公司。“｝，｛”键“：”e_1_2_1_6_1“，”卷标题“：”国际机器学习大会.647-655“，”作者“：”Donahue Jeff“，”年份“：”2014“，”非结构化“：”Jeff Donahue、Yangqing Jia、Oriol Vinyals、Judy Hoffman、Ning Zhang、Eric Tzeng和Trevor Darrell。2014 . 用于一般视觉识别的深度卷积激活特征。在机器学习国际会议上。647--655 . Jeff Donahue、Yangqing Jia、Oriol Vinyals、Judy Hoffman、Ning Zhang、Eric Tzeng和Trevor Darrell。2014.用于通用视觉识别的深度卷积激活功能。在机器学习国际会议上。647--655.“}，{“key”：“e_1_2_1_7_1”，“volume-title”：“第八届国际自然语言处理联合会议论文集（第二卷：短文）.425\u2013429”，“author”：“傅立胜”，“year”：“2017”，“unstructured”：“傅立胜（Lisheng Fu）、阮志焕（Thien Huu Nguyen）、闵伯南（Bonan Min）和拉尔夫·格里什曼（Ralph Grishman）。2017 . 基于领域对抗神经网络的关系抽取领域自适应。第八届国际自然语言处理联合会议论文集（第2卷：短文）。425\u2013429。傅立胜（Lisheng Fu）、阮志焕（Thien Huu Nguyen）、闵伯南（Bonan Min）和拉尔夫·格里什曼（Ralph Grishman）。2017.使用领域对抗性神经网络进行关系提取的领域自适应。第八届自然语言处理国际联合会议论文集（第2卷：短文）。425\u2013429.“}，{”key“：”e_1_2_1_8_1“，”volume-title“：”机器学习国际会议。1180--1189“，”author“：”Ganin Yaroslav“，“year”：“2014”，“unstructured”：“雅罗斯拉夫·加宁（Yaroslav Ganin）和维克托·伦皮茨基（Victor Lempitsky）。2014 . 通过反向传播进行无监督域自适应。在机器学习国际会议上。1180--1189 . 雅罗斯拉夫·加宁（Yaroslav Ganin）和维克托·伦皮茨基（Victor Lempitsky）。2014.通过反向传播进行的无监督域适应。在机器学习国际会议上。1180--1189.“}，{”key“：”e_1_2_1_9_1“，”doi-asserted-by“：”publisher“，“doi”：“10.5555\/2946645.2946704”}，“{”密钥“：”e_1_1_10_1”，“doi-assert-by”：“publisher”，”doi“：”10.1109\/TIP.2019.2963389“}”，{“key”：“e_2_11_11”，“volume-title”：“第28届国际机器学习会议论文集.513\u2013520”，“作者”：“格洛洛特·泽维尔”，“年份”：“2011年”，“非结构化“：”泽维尔·格洛特（Xavier Gloot）、安托万·博德斯（Antoine Bordes）和约舒亚·本吉奥（Yoshua Bengio）。2011 . 大规模情绪分类的领域适应：一种深度学习方法。在第28届国际机器学习大会论文集上。513\u2013520。泽维尔·格洛特、安托万·博德斯和约舒亚·本吉奥。2011.大规模情绪分类的领域适应：深度学习方法。第28届机器学习国际会议论文集。513\u2013520.“}，{”key“：”e_1_1_12_1“，”首页“：”723“，”article-title“：”内核双样本测试“，”volume“：“13”，”author“：”Gretton Arthur“，”year“：”2012“，”unstructured“：”Arthur Gretton，Karsten M.Borgwardt，Malte J。Rasch、Bernhard Sch\u00f6lkopf和Alexander Smola。2012 . 内核双样本测试。《机器学习研究杂志》13，1（2012），723\u2013 773。亚瑟·格雷顿（Arthur Gretton）、卡斯滕·博格沃德（Karsten M.Borgwardt）、马尔特·拉什（Malte J.Rasch）、伯恩哈德·舒尔科普夫（Bernhard Sch\u00f6lkopf）和亚历山大·斯莫拉。2012.内核双样本测试。《机器学习研究杂志》13，1（2012），723\u2013773.“，“期刊标题”：“机器学习研究杂志”}，｛“键”：“e_1_2_1_13_1”，“首页”：“1”，“文章标题”：“城市转移：基于多源城市数据为连锁店选址推荐转移城市间和城市内知识”，“卷”：“1”，“作者”：“郭斌”，“年”：“2018”，“非结构化”：“郭斌、李静、郑文森、王朱和余志文。2018 . 城市转移：基于多源城市数据，转移城际和城内知识，用于连锁店选址推荐。ACM互动、移动、穿戴和普及技术会议记录1，4（2018），2013年1月23日。郭斌（Bin Guo）、李静（Jing Li）、郑文森（Vincent W.Zheng）、王朱（Zhu Wang）和于志文（Zhiwen Yu）。2018.城市转移：基于多源城市数据，转移城际和城内知识，用于连锁店选址推荐。ACM关于交互式、移动、可穿戴和通用技术的会议记录1，4（2018），1\u201323.“，“journal-title”：“ACM关于交互、移动、穿戴和通用科技的会议记录”}，{“key”：“e_1_2_1_14_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1103\/PhysRevE.74.035101“}，”{“key”：”e_2_1/15_1“，”volume-title“：”第29届AAAI人工智能会议记录。“，”作者“：”蒋璐“，”非结构化“：”吕江、孟德玉、钱照、石光山、亚历山大·豪普特曼。2015.自定进度的课程学习。第29届AAAI人工智能会议论文集。吕江、孟德玉、赵倩、单石光和亚历山大·豪普特曼。2015.自定进度的课程学习。第29届AAAI人工智能会议论文集。“}，{”key“：”e_1_1_16_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/24875.2487616”}，“key”：“e_1_cu1_17_1”，“doi-assert-by”：“publisher”，”doi“：”10.1145\/2968219.2971405“}”，{“key“:”e_2_1_18_1“、”doi-sserted-by““：”publisher“，”doi:“10.1109\/JIOT.2019.2916143”}“，{“键”：“e_1_2_1_19_1”，“卷时间”：“第24届ACM SIGKDD知识发现与数据挖掘国际会议论文集。566\u2013575“，“作者”：“刘兆阳”，“年份”：“2018”，“非结构化”：“刘兆阳、沈燕燕、朱延敏。2018 . 无码头共享自行车将堆放在哪里？\u2014新城市停车热点检测。第24届ACM SIGKDD知识发现与数据挖掘国际会议论文集。566\u2013575。刘兆阳、沈燕燕和朱燕民。2018年。无码头共享自行车将堆放在哪里？\u2014新城市停车热点检测。第24届ACM SIGKDD知识发现与数据挖掘国际会议论文集。566\u2013575.“}，{“key”：“e_1_2_1_20_1”，“volume-title”：“机器学习国际会议.97--105”，“author”：“Long Mingsheng”，“unstructured”：“Mingshen Long，Yue Cao，Wang Jianmin，and Michael I.Jordan。2015。通过深度适应网络学习可转移特征。在国际机器学习会议上。97--105 . 龙明生、曹岳、王建民和迈克尔·乔丹。2015年，通过深度适应网络学习可转移特征。在机器学习国际会议上。97-105.“}，{“key”：“e_1_2_1_21_1”，“volume-title”：“第34届国际机器学习会议论文集——第70卷”，“author”：“Long Mingsheng”，“unstructured”：“Mingshen Long，Han Zhu，Jianmin Wang，and Michael I.Jordan。2017。联合适应网络的深度转移学习。第34届国际机器学习会议论文集——第70卷。JMLR.org，2208\u20132217。龙明生、朱汉、王建民和迈克尔·乔丹。2017年，通过联合适应网络进行深度转移学习。在第34届国际机器学习大会论文集第70卷。JMLR.org，2208\u20132217.“｝，｛“key”：“e_1_2_1_22_1”，“doi断言者”：“publisher”，“doi”：“10.1145\/108870.1081950”｝，｛“key”：“e_1_2_23_1”，“doi断言者”：“publisher”，“doi”：“10.1145\/33380954”｝，｛“key”：“e_1_2_1_24_1”，“doi断言者”：“publisher”，“doi”：“10.1145\/312266.3123313”｝，｛“key”：“e_ 1_2_1_25_1“，”doi由“：”publisher“断言，”doi“：”10.1109\/TNN.2010.2091281“}，{“key”：“e_1_2_1_26_1”，“doi-asserted-by”：“publisher”，”doi“：“10.1109\/TKDE.2009.191”}，}“keys”：“e_1_2_1_27_1”、“volume-title”：“国际机器学习会议.5102--5112”，“author”：“Peng Xingchao”，“year”：“2019”，“unstructured”：“彭兴超、黄子军、孙锡萌和凯特·桑科。2019 . 领域不可知的学习与不纠缠的表示。在机器学习国际会议上。5102--5112 . 彭兴超、黄子军、孙锡萌和凯特·桑科。2019.领域不可知的学习与不纠缠的表征。在机器学习国际会议上。5102--5112.“}，{”key“：”e_1_2_1_28_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/CVPR.2011.5995312”}，“key”：“e_1_i_1_29_1”，“volume-title”：“2013 IEEE第29届国际数据工程会议论文集（ICDE\u201913）”，“author”：“Qi Guo-Jun”，“year”：“2013.”，“unstructured”：“Guo Jun Qi，Charu C。阿加瓦尔和托马斯·黄。2013 . 通过有偏跨网络采样进行跨网络链接预测。2013年IEEE第29届国际数据工程会议论文集（ICDE\u201913）。IEEE，793\u2013804。齐国军（Guo-Jun Qi）、查鲁·C·阿加瓦尔（Charu C.Aggarwal）和托马斯·黄（Thomas Huang）。2013年，通过有偏的跨网络抽样进行跨网络链接预测。2013年IEEE第29届国际数据工程会议论文集（ICDE\u201913）。IEEE，793\u2013804.“}，{”key“：”e_1_1_30_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/TPAMI.2016.2587643”}，“key”：“e_2_1_31_1”，“doi-assert-by”：“publisher”，”doi“：”10.1109\/CVPR.2018.00164 arXiv:1809.02255“，”作者“：”Shah Darsh J.“，“年份”：“2018年”，“非结构化”：“Darsh J Shah，Tao Lei，Alessandro Moschitti，Salvatore Romeo，and Preslav Nakov。2018.针对重复问题检测的对手域适应。arXiv预印本arXiv:1809.02255（2018）。达什·沙阿（Darsh J.Shah）、陶磊（Tao Lei）、亚历山德罗·莫希蒂（Alessandro Moschitti）、萨尔瓦多·罗密欧（Salvatore Romeo）和普雷斯拉夫·纳科夫（Preslav Nakov）。2018.针对重复问题检测的对手域适应。arXiv预印本arXiv:1809.02255（2018）。“}，{”key“：”e_1_1_33_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1609\/aaai.v33i01.33014951”}，“key”：“e_2_1_34_1”，“volume-title”：“第32届aaai人工智能会议论文集”，“author”：“宋凌霄”，”年份“2018”，“unstructured”：“宋凌霄、张满、吴翔、何冉。2018 . 对抗性判别异构人脸识别。第32届AAAI人工智能会议论文集。宋凌霄、张满、吴翔、何冉。2018.对手识别异质人脸识别。第32届AAAI人工智能会议论文集。“}，{”key“：”e_1_2_1_35_1“，”doi-asserted-by“：”crossref“，“unstructured”：“Lisa Torrey and Jude Shavlik.2010。转移学习。机器学习应用和趋势研究手册：算法方法和技术。IGI Global 242\u2013264。丽莎·托里和裘德·沙夫利克。2010.转移学习。在《机器学习应用和趋势研究手册：算法方法和技术》中。IGI Global 242\u2013264.”，“DOI”：“10.4018\/978-1-60566-766-9.ch011”}，｛“key”：“e_1_2_1_36_1”，“DOI断言者”：“publisher”，“DOI”：“10.5555\/157069.1755828”}，｛“key”：“e_1_2_1_37_1”，“DOI断言者”：“publisher”，“DOI”：“10.1109\/CVPR.2017.316”}，｛“key”：“e_1_2_1_38_1”，“卷标题”：“深层域混淆：最大化域不变性。arXiv预印本arXiv:1412.3474“，“作者”：“曾埃里克”，“年份”：“2014”，“非结构化”：“埃里克·曾、朱迪·霍夫曼、张宁、凯特·萨恩科和特雷弗·达雷尔。2014.深层域混淆：最大化域不变性。arXiv预印本arXiv:1412.3474（2014）。Eric Tzeng、Judy Hoffman、Ning Zhang、Kate Saenko和Trevor Darrell。2014.深层域混淆：最大化域不变性。arXiv预印本arXiv:1412.3474（2014）。}，{“key”：“e_1_1_39_1”，“volume-title”：“第25届ACM国际信息与知识管理会议论文集.2371\u20132376”，“author”：“Wang Feng”，“year”：“2016”，“unstructured”：“Feng Wang，Li Chen，and Weike Pan.2016.你的下一家餐厅在哪里？通过利用用户生成的评论优化餐厅布局。第25届ACM国际信息与知识管理会议论文集。2371\u20132376。王峰、李晨和潘伟科。2016.下一家餐厅在哪里？通过利用用户生成的评论优化餐厅布局。第25届ACM国际信息与知识管理会议论文集。2371\u20132376.“}，{”key“：”e_1_2_1_40_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1007\/s10791-012-9193-0”}，“key”：“e_1_i_1_41_1”，“volume-title”：“用于深度时空预测的跨城市迁移学习。arXiv预印本arXiv:1802.00386”，“作者”：“王乐业”，“年份”：“2018”，“非结构化”：“王乐业、徐庚、马晓娟、刘峰和杨强。2018.用于深度时空预测的跨城市转移学习。arXiv预印arXiv:1802.00386（2018）。王乐业、徐庚、马晓娟、刘峰和杨强。2018.用于深度时空预测的跨城市转移学习。arXiv预印arXiv:1802.00386（2018）。“}，{”key“：”e_1_1_42_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/2939672.2939830”}，“key”：“e_2_1_43_1”，“volume-title”：“AR2Net:利用卫星数据和城市数据进行商业选址的细心神经方法。ACM数据知识发现事务14，2”，“author”：“Xu Yanan”，“year”：“2020”，“unstructured”：”徐延安（Yanan Xu）、沈延炎（Yanyan Shen）、朱延敏（Yanmin Zhu）和余嘉迪（Jiadi Yu）。2020年，AR2Net：利用卫星数据和城市数据进行商业选址的专注神经方法。ACM数据发现知识汇刊14，2（2020），1\u201328。徐延安（Yanan Xu）、沈延炎（Yanyan Shen）、朱延敏（Yanmin Zhu）和余嘉迪（Jiadi Yu）。2020年，AR2Net：利用卫星数据和城市数据进行商业选址的专注神经方法。ACM《从数据中发现知识的汇刊》14，2（2020），1\u201328。“}，{”key“：”e_1_1_44_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/3321408.3322834”}，“key”：“e_2_1_45_1”，“doi-assert-by”：“publisher”，”doi“：”10.1109\/CVPR.2018.00851“}”，{I“：”10.1007\/978-3-030-01240-3_31“}]，“container-title“：[“ACM Transactions on Knowledge Discovery from Data”]，“original-title”：[]，“language”：“en”，“link”：[{“URL”：“https:\/\/dl.ACM.org\/doi\/pdf\/10.1145\/3442203”，“content-type”：“unspecified”，“content-version”：“vor”，“intended-application”：“similarity-checking”}]，“deposed”：{“date-parts”：[2023,1]]，“date-time”：”2023-01-01T21 1:18:08Z“，”timestamp“：1672607888000}，”score“：1，”resource“：{”primary”：{“URL”：“https:\/\/dl.acm.org\/doi\/10.1145\/3442203”}}，“subtitle”：[]，“shorttitle”：[]，“issued”：}“date-parts”：[[2021,4,21]]}，《references-count》：46，“journal-issue”：{“issue”：“3”，“published-print”：{-“date-parts”：[2021,6,30]]}}，“alternative-id”：[“10.1145\/3442203”]，“URL”：“http:\/\/dx.doi.org\/10.1145\/3442203“，”关系“：{}，”ISSN“：[”1556-4681“，”1556-472X“]，”ISSN-type“：[{”值“：”1556-4601“，”类型“：”打印06-01“，”订单“：0，”名称“：”已接收“，”标签“：”接收“，“组”：{“名称”：“publication_history”，“label”：“publication history”}}，{“value”：“2020-12-01”，“order”：1，“name”：“accepted”，“table”：“accepted（接受）”，“group”：{“name”:“publication_历史”，“标签”：“publication history（发布历史）}}}