這篇文章要解決的問題是從不同結(jié)構(gòu)的軌跡數(shù)據(jù)中找到相同的用戶。（同一個(gè)人在不同平臺(tái)都會(huì)產(chǎn)生數(shù)據(jù)，要根據(jù)不同平臺(tái)上獲得的數(shù)據(jù)來推斷這是不是屬于同一個(gè)人）

三大貢獻(xiàn)：

1. 在構(gòu)建embedding的地方使用了多模態(tài)的方式構(gòu)建，有位置、時(shí)間、POI等輔助信息可以融合

2. 在Recurrent Encoder中，對(duì)中間隱層進(jìn)行了pooling操作，使得序列數(shù)據(jù)embed到定長(zhǎng)的向量中（針對(duì)每一維度，在所有時(shí)序數(shù)據(jù)的隱層中取最大）

3. co-attention selector，A,B軌跡對(duì)，將A的時(shí)序隱層表示 與B的軌跡RNN表示（第二點(diǎn)中得到）做attention操作；同時(shí)，將B的時(shí)序隱層表示表示與A的軌跡RNN表示做attention操作。獲得A、B軌跡間的關(guān)聯(lián)程度。

4.在單一數(shù)據(jù)集上先進(jìn)行同一用戶相近軌跡學(xué)習(xí)的預(yù)訓(xùn)練方法值得學(xué)習(xí)。

文章的不足：

1. 沒有預(yù)訓(xùn)練，模型的效果就變得很差

2. 使用dot attention會(huì)不會(huì)過于簡(jiǎn)單？

3. 由于數(shù)據(jù)集限制，并未考慮到文本信息的嵌入（在結(jié)論中，作者提出的Future work）