سیستم توصیه‌کننده مبتنی بر مکان با استفاده از رسانه‌های اجتماعی دارای برچسب جغرافیایی

خلاصه

پیشرفت در کسب مکان و فناوری های تلفن همراه منجر به اضافه شدن بعد مکان به شبکه های اجتماعی (SN) و ظهور کلاس جدیدتری به نام شبکه های اجتماعی مبتنی بر مکان (LBSN) شد. در حالی که LBSN ها در مدل و عملکرد خود از SN ها غنی تر هستند، اما تاکنون نتوانسته اند به اندازه SN ها کاربران را جذب کنند. از سوی دیگر، SN ها دارای مقادیر زیادی رسانه با برچسب جغرافیایی هستند که کمتر مورد استفاده قرار می گیرند. در این مقاله، ما یک سیستم توصیه‌کننده مبتنی بر مکان مبتنی بر علاقه (IALBR) را پیشنهاد می‌کنیم که مزایای هر دو LBSN و SN را به منظور ارائه توصیه‌های مبتنی بر مکان آگاهانه ارائه می‌کند. این سیستم توصیه‌گر به عنوان یک بسط برای LBSN پیشنهاد شده است. این در موارد زیر جدید است: (1) استفاده از محتوای جغرافیایی در هر دو LBSN و SN. (2) رتبه بندی توصیه ها بر اساس یک روش امتیازدهی جدید که مطابق با علایق کاربر است. همچنین برای کاربران منفعل که مشارکت کنندگان محتوای فعال در LBSN نیستند، کار می کند. این ویژگی برای افزایش تعداد کاربران LBSN حیاتی است. علاوه بر این، به کاهش مشکل شروع سرد کمک می کند، که مشکل رایجی است که کاربران جدید سیستم های توصیه کننده که توصیه های تصادفی رضایت بخش دریافت می کنند، با آن مواجه هستند. این به دلیل عدم آگاهی کاربر از علاقه است که در اکثر توصیه‌کنندگان به سابقه کاربر وابسته است. ما سیستم خود را با یک مجموعه داده واقعی در مقیاس بزرگ که از چهار مربع با توجه به دقت، یادآوری و اندازه گیری f جمع آوری شده است، ارزیابی کردیم. ما همچنین نتایج را با یک سیستم حقیقت زمینی با استفاده از معیارهایی مانند سود تجمعی تنزیل شده نرمال شده و میانگین خطای مطلق مقایسه کردیم.

کلید واژه ها:

شبکه های اجتماعی مبتنی بر مکان ؛ رسانه های دارای برچسب جغرافیایی ; خدمات مبتنی بر مکان ؛ علایق کاربر ؛ سیستم توصیه گر

1. معرفی

دسترسی جهانی به اینترنت یک پدیده تعیین کننده در زمان حاضر است که جهان را به شکلی که در حال حاضر می شناسیم تغییر می دهد. یکی از مؤلفه‌های کلیدی در این مشارکت، رسانه‌های اجتماعی است که به اشکال مختلف، از جمله وبلاگ‌ها، پلتفرم‌های اشتراک‌گذاری عکس، برنامه‌های چت و آخرین، اما نه کم‌اهمیت، شبکه‌های اجتماعی (SN) وجود دارد. انتظار می رود تعداد کاربران SN تا سال 2018 به 2.5 میلیارد نفر برسد [ 1 ] که حدود یک سوم کل جمعیت زمین است. “شبکه اجتماعی را می توان به عنوان ساختاری انتزاعی متشکل از افراد مرتبط با یک یا چند نوع روابط مانند دوستی، علایق مشترک و دانش مشترک تعریف کرد” [ 2] .]. با پیشرفت‌های فناوری‌های اکتساب مکان و ارتباطات بی‌سیم، بعد دیگری به SN‌های موجود اضافه شده است که بعد مکان‌یابی است که شکاف بین دنیای فیزیکی و خدمات شبکه‌های اجتماعی را پر می‌کند. SN ها به دو صورت عمده تحت تأثیر این بعد جدید قرار گرفتند:

غنی‌سازی جغرافیایی SNها، کاربران را قادر می‌سازد تا محتوای دارای برچسب جغرافیایی را در قالب اعلام حضور، عکس‌های دارای برچسب جغرافیایی یا یادداشت به اشتراک بگذارند.
نسل جدیدی از شبکه های اجتماعی به نام شبکه های اجتماعی مبتنی بر مکان (LBSNs) ظاهر شد که مکان ها عناصر اصلی ساختار شبکه هستند. از این رو، یک مکان می تواند یک موجودیت مستقل از شبکه باشد که با سایر مکان ها و کاربران ارتباط دارد.

در حالی که SN ها فقط به کاربران اجازه می دهند موجودیت باشند، LBSN ها هم به کاربران و هم به مکان ها اجازه می دهند. در نتیجه، روابط در SN ها فقط کاربر-کاربر است، در حالی که روابط در LBSN ها می تواند: کاربر-کاربر، کاربر-مکان و مکان-مکان باشد. در یک SN، یک رابطه کاربر-کاربر از یک ارتباط دنیای واقعی بین دو کاربر به دست می‌آید [ 3] (مثلاً دوستی، همکار، خانواده). در LBSNها، یک رابطه کاربر-کاربر می‌تواند به‌علاوه نشان‌دهنده اتصالی باشد که از مکان‌های کاربر (مثلاً هم‌مکانی، علاقه مشترک، فعالیت‌ها) مشتق شده است. در LBSN ها، مکان ها می توانند به کاربران (به عنوان مثال، بازدید، کار، مطالعه) و مکان های دیگر (به عنوان مثال، محله، مهار، همبستگی) مرتبط باشند. از آنجایی که مکان ها به تنهایی در LBSN ها موجودیت هایی هستند، مفاهیمی مانند فاصله، محدودیت سلسله مراتبی و ترتیب متوالی به عنوان ویژگی های متمایز LBSN ها در نظر گرفته می شوند. که آنها را جدا از SN ها قرار می دهد. تمایز واضح بین این دو نوع شبکه اجتماعی در شکل 1 نشان داده شده است .

در حالی که LBSN ها از نظر ساختار شبکه و گستره عملکردی که می توان ارائه کرد، غنی تر از SN ها هستند، LBSN ها نتوانستند به اندازه SN ها کاربر را جذب کنند. بر اساس ادبیات [ 4 ، 5 ، 6 ، 7 ، 8 ]، ما شکل 2 را ایجاد کردیم که نرخ رشد اینستاگرام، سریع‌ترین رشد SN، را با Foursquare، سریع‌ترین LBSN، مقایسه می‌کند. طبق [ 9 ] در سال 2012، در حالی که اینستاگرام 10 میلیون کاربر در 10 روز اضافه کرده است، Foursquare در یک سال 15 میلیون کاربر اضافه کرده است.

دلیل اصلی این شکاف این است که SNها برای ارائه ارزش نه تنها برای کاربران فعال، بلکه برای کاربران غیرفعال نیز طراحی شده اند (یعنی کاربرانی که اغلب محتوا تولید نمی کنند یا با شبکه خود درگیر نمی شوند، بلکه به عنوان ناظر عمل می کنند). به عنوان مثال، طبق [ 10 ]، تنها 42 درصد از کاربران فیس بوک کاربران فعالی هستند که با شبکه خود درگیر هستند و با محتوا همکاری می کنند، در حالی که 58 درصد بقیه کاربران منفعل هستند. خدمات اصلی LBSN ها (به عنوان مثال، Foursquare) پخش مکان های کاربر به شبکه آنها و توصیه مکان ها بر اساس نزدیکی و تطابق جستجو است. ارزش این خدمات به تعامل کاربر بستگی دارد، چه از طریق ورودی در قالب نکات و رتبه‌بندی محل برگزاری یا داشتن دوستان کافی برای اشتراک‌گذاری به‌روزرسانی‌های مکان.

از یک طرف، SN ها کاربران بیشتری و محتوای بیشتری نسبت به LBSN دارند. با این حال، از سوی دیگر، LBSN ها، به دلیل قابلیت های فضایی ذاتی خود، ظرفیت بیشتری برای درک کاربران و زمینه آنها دارند که امکان استفاده از طیف وسیع تری از برنامه ها را فراهم می کند. علاوه بر این، LBSN ها درک بهتری از ترجیحات کاربر، رفتارها، مکان های جالب، توالی سفر، تشخیص رویداد و غیره دارند. در این مقاله، تحقیق ما با انگیزه سه یافته اصلی انجام شد:

SN ها، به دلیل پایگاه کاربر بزرگ، دارای مقادیر وسیعی از محتوای برچسب گذاری شده جغرافیایی هستند که به دلیل فقدان قابلیت های پردازش فضایی، کمتر مورد استفاده قرار می گیرد. دقیقاً، رسانه های دارای برچسب جغرافیایی در SN های اشتراک گذاری عکس (به عنوان مثال، اینستاگرام) همیشه با حاشیه نویسی برچسب همراه هستند که در صورت سوء استفاده، محتوای مکان به میزان قابل توجهی غنی می شود. آنها همچنین چیزی را ارائه می دهند که می توان آن را “خرد جمعی” نامید، یعنی شناسایی اقلام / فعالیت های جالب در یک مکان بر اساس تجربیات قبلی افراد در آن مکان.
LBSN ها، علیرغم قابلیت های پردازش فضایی خود، نمی توانند پایگاه کاربری بزرگی را جذب کنند، زیرا ارزش کمتری را برای کاربران غیرفعال فراهم می کنند. آنها همچنین برای ارائه توصیه ها به شدت به نمایه های کاربر، تاریخچه موقعیت مکانی کاربر و مسیرهای کاربر متکی هستند که بر شدت مشکل شروع سرد می افزاید. بنابراین، کیفیت توصیه‌های شخصی‌شده تنها به فناوری وابسته نیست، بلکه به فعالیت‌ها و ویژگی‌های کاربر نیز بستگی دارد.
در تمام کارهای مرتبط قبلی، عوامل مؤثر بر توصیه مکان شخصی‌شده به جمعیت‌شناسی کاربر، نزدیکی به مکان، تحرک کاربر و سابقه موقعیت مکانی محدود می‌شود. با این حال، علاقه خاص کاربر در هر مقطع زمانی قبلاً مورد توجه قرار نگرفت. برای مثال، کاربر فهرستی از رستوران‌هایی را می‌خواهد که بهترین برگر شهر را سرو می‌کنند، به شرطی که در محدوده جغرافیایی مشخصی قرار داشته باشند. برای برآورده کردن این درخواست، نمایه کاربر و تاریخچه موقعیت مکانی کاربر به اندازه تشخیص اینکه کدام رستوران بهترین همبرگر را سرو می کند مهم نخواهد بود. به عبارت دیگر، نه تنها در مورد رتبه بندی مکان ها، بلکه در مورد رتبه بندی اقلام / فعالیت های جالب در مکان ها است.

بنابراین، ما پیوستن SN ها به LBSN ها را به گونه ای پیشنهاد می کنیم که از مزایای هر دو استفاده کند. به این ترتیب، محتوای LBSNها را با محتوای برچسب‌گذاری‌شده جغرافیایی SNها غنی می‌کنیم، که مزایای زیر را ممکن می‌سازد: (1) استفاده از محتوای برچسب‌گذاری‌شده جغرافیایی SNها زمانی که در دسترس LBSNها قرار می‌گیرد به حداکثر می‌رسد. به دلیل قابلیت پردازش فضایی آنها؛ (2) بر اساس این محتوای غنی شده در LBSN ها، توصیه شخصی آگاهانه از علاقه می تواند برای کاربران فعال و غیرفعال ارائه شود. بنابراین، مجموعه ای از کاربران غیرفعال را جذب می کند که هنوز هم می توانند ارزش LBSN ها را با حداقل تغییرات رفتاری و مشارکت دریافت کنند.

در این مقاله، ما این مزایا را با پیشنهاد یک پیشنهاد جدید مبتنی بر مکان مبتنی بر علاقه (IALBR) نشان داده و بررسی می‌کنیم. این توصیه کننده بر اساس یک LBSN ساخته شده است و از محتوای برچسب گذاری شده جغرافیایی تولید شده از یک SN استفاده می کند. مشارکت های این مقاله را می توان به شرح زیر خلاصه کرد:

پیوند SN و LBSN برای توصیه آگاهانه از علاقه: پیوستن حاشیه‌نویسی‌های رسانه با برچسب جغرافیایی در SNها به مکان‌های مربوطه آن‌ها در LBSN.
توصیه و امتیازدهی آگاه به علاقه: IALBR از توصیه هایی (به عنوان مثال، رستوران ها) مطابق با علاقه بسیار خاص کاربر (مانند سیب زمینی سرخ کرده) پشتیبانی می کند. این توصیه بر اساس یک روش امتیازدهی جدید انجام می شود که هم محبوبیت یک علاقه در مکان و هم محبوبیت مکان را در نظر می گیرد.

بقیه این مقاله به شرح زیر سازماندهی شده است: بخش 2 کار مرتبط را خلاصه می کند. بخش 3 یک نمای کلی از سیستم IALBR پیشنهادی ارائه می دهد و در عین حال معماری، مدل داده و ماژول های سیستم را نشان می دهد. بخش 4 سناریوی برنامه را نشان می دهد. بخش 5 IALBR پیشنهادی را به همراه آزمایش‌های مرتبط و نتایج انجام‌شده برای بررسی سیستم پیشنهادی ارزیابی می‌کند. بخش 6 شامل بحث بیشتر است و بخش 7 مقاله را به پایان می رساند و کار آینده را ارائه می دهد.

2. کارهای مرتبط

بر اساس چارچوب پیشنهادی در [ 2 ]، چهار نوع توصیه‌کننده در LBSN ها وجود دارد: (1) توصیه‌کننده مکان، که مکان‌های مستقل (مثلاً نقاط مورد علاقه (POI)) یا مکان‌های متوالی (مثلاً مسیرهای سفر) را پیشنهاد می‌کند. ) (2) توصیه‌کننده کاربر، که کاربران متخصص، دوستان بالقوه یا جوامع را پیشنهاد می‌کند. (3) توصیه‌کننده فعالیت، که فعالیت‌هایی را پیشنهاد می‌کند که می‌تواند برای کاربر جالب باشد. (4) توصیه کننده رسانه های اجتماعی، که محتوای رسانه های اجتماعی را پیشنهاد می کند. دامنه این تحقیق در نوع اول، پیشنهاد دهنده مکان می باشد. در این نوع، چارچوب پیشنهادی در [ 2] آثار مرتبط را بر اساس منابع داده استفاده شده به شرح زیر دسته بندی کرد: (1) مبتنی بر پروفایل کاربر; (2) مبتنی بر تاریخچه موقعیت مکانی کاربر. (3) مبتنی بر مسیر کاربر. و ما (4) مبتنی بر اطلاعات مکان و (5) توصیه‌گرهای ترکیبی را به این دسته‌بندی اضافه کردیم.

مبتنی بر نمایه کاربر: اینها توصیه‌کنندگانی هستند که مکان‌ها را با تطبیق معنای مکان یا ابرداده با نمایه‌های کاربر پیشنهاد می‌کنند. برای مثال، [ 11 ] داده های نمایه کاربر (به عنوان مثال، جنسیت، درآمد و سن) را با قیمت و دسته یک رستوران با استفاده از مدل شبکه بیزی مطابقت می دهد. دیگران نزدیکی مکان نامزد [ 12 ] را در نظر گرفتند یا از دستگاه های ارزان قیمت [ 13 ] با تمرکز بر استفاده از آدرس کاربر و وابستگی اجتماعی پشتیبانی کردند. در [ 14 ، 15 ، 16]، نویسندگان سعی کردند با استخراج ویژگی‌ها و شناسایی همبستگی‌ها و زیر دنباله‌های مرتبط با فعالیت‌های ترجیحی کاربر، روابط مکانی و زمانی بین مکان‌های درون مسیرها را کشف کنند.
مبتنی بر سابقه موقعیت مکانی کاربر: اینها توصیه‌کنندگانی هستند که از تاریخچه موقعیت مکانی کاربر از طریق رتبه‌بندی‌هایی که به مکان‌هایی که بازدید کرده‌اند یا از طریق سابقه اعلام حضور خود استفاده می‌کنند. برای مثال [ 17 , 18 , 19 , 20 , 21 , 22] با در نظر گرفتن رتبه‌بندی سایر کاربران با استفاده از مدل‌های فیلتر مشارکتی (CF)، توصیه‌های شخصی‌سازی شده برای مکان‌ها ارائه کرد. از این رو، این امر با نادیده گرفتن مکان‌هایی که بازبینی ضعیفی دارند و می‌توانند با نمایه کاربر در توصیه‌کنندگان مبتنی بر نمایه کاربر مطابقت داشته باشند، کیفیت توصیه را بهبود بخشید. توصیه مبتنی بر CF ابتدا با شناسایی کاربران مشابه، با استفاده از تاریخچه رتبه بندی آنها، و سپس انتخاب زیرمجموعه ای از مکان های نامزد بر اساس موقعیت مکانی کاربر و در نهایت، پیش بینی رتبه ای که کاربر به این مکان می دهد، انجام شد. کار در [ 23 ] همچنین یک مدل تصادفی مبتنی بر پیاده‌روی ایجاد کرد که مکان‌های جدید را با یادگیری همزمان از روابط اجتماعی و ورود به جلسه توصیه می‌کرد. علاوه بر این، نویسندگان در [ 24] از داده‌های ورود برای مدل‌سازی احتمال ورود کاربر در مکانی به عنوان مدل گاوسی چند مرکزی (MGM) استفاده کرد. این امر از طریق ادغام فاکتورسازی ماتریس با نفوذ جغرافیایی و اجتماعی انجام شد. نویسندگان در [ 25 ] همچنین از طریق استفاده از فاکتورسازی ماتریس وزن دار که شامل خوشه بندی فضایی است، از داده های ورود به سیستم برای توصیه مکان استفاده کردند. اخیراً، [ 26 ] یک رویکرد توصیه مکان شخصی‌شده را معرفی کرده است که مبتنی بر شناسایی همبستگی‌های بین POI از طریق سرمایه‌گذاری بر داده‌های ثبت‌نام تاریخی کاربران است.
مبتنی بر مسیر کاربر: اینها توصیه‌کنندگانی هستند که اولویت‌های کاربر را بر اساس ترتیب مکان‌های بازدید شده، مسیر طی شده و زمان اقامت در مکان‌ها تخمین می‌زنند. سیستم‌های نمونه شامل [ 27 ، 28 ، 29 ، 30 ، 31 ، 32 ، 33 ] است که چارچوب‌های توصیه‌ای را پیشنهاد می‌کنند که مکان‌های جالبی را با استخراج داده‌های مسیر GPS پیشنهاد می‌کنند. نویسندگان در [ 34 ] GTAG را پیشنهاد کردند، یک توصیه‌کننده مکان آگاه از زمان که تأثیرات جغرافیایی و زمانی را از طریق بهره‌برداری از حجم زیادی از داده‌های مسیر مکانی-زمانی کاربر در نظر می‌گرفت. اخیراً [ 26] یک مدل جدید برای توصیه مکان به نام LORE ایجاد کرد که الگوهای متوالی را از داده‌های ثبت‌نام تاریخی همه کاربران استخراج می‌کرد تا از آن‌ها در پیش‌بینی مکانی که کاربران علاقه‌مند به بازدید از آن هستند استفاده کند.
مبتنی بر اطلاعات مکان: اینها توصیه‌کنندگانی هستند که POI را بر اساس اطلاعات مکان نشان‌داده‌شده در ویژگی‌های POI (مثلاً مکان مکانی)، محتوای تولید شده توسط کاربر (مثلاً نکات)، رسانه‌های برچسب‌گذاری‌شده جغرافیایی کاربر، و غیره توصیه می‌کنند. در میان این توصیه‌کنندگان، Orec [ 35 ]، یک چارچوب توصیه مبتنی بر نظر است که POI را بر اساس نظرات کاربران موجود در نکات محل برگزاری توصیه می کند. در [ 36 ]، نویسندگان از فیلتر مشارکتی آگاهانه محتوا با بازخورد ضمنی (ICFF) برای توصیه مکان برای ترکیب محتوای معنایی (به عنوان مثال، توییت‌های دارای برچسب جغرافیایی) بدون نمونه‌گیری منفی (یعنی ترجیحات منفی کاربر) استفاده کردند. علاوه بر این، نویسندگان در [ 37] Geo-SAGE را پیشنهاد کرد، یک مدل مولد افزودنی پراکنده جغرافیایی برای توصیه POI، که از نفوذ جغرافیایی و اجتماعی یکپارچه، اثر زمانی و اطلاعات محتوایی POI برای توصیه بهره‌برداری کرد. علاوه بر این، [ 38 ، 39 ] سیستم‌هایی پیشنهاد کرد که از رسانه‌های برچسب‌گذاری‌شده جغرافیایی در برنامه‌های اشتراک‌گذاری عکس برای شناسایی مکان‌های گردشگری معنادار از نظر معنایی بهره‌برداری می‌کنند. آنها فیلتر مشترک را برای به دست آوردن ترجیحات گردشگران در یک شهر، از عکس های برچسب جغرافیایی عمومی خود، اعمال کردند و از آن برای توصیه سفر شخصی در شهر دیگر استفاده کردند.
ترکیبی: اینها توصیه‌کننده‌هایی هستند که دسته‌های منابع داده بالا را برای توصیه مکان ادغام می‌کنند. برای مثال، نویسندگان در [ 40 ] از یک مدل عامل احتمالی استفاده کردند که ترجیحات کاربر را با شمارش ورود کاربر (سابقه مکان کاربر)، تأثیر جغرافیایی (اطلاعات مکان) و رفتارهای تحرک کاربر (مسیر کاربر) برای ارائه توصیه‌های شخصی در نظر می‌گیرد. از مکان ها نویسندگان در [ 41 ] چارچوب توصیه‌ای را توسعه دادند که بر روی اطلاعات POI، به عنوان ویژگی‌های مکان، علایق کاربر و تشخیص احساسات، برای بهبود توصیه‌های POI در LBSN‌ها، سرمایه‌گذاری کرد. مثال دیگری را می توان در [ 42]، که یک سیستم توصیه‌کننده را پیشنهاد می‌کند که مجموعه‌های بزرگی از رسانه‌های برچسب‌گذاری‌شده جغرافیایی (اطلاعات مکان) را برای شناسایی محبوب‌ترین نشانه‌ها، و همچنین بهترین مسیر سفر بین نشانه‌ها (مسیر کاربر) را برای استفاده در جاده‌ها استخراج می‌کند. توصیه سفر یک چارچوب مشابه، اما شخصی‌شده‌تر در [ 43 ] پیشنهاد شد که در آن مجموعه‌های مقیاس بزرگی از رسانه‌های برچسب‌گذاری شده جغرافیایی عکاس (اطلاعات مکان) برای شناسایی مسیرها (مسیر کاربر) در نقاط دیدنی جالب استخراج شدند، و از آن‌ها برای توسعه مدل‌های رفتار عکاس احتمالی استفاده کردند . توصیه مسیر سفر شخصی

توصیه‌کننده LBSN پیشنهادی ما در دسته‌بندی مبتنی بر اطلاعات مکان قرار می‌گیرد و از دو جهت با آثار مرتبط متفاوت است: (1) بهره‌برداری از رسانه‌های برچسب‌گذاری‌شده جغرافیایی: تا جایی که ما می‌دانیم، رویکرد پیشنهادی اولین رویکردی است که از حجم عظیمی از اطلاعات استفاده می‌کند. محتوای دارای برچسب جغرافیایی موجود در SN های اشتراک گذاری عکس برای استخراج محبوب ترین موارد موجود در یک مکان خاص برای استفاده برای توصیه مکان در LBSN ها. (2) جزئیات علاقه: سایر توصیه‌کنندگان یا بیش از حد عمومی هستند، و توصیه‌هایی بر اساس نظرات عمومی در مورد مکان‌ها یا مسیرهای سفر استخراج شده از مسیرهای GPS در یک شهر، بدون توجه به دسته‌بندی مکان (مانند رستوران‌ها، پارک‌ها، مراکز خرید و غیره) دارند. ; یا کمتر عمومی (شخصی تر)؛ یا توصیه‌کنندگانی که مکان‌های نامزد را بر اساس دسته‌ها فیلتر می‌کنند (یعنی رستوران‌ها). با این حال، هیچ‌کدام از آنها توصیه‌های مبتنی بر علاقه خاصی را در نظر نگرفتند (مثلاً، کاربر می‌خواهد به جای رفتن به یک رستوران نزدیک، برگر بخورد). علاوه بر این، توصیه‌کننده پیشنهادی از جستارهای سطح بالا و عمومی (مثلاً نانوایی) و پرس‌وجوهای سطح پایین (مثلاً کیک پنیر) در محدوده جغرافیایی-مکانی مشخص شده توسط کاربر پشتیبانی می‌کند.

3. طراحی سیستم IALBR

این بخش ابتدا معماری سیستم IALBR را معرفی می‌کند، سپس مدل داده‌های مورد استفاده را ارائه می‌کند و به دنبال آن توضیحات رسمی ماژول‌های سیستم IALBR ارائه می‌شود. مفهوم اصلی پشت IALBR، که بر اساس LBSN ها ساخته شده است، این است که مکان ها در LBSN ها با محتوای برچسب های جغرافیایی مربوطه از SN ها غنی می شوند. به عبارت دیگر، ما به اطلاعات مکان در هر دو LBSN و SN می پیوندیم. در نتیجه، مجموعه داده‌ای ایجاد می‌کنیم که سرشار از برچسب‌ها و نکات مربوط به مکان‌ها است. سپس این مجموعه داده به عنوان مبنایی برای پرس و جوهای علاقه کاربر استفاده می شود. ما همچنین یک روش امتیازدهی جدید برای رتبه بندی نتایج پرس و جو پیشنهاد می کنیم.

3.1. معماری سیستم

IALBR از سه ماژول اصلی تشکیل شده است: (1) ماژول نقشه برداری برچسب های علاقه. (2) مکان های جالب و ماژول استنباط کاربر متخصص. و (3) ماژول توصیه گر آگاه. همچنین از چندین فروشگاه داده شامل داده‌های مربوط به کاربران، مکان‌ها، علایق و اعلام حضورها تشکیل شده است. IALBR به گونه ای طراحی شده است که بسط LBSN های موجود باشد که به SN ها ملحق می شوند تا اطلاعات محل برگزاری خود را غنی کنند. این یک توصیه‌کننده ارائه می‌کند که خدمات مبتنی بر مکان LBSN‌های موجود را با آگاهی بیشتر از علاقه آنها از طریق سرمایه‌گذاری بر غنای محتوای برچسب‌گذاری‌شده جغرافیایی در SNها تکمیل می‌کند. علاوه بر این، افزودن بعد برچسب‌های علاقه به بعد کاربر LBSN و مکان، افق جدیدی از برنامه‌ها را ایجاد می‌کند که از سطوح متنوعی از دانه‌بندی اولویت پشتیبانی می‌کند. شکل 3معماری عمومی IALBR را به تصویر می کشد.

نحوه پیوستن به اطلاعات مکان در هر دو SN و LBSN با توجه به SN و LBSN استفاده شده متفاوت است. چندین معیار را می توان برای بهبود دقت اتصال به کار برد (به عنوان مثال، مجاورت فضایی، شباهت نام، شباهت برچسب، و غیره). برخی از SN ها و LBSN های موجود کلیدهای مشترک را برای مکان ها حفظ می کنند. برای مثال اینستاگرام و Foursquare چنین کلیدهایی را حفظ می کنند. در این کار از آنها برای تصویرسازی و پیاده سازی سیستم خود استفاده کردیم. فعالیت های IALBR را می توان در دو گروه اصلی خلاصه کرد:

مدل‌سازی آفلاین: این کار با خزیدن رسانه‌های برچسب‌گذاری شده جغرافیایی اینستاگرام مربوط به مکان‌های Foursquare با استفاده از توابع API اینستاگرام و کلیدهای منحصربه‌فرد مکان، مشترک در Foursquare و Instagram شروع می‌شود. سپس تگ‌های رسانه‌ای با برچسب جغرافیایی که نشان دهنده علایق هستند را استخراج می‌کند تا امتیازات علاقه را بر اساس فراوانی وقوع آن برچسب‌ها محاسبه کند. همچنین برچسب های علاقه مندرج در این مکان را در Foursquare استخراج می کند. در نهایت، یک امتیاز میانگین وزنی برای هر برچسب بهره بر اساس فراوانی وقوع آن در هر دو LBSN و SN محاسبه می‌شود. شکل 4رسانه‌های دارای برچسب جغرافیایی را نشان می‌دهد که از مکانی به نام «تدز» در اینستاگرام استخراج شده‌اند. هر عکس حاوی برچسب هایی است که آن را حاشیه نویسی می کند. در این مثال، برچسب‌های علاقه‌ای شبیه به این عکس‌ها عبارتند از: #توت فرنگی، #موهیتو، #مولتنکک، #شکلاتسوفل، #ماکنشیز، #ماکرونی و #پنیر.

یکی دیگر از فرآیندهای آفلاین مهم در مکان‌های جالب و ماژول استنباط کاربر متخصص انجام می‌شود، جایی که کاربران امتیازات مرکز و مکان‌ها با استفاده از اطلاعات اعلام حضور امتیازات مرجع را دریافت می‌کنند. کاربری با امتیاز هاب بالا، کاربری است که از مکان‌های جالب زیادی بازدید می‌کند (یعنی مکان‌هایی که امتیاز اتوریتی بالایی دارند)، و مکانی که امتیاز اتوریتی بالایی دارد، مکانی است که توسط بسیاری از کاربران متخصص بازدید می‌شود (یعنی کاربرانی که امتیازات هاب بالایی دارند) .
توصیه آنلاین: این زمانی شروع می‌شود که IALBR یک درخواست کاربر را دریافت می‌کند که از مکان‌هایی مطابق با یک علاقه (مثلاً برگر) در محدوده جغرافیایی خاص (مثلاً 10 کیلومتر) درخواست می‌کند. امتیاز توان p برای مکان هایی که با این علاقه مطابقت دارند محاسبه می شود و در محدوده جغرافیایی از پیش تعیین شده قرار دارند. این امتیاز قدرت بر اساس امتیاز برچسب علاقه حاصل از ماژول نگاشت برچسب‌های علاقه و امتیاز اعتبار مکان ناشی از مکان‌های جالب و ماژول استنباط کاربر متخصص محاسبه می‌شود. در نهایت، فهرستی رتبه‌بندی شده از توصیه‌های مکان را برمی‌گرداند.

3.2. مدل داده

یک مکان در LBSN (به عنوان مثال، Foursquare) به شرح زیر است:

v من = < n, c, l o n, l a t, a (v من) >

این به این معنی است که یک مکان

v_{i}

دارای نام n است ، متعلق به دسته c است که در طول جغرافیایی lon و عرض جغرافیایی lat وجود دارد . ما این ورودی محل برگزاری را با امتیاز اعتبار بیشتر غنی می کنیم

a (v_{i})

نشان دهنده محبوبیت این مکان است. این امتیاز با استفاده از روش جستجوی موضوعی ناشی از فرامتن (HITS) [ 32 ] محاسبه می شود. نمونه‌ای از یک مکان به صورت زیر ارائه می‌شود: (“Walter Foods”، “American Restaurant”، -73.95861، 40.71341، 5.89).

به طور مشابه، اجازه دهید U مجموعه ای باشد که شامل همه کاربران یک LBSN است. یک کاربر را می توان به صورت زیر مدل کرد:

تو من = < n ، h c ، h (تو من) >

جایی که یک کاربر $u_{i}$ دارای نام n و شهر خانه hc است . ما ورودی کاربر را با یک امتیاز مرکز محاسبه شده غنی می کنیم $h (u_{i})$ . این امتیاز با استفاده از روش [ 32 ] نیز محاسبه می شود. امتیاز هاب بالاتر نشان می دهد که کاربر با تجربه است و برچسب های او بیشتر مورد اعتماد هستند. نمونه ای از یک کاربر به صورت زیر ارائه می شود: (“توماس روسی”، “واشنگتن، دی سی”، 2.97).

کاربران در U در مکان های V چک-in انجام می دهند . این سابقه ورود از LBSN به دست آمده است. ما بررسی‌ها را توسط کاربر گروه‌بندی می‌کنیم و تاریخچه یک کاربر را به صورت زیر نشان می‌دهیم:

ج من = (تو من, < (v, t) >)

به معنی کاربر $u_{i} \in U$ دارای لیستی از جفت های مرتب شده است $(v, t)$ ، جایی که $v \in V$ محل برگزاری و $t \in T$ یک مهر زمان است. نمونه ای از اعلام حضور برای یک کاربر به صورت زیر ارائه می شود: (“توماس روسی”، < (“Amrit”، 17 ژانویه 2013 9:02:30)، (“TUM”، 17 ژانویه 2013 9:05:51) ، (“Marineplatz”, 17 ژانویه 2013 9:05:51)>). اجازه دهید C مجموعه ای از این ورودی ها برای همه کاربران در U باشد .

در نهایت، لیست علایق τ را محاسبه می کنیم . فرض کنید τ مجموعه‌ای باشد که شامل تمام علایق استخراج‌شده از برچسب‌های توصیفی رسانه‌های برچسب‌گذاری‌شده جغرافیایی در یک SN انتخابی (مثلاً اینستاگرام) و استخراج شده از برچسب‌هایی است که همه مکان‌ها را در LBSN شرح می‌دهند. یک علاقه را می توان به صورت زیر مدل کرد:

τ من = (i n t e r e s تی من, < (v, s) >)

این بدان معنی است که علاقه با نام

n_{i}

در قالب یک لیست مرتب شده از جفت ها نشان داده شده است

(v, s)

، جایی که هر جفت شامل یک مکان است

v_{j}

و یک نمره

s_{j} \in R

، که وزن بهره است

τ_{i}

در محل برگزاری

v_{j}

محاسبه شده در ماژول نقشه برداری بهره. یک مثال می تواند (“برگر”، <(“والتر فودز”، 64)، (“برگر کینگ”، 58)، (“شکن شاک”، 42)>).

3.3. ماژول نقشه برداری برچسب های علاقه

این ماژول لیست τ را با جمع آوری داده ها از LBSN و SN پر می کند. برای همه مکان‌هایی که از LBSN می‌آیند، برچسب‌های توصیفی مربوطه را از SN و LBSN استخراج می‌کند. هر

v_{i} \in V

دارای برچسب ها و نکات در LBSN است. برچسب ها کلمات کلیدی هستند که مکان برگزاری را در یک LBSN به بهترین شکل توصیف می کنند. نکات (یکی از محبوب ترین مکانیسم های تعامل در LBSN ها، مانند Yelp، Foursquare، whrrl، و غیره) پست های کاربرانی هستند که با محل برگزاری مطابقت دارند. این روش امتیازدهی برای هر دوی آنها صدق می کند. به طور معمول، LBSN ها برچسب ها را با تجزیه و تحلیل نکات استخراج می کنند. در SN، این برچسب های توصیفی به شکل حاشیه نویسی در محتوای رسانه های اجتماعی دارای برچسب جغرافیایی وجود دارند. ما فقط به رسانه‌های دارای برچسب جغرافیایی که مربوط به مجموعه مکان‌های V هستند ، از LBSN علاقه‌مندیم.

یک کار پیش پردازش باید انجام شود تا فقط برچسب هایی که منعکس کننده علایق هستند حفظ شود. به عنوان مثال، یک رستوران هندی حاوی برچسب‌های رسانه‌ای با برچسب جغرافیایی مانند #foodie #love #favorite #indian #restaurant #beryani پس از پردازش اولیه به #رستوران هندی #بریانی کاهش می‌یابد. این ممکن است با حذف برچسب‌های غیر نشانگر ، مانند کلمات توقف، نام مکان، و غیره انجام شود .

پس از انجام پیش پردازش، با ساخت لیست اقدام می کنیم

< v, s >

برای هر علاقه ای . به این معنا که ما فهرستی از مکان‌هایی که این علاقه را برآورده می‌کنند همراه با امتیازهایی می‌سازیم که نشان می‌دهد چقدر علاقه در این مکان برآورده شده است. این نمره s یک میانگین وزنی است که دو نمره را ترکیب می کند

ω (v, i n t e r e s t)

φ (v, i n t e r e s t)

نمره

ω (v, i n t e r e s t)

محاسبه شده در معادله (1) نشان دهنده محبوبیت علاقه در یک مکان فقط با استفاده از نکات LBSN است، جایی که

t i p s_{v}

نشان دهنده نکات مربوط به مکان v است که حاوی یک علاقه است . به عنوان مثال، “من عاشق این مکان هستم” در روش امتیازدهی ما یک انعام در نظر گرفته نمی شود، در حالی که “این مکان یک همبرگر عالی می سازد” به عنوان انعام نشان دهنده علاقه (برگر) محاسبه می شود. بنابراین، امتیاز نهایی درصدی از نکات محل برگزاری خواهد بود که از LBSN می‌آید و شامل علاقه داده شده است .

ω (v من ، من نیستم_____تی j) = t i p س v من حاوی i n t e r e s تی j t i p س v من

(1)

نمره

φ (v, i n t e r e s t)

محاسبه‌شده در معادله (2) نشان‌دهنده محبوبیت علاقه در یک مکان فقط با استفاده از رسانه‌های برچسب‌گذاری شده جغرافیایی SN است، که در آن

m e d i a_{v}

نشان‌دهنده موارد رسانه‌ای برچسب‌گذاری‌شده جغرافیایی مربوط به مکان v است که حاشیه‌نویسی‌هایی حاوی یک علاقه دارد . بنابراین، امتیاز نهایی درصدی از آیتم‌های رسانه‌ای با برچسب جغرافیایی محل برگزاری خواهد بود که از SN می‌آیند و حاوی علاقه داده شده است .

φ (v من ، من نیستم_____تی j) = m e d من آ v من مشروح i n t e r e s تی j m e d من آ v من

(2)

در نهایت، برای هر

i n t e r e s t_{i}

در τ ، میانگین وزنی امتیاز

s_{i} j

از

i n t e r e s t_{i}

در هر مکان

v_{j}

برآورده شدن این سود با استفاده از رابطه (3) محاسبه می شود.

س من j = t i p س v من * ω ( v j ، من نیستم _ _ _ _ _ تی من ) + m e d من آ v j * φ ( v j ، من نیستم _ _ _ _ _ تی من ) t i p س v j + m e d من آ v j

(3)

3.4. مکان های جالب و ماژول استنباط کاربر متخصص

جستجوی موضوع ناشی از فرامتن (HITS) [ 32 ] برای استنتاج مکان‌های جالب و کاربران با تجربه استفاده می‌شود. شکل 5 ایده اصلی مدل استنتاج مبتنی بر HITS را نشان می دهد. در این مدل، بازدید کاربر از یک مکان به عنوان یک لینک هدایت شده از کاربر به آن مکان در نظر گرفته می شود. بنابراین، اگر کاربر در بسیاری از مکان‌ها اعلام حضور داشته باشد، یک مرکز است، و اگر توسط کاربران زیادی چک شده باشد، یک مکان مرجع است. به دنبال آن، یک الگوریتم امتیازدهی برای مدل پیشنهادی اعمال می‌شود که به کاربران و مکان‌ها امتیازاتی بر اساس آن لبه‌ها می‌دهد. امتیازهای اختصاص داده شده به هر کاربر و محل برگزاری، نشان دهنده محبوبیت مکان و تجربه سفر کاربر است.

این مکان‌های جالب و ماژول استنباط کاربر متخصص IALBR از یک مدل استنتاج مبتنی بر HITS [ 32 ] برای شناسایی کاربران با تجربه و مکان‌های جالب برای حمایت از توصیه آگاهانه ما استفاده می‌کند. با توجه به مجموعه C حاوی تاریخچه اعلام حضور برای همه کاربران U ، برای هر مکان

v_{i} \in V

، یک امتیاز مرجع

a (v_{i})

محاسبه می شود. این امتیاز نشان می دهد که این مکان چقدر محبوب است، بر اساس امتیازات هاب کاربرانی که این مکان را بررسی کرده اند. همچنین برای هر کاربر محاسبه می کند

u_{i} \in U

یک امتیاز مرکز

h (u_{i})

بر اساس امتیازات اعتبار مکان های بازدید شده توسط این کاربر. از آنجایی که یک رابطه تقویتی متقابل بین کاربران هاب و مکان های قدرت وجود دارد، هر دو با استفاده از روش تکرار توان نشان داده شده در معادلات (4) و (5) محاسبه می شوند.

ساعت (تو من) = \sum v j \subset V σ j * یک (v j)

(4)

یک (v من) = \sum تو j \subset U λ j * ساعت (تو j)

(5)

جایی که σ تعداد ورود کاربر است $u_{i}$ که در $v_{j}$ و λ تعداد ورود کاربر است $u_{j}$ که در $v_{i}$ .

3.5. ماژول پیشنهاد دهنده علاقه مند

این ماژول مسئول دریافت پرس و جوهای مبتنی بر مکان آگاهانه و بازگرداندن لیست رتبه بندی شده از مکان هایی است که علایق منطبق دارند. یک پرس و جو کاربر را می توان به صورت زیر مدل کرد:

q = < تو من l n g_, l a t, i n t e r e s t, r a n g e >

نمونه ای از یک پرس و جو کاربر به صورت زیر ارائه می شود: q = <Thomas Rossi , −6.98, 42, “ Fries ”, 1 mile>. توصیه‌ها با استفاده از الگوریتم توصیه‌گر آگاه ما (یعنی نشان‌داده‌شده در الگوریتم 1) ارائه می‌شوند که به عنوان داده مجموعه همه علایق τ محاسبه‌شده در ماژول نگاشت برچسب‌های علاقه و مجموعه همه مکان‌ها V با امتیازهای مرجع مکان غنی‌شده است.

a u t h (v)

محاسبه شده در مکان های جالب و ماژول استنباط کاربر متخصص. این یک لیست رتبه بندی شده از مکان های مطابق با علاقه کاربر و در محدوده جغرافیایی مشخص شده را بازیابی می کند. رتبه بندی آنها بر اساس امتیاز توان محاسبه شده در رابطه (6) است.

p = س من j * a (v j)

(6)

جایی که $s_{i} j$ میانگین وزنی نمره یک است $i n t e r e s t_{i}$ در یک مکان $v_{j}$ . مقدار آن کمتر از یک است. در حالی که $a (v_{j})$ امتیاز اعتبار محل برگزاری است $v_{j}$ با استفاده از HITS محاسبه می شود. به این ترتیب، امتیاز توان p از an $i n t e r e s t_{i}$ کسری از اختیارات کل محل برگزاری خواهد بود $v_{j}$ تعیین شده توسط محبوبیت $i n t e r e s t_{i}$ در آن، یعنی، هر چه مقدار p بیشتر باشد ، محبوبیت آن بیشتر است $i n t e r e s t_{i}$ که در $v_{j}$ .

الگوریتم 1: توصیه کننده آگاه از علاقه.

ورودی : (1) مکان جغرافیایی کاربر ; (2) توصیه محدوده جغرافیایی r ; (3) علاقه کاربر i

خروجی : یک لیست مرتب شده L از توصیه های مکان.

4. پیاده سازی سیستم

ما IALBR پیشنهادی را به‌عنوان یک برنامه موبایل اندرویدی در بالای LBSN (چهار ضلعی) پیاده‌سازی کردیم و با استفاده از توابع API آن‌ها را با SN (اینستاگرام) ملحق کردیم. Foursquare از آنجایی که بزرگترین LBSN تا به امروز است، انتخاب شده است، در حالی که اینستاگرام سریعترین SN در حال رشد است که دارای پایگاه کاربری عظیمی است که حجم زیادی از رسانه های دارای برچسب جغرافیایی را در اختیار شما قرار می دهد، که می تواند مستقیماً به مکان های Foursquare نگاشت شود. علاوه بر این، رسانه‌های برچسب‌گذاری‌شده توسط کاربر در اینستاگرام از جزئیات ترجیحی پشتیبانی می‌کنند. به عنوان مثال: هنگامی که کاربر هنگام صرف شام در یک رستوران هندی، عکسی را در اینستاگرام آپلود می کند، برچسب های مرتبط با این عکس چیزی شبیه به #biryani #indianfood #amrit #berlin خواهد بود، یعنی ماده غذایی، دسته بندی غذا، رستوران و شهر. علاوه بر این، برچسب‌های علاقه استخراج شده از رسانه‌های دارای برچسب جغرافیایی عمدتاً برچسب‌های مثبت هستند، به عنوان مثال، زمانی که کاربر عکسی از یک ماده غذایی را که در رستوران امتحان کرده آپلود می کند، به این دلیل است که آن را دوست دارد. این نتیجه گیری از [44 ]، یک مطالعه تحقیقاتی که رفتار کاربران معمولی در اینستاگرام را بررسی کرد. ما از PostgreSQL استفاده می کنیم، زیرا دارای مدیریت جغرافیایی-فضایی پیشرفته است. علاوه بر این، ما برنامه را با نقشه های گوگل برای ویژگی های نمای نقشه و جهت ادغام کردیم.

هنگامی که کاربر وارد برنامه می شود، صفحه اصلی نشان داده شده در شکل 6 a برای کاربر ظاهر می شود. کاربر علاقه ای را در فیلد نوشتاری «علاقه جستجو» تایپ می کند و یک محدوده جغرافیایی (به کیلومتر) را برای توصیه های مکان انتخاب می کند. به عنوان مثال، اگر کاربری محدوده “20 کیلومتر” و “برگر” را به عنوان علاقه انتخاب کند و سپس دکمه “برو” را کلیک کند، پرس و جو اجرا می شود و تعدادی مکان مطابق با علاقه کاربر ظاهر می شود، همانطور که در شکل 6 نشان داده شده است . ب

5. ارزیابی تجربی

در این بخش، تنظیمات آزمایش‌ها، از جمله مجموعه داده‌های مورد استفاده، روش‌های ارزیابی و رویکرد پایه را شرح می‌دهیم. سپس نتایج تجربی گزارش می شود.

5.1. تنظیمات آزمایشی

به منظور اعتبارسنجی IALBR پیشنهادی، آزمایش‌های مختلفی را بر اساس مجموعه داده‌های مقیاس بزرگ ارائه شده در [ 45 ، 46 ] انجام دادیم که از Foursquare جمع‌آوری شده است. دارای 35023 مکان، 10377 راهنمایی و 392247 اعلام حضور توسط 17463 کاربر در نیویورک است. برای مکان‌های موجود در این مجموعه داده، ما 641079 مورد رسانه‌ای با برچسب جغرافیایی را از اینستاگرام جستجو کردیم. این منجر به استخراج 217511 برچسب شده است که نشان دهنده علایق مرتبط با این مکان ها است.

هدف آزمایش‌های ما اندازه‌گیری جنبه‌های زیر از رویکرد ما است:

کاربرد توصیه ها
رتبه بندی توصیه ها

برای اندازه‌گیری این جنبه‌ها، ما 10 پرس و جوی علاقه انجام دادیم که علایق کاربر مختلف را از یک مکان ثابت در نیویورک شبیه‌سازی می‌کردند (طول جغرافیایی = 40.7678052451765 و طول جغرافیایی = -73.98199327290058). کاربر توصیه‌هایی را برای مکان مطابق با علاقه‌اش در شعاع 20 کیلومتری درخواست می‌کند. پرس و جوها در سطح علاقه متفاوت بودند، به عنوان مثال، ما «چیزکیک» (سطح پایین) و «نان فروشی» (سطح بالاتر) را جویا شدیم. پرس و جوها همچنین انواع مختلفی از علاقه داشتند، از سلامتی و تندرستی مانند “سالن ورزشی” و “دویدن” تا مواد غذایی مانند “سوشی” و “برگر”.

5.2. نتایج تجربی

5.2.1. کاربرد توصیه ها

در این آزمایش، رویکرد پایه، توصیه‌کننده فعلی Foursquare قبل از غنی‌سازی آن با حاشیه‌نویسی‌های رسانه‌ای با برچسب جغرافیایی اینستاگرام است. مکان‌هایی را در محدوده 20 کیلومتری توصیه می‌کند که دارای برچسب‌ها و نکات محل برگزاری مطابق با درخواست علاقه هستند. در حالی که IALBR ما مکان‌هایی را در محدوده 20 کیلومتری توصیه می‌کند که هم در تگ‌ها و نکات Foursquare و هم در موارد رسانه‌ای با برچسب جغرافیایی اینستاگرام، برچسب‌های علاقه منطبق را داشته باشند. مکان های حاصل از هر دو رویکرد دارای امتیاز قدرت p هستند (به معادله (6) مراجعه کنید)، و بر اساس آن رتبه بندی می شوند.

جدول 1 خلاصه ای از نتایج را پس از انجام ده پرس و جو مورد علاقه با استفاده از هر دو رویکرد نشان می دهد. این تعداد کل نتایج و درصد نتایج مرتبط در هر پرس و جو را نشان می دهد (دقت در ده). ما از Yelp به‌عنوان یک حقیقت اصلی مرتبط با در نظر گرفتن یک مکان به عنوان یک مکان مناسب استفاده کردیم، تنها در صورتی که شامل بررسی‌های مثبت از مورد درخواست باشد. جدول همچنین نشان می دهد که آیا بهترین تطابق (یعنی مکانی که بالاترین امتیاز قدرت p را دارد ) در بین نتایج هر دو رویکرد بوده است یا خیر.

به طور متوسط، پرس و جوهای Foursquare در حدود سه مکان در هر پرس و جو با دقت 1.0 نتیجه می گرفتند و 50% مواقع بهترین تطابق را داشتند. در حالی که پرس و جوهای IALBR منجر به حدود 13 مکان در هر پرس و جو با دقت 0.8 و شامل بهترین تطابق در 100٪ مواقع شد. این بدان معنی است که برای هر پرس و جو، IALBR به طور متوسط 10 مکان جدید برای کاربر اضافه می کند که از این تعداد، 8 مکان مرتبط هستند که به احتمال زیاد با علاقه کاربر مطابقت دارند. علاوه بر این، IALBR قادر به پاسخگویی به تمام سؤالات مورد علاقه بود، در حالی که Foursquare نتوانست به 30٪ از سؤالات پاسخ دهد.

جدول 2 دقت Pr ، فراخوانی R و F-اندازه F از 10 پرس و جو را در آستانه های مختلف N نشان می دهد ، که در آن N = 5، 10، 15. ما این آزمایش را برای شناسایی آستانه ای انجام دادیم که بهترین اندازه گیری F را به دست می آورد (یعنی، بهترین میانگین وزنی دقت و فراخوان). این یک مقدار واحد است که کاربرد کلی لیست توصیه ها را نشان می دهد. دقت، فراخوان و اندازه گیری F به ترتیب با استفاده از معادلات (7) – (9) محاسبه شد.

پ r = مربوطه بازیابی شد مرتبط بازیابی + بی ربط بازیابی شده

(7)

R = مربوطه بازیابی شد Relevant Retrieved + Relevant Retrieved

(8)

اف = 2 * پ r * R پ r + R

(9)

شکل 7 میانگین یادآوری، دقت و اندازه گیری F را برای 10 پرس و جو نشان می دهد، که نشان می دهد N = 15 به بالاترین اندازه گیری F (0.87) دست می یابد. همچنین نشان می دهد که بالاترین میانگین دقت در N = 5 و بالاترین میانگین فراخوان در N = 15 به دست می آید.

5.2.2. رتبه بندی توصیه ها

در این آزمایش، ما سعی کردیم کیفیت رتبه‌بندی محل برگزاری IALBR را با مقایسه آن با رتبه‌بندی‌های Yelp اندازه‌گیری کنیم. برای انجام این آزمایش، مکان‌های به‌دست‌آمده از پرس و جوی علاقه «برگر» را تحلیل کردیم و میانگین خطای مطلق (MAE)، سود تجمعی تنزیل‌شده (DCG) و سود تجمعی تنزیل‌شده عادی (NDCG) آن مکان‌ها را نسبت به Yelp محاسبه کردیم. این اقدامات به شرح زیر تعریف می شوند:

دی سی G = D جی 1 + \sum i = 2 n r e ل من l o g 2 ( من ) ، من دی سی G = I D جی 1 + \sum i = 2 n r e ل من l o g 2 ( من ) ، ن دی سی G = دی سی جی من دی سی جی

(10)

که در آن rel ارتباط درجه بندی شده نتیجه در موقعیت i است. برای اینکه بتوانیم این مقایسه را انجام دهیم، باید امتیازهای P IALBR را به یک مقیاس پنج ستاره شبیه به مقیاس Yelp تبدیل کنیم. ما مقیاس را طوری تنظیم کردیم که به مکانی که بالاترین p را برای برچسب علاقه “برگر” در کل مجموعه داده ما دارد، امتیاز پنج می دهد و به مکانی که کمترین p را برای همان برچسب علاقه دارد، امتیاز یک می دهد. .

مشکل دیگری که در این مقایسه با آن مواجه شدیم این است که رتبه بندی Yelp منعکس کننده رتبه بندی کلی محل برگزاری است، نه رتبه بندی علاقه (مثلاً برگر) در این مکان. از سوی دیگر، IALBR به منافع (مثلاً برگر) در محل برگزاری امتیاز می دهد. بنابراین، باید این فرض را می‌کردیم که اگر مکانی برای ارائه یک آیتم خاص محبوب باشد، این مکان احتمالاً رتبه خوبی در Yelp خواهد داشت. به همین دلیل است که از رتبه بندی Yelp به عنوان یک حقیقت نسبتا قابل قبول استفاده کردیم. علاوه بر این، ما نتوانستیم یک پلتفرم جایگزین پیدا کنیم که رتبه‌بندی مبتنی بر آیتم را ارائه دهد.

جدول 3 نتایج محل برگزاری IALBR را از پرس و جوی علاقه “برگر” فهرست می کند و رتبه بندی آنها را (پس از مقیاس بندی امتیازات قدرت p ) با رتبه بندی مکان در Yelp مقایسه می کند. ما به MAE 1.3 دست یافتیم. این جذر میانگین ستون سمت راست (خطای مطلق) است. یک MEA کوچکتر نشان دهنده انحراف کوچکتر بین روش ما و حقیقت اصلی است. جدول 4 و جدول 5 به ترتیب مقادیر DCG و NDCG را برای IALBR نشان می دهند. در جدول 4 ، مکان ها بر اساس امتیاز p IALBR رتبه بندی شدند و سود تجمعی تنزیل شده (DCG) آنها با استفاده از رتبه Yelp در معادله (10) محاسبه شد. در جدول 5، ما مکان ها را بر اساس رتبه بندی Yelp آنها رتبه بندی کردیم با این فرض که این رتبه بندی ایده آل است، و سود تجمعی با تخفیف ایده آل (IDG) آنها با استفاده از رتبه بندی های Yelp مجدداً مرتب شده محاسبه شد، سپس سود تجمعی تخفیف عادی شده (NDCG) محاسبه شد. مقدار NDCG به دست آمده (0.99) نشان می دهد که موقعیت/ رتبه بندی مکان ها بر اساس امتیازات قدرت IALBR p بسیار نزدیک به موقعیت مکان ها بر اساس رتبه Yelp است.

6. بحث

در این بخش، رویکرد امتیازدهی IALBR را که در بخش 3 توضیح داده شده است، تحلیل می‌کنیم . این کار با مقایسه اثربخشی هر جزء به طور مستقل انجام می شود. ما نتایج یک درخواست کاربر “برگر” را با استفاده از چهار سناریو مقایسه می کنیم: (1) منابع LBSN به تنهایی. (2) منابع LBSN و SN با هم. (3) HITS اعمال شده در LBSN. و (4) IALBR که این سه را ترکیب می کند. همانطور که در جدول 6 نشان داده شده است، سناریوهای مختلف نشان می دهد که چگونه هر جزء به خودی خود کافی نیست و زمانی که در IALBR ترکیب می شوند چقدر موثر می شوند.

سناریو 1، LBSN ها:

اجازه دهید فرض کنیم که کاربر Foursquare به دنبال مکانی برای خوردن “برگر” در محدوده جغرافیایی 20 کیلومتری است. تنها راهی که Foursquare می تواند به این پرس و جو پاسخ دهد، جستجوی کلمه “برگر” در برچسب های مکان های این محدوده جغرافیایی است. در آزمایش ما، چهار توصیه بازگردانده شد، که نشان می‌دهد LBSN به تنهایی توصیه‌های کمتری را ارائه می‌دهد. برای همان پرس و جو، IALBR گزینه های مرتبط جدیدی با نمرات p حتی بهتر (مثلاً Nature Works و The Plaza Food Hall) کشف کرد.
سناریو 2، LBSN ها و SN ها:

یک کاربر از یک LBSN استفاده می کند که از رسانه های برچسب گذاری شده جغرافیایی SN برای ترسیم علایق به مکان ها استفاده می کند. این سناریو از روش HITS برای استنباط کاربران خبره و مکان های جالب استفاده نمی کند. کاربر به دنبال مکانی برای خوردن “برگر” در محدوده جغرافیایی 20 کیلومتری است. مکان‌هایی را توصیه می‌کند که اغلب موارد پرس و جو را در رسانه‌های دارای برچسب جغرافیایی و نکات و برچسب‌های LBSN دارند. با اجرای این پرس و جو، توانستیم 10 مکان را توصیه کنیم که با استفاده از میانگین امتیازات وزنی توضیح داده شده در بخش 3.2 مرتب شده اند .، اما بدون در نظر گرفتن اینکه آیا آن مکان ها “مکان های جالب” هستند یا معمولا توسط کاربران “متخصص” بازدید می شوند. با مقایسه این نتایج با نتایج IALBR، متوجه می‌شویم که IALBR نه تنها مکان‌هایی را توصیه می‌کند که دارای علاقه پرس و جو در میان علایق برتر هستند، بلکه باید مکان‌هایی با کیفیت باشند (یعنی اغلب توسط کاربران متخصص بازدید می‌شوند). به عنوان مثال: مک دونالد به برگر معروف است، بنابراین احتمالاً در این سناریو با رتبه بالایی ظاهر می شود. با این حال، به دلیل کیفیت غذای متوسط شناخته شده است و معمولاً توسط کاربران متخصص بازدید نمی شود، که به آن نمره اعتبار پایینی می دهد. از آنجایی که رویکرد IALBR امتیاز اعتبار محل برگزاری را در نظر می گیرد، مک دونالد رتبه پایین تری را کسب می کند. این نشان می دهد که IALBR بین نظر متخصص و افکار عمومی در مورد علاقه پرس و جو، مبادله درستی انجام می دهد.
سناریو 3، آمار:

این کاربری است که از یک LBSN استفاده می‌کند که از رسانه‌های برچسب‌گذاری‌شده جغرافیایی SN برای ترسیم علایق به مکان‌ها استفاده می‌کند. از مدل HITS برای استنتاج کاربران خبره و مکان های جالب استفاده می کند. اگر کاربر به دنبال مکانی برای خوردن “برگر” در محدوده جغرافیایی 20 کیلومتری است، این سیستم “مکان های” جالبی را توصیه می کند که حاوی “برگر” مورد علاقه کاربر نیز می باشد. با شبیه سازی این سیستم، ما توانستیم 10 مکان را با استفاده از امتیاز مرجع محل برگزاری a ( v ) که در بخش 3.3 توضیح داده شده است، مرتب کنیم.. با مقایسه نتایج این سناریو با نتایج IALBR، متوجه شدیم که HITS به تنهایی مکان‌هایی را ارائه می‌کند که امتیازات بسیار بالایی به عنوان مکان‌های “جالب” دارند که توسط “متخصصان” بازدید می‌شوند و آیتم پرس و جو را در بین برچسب‌های خود قرار می‌دهند. با این حال، نتیجه شامل مکان هایی است که چندان مرتبط نیستند. به عنوان مثال: استفاده از HITS به تنهایی “New York Hilton Midtown” را به عنوان اولین گزینه برای برگر آورده است. درست است که می توانید یک همبرگر عالی را در آنجا میل کنید، اما این توصیه بر اساس محبوبیت محل برگزاری بود، نه بر اساس محبوبیت کالای مورد علاقه (یعنی برگر) در محل برگزاری.

7. نتیجه گیری

این مقاله یک سیستم توصیه‌کننده مبتنی بر مکان مبتنی بر علاقه (IALBR) را ارائه می‌کند، که از محتوای رسانه‌های اجتماعی برچسب‌گذاری‌شده جغرافیایی برای ارائه توصیه‌های مکان به درخواست کاربر در یک موقعیت خاص در یک محدوده جغرافیایی از پیش تعیین‌شده استفاده می‌کند. توصیه ها بر اساس محبوبیت آیتم پرس و جو در محل برگزاری و محبوبیت این مکان با استفاده از مدل استنتاج مبتنی بر HITS محاسبه شده است. این نوع توصیه از پرس و جوهای سطح بالا (مثلاً نانوایی) و پرس و جوهای سطح پایین (مثلاً باگل) پشتیبانی می کند. از حجم عظیمی از محتوای برچسب‌گذاری‌شده جغرافیایی موجود در رسانه‌های اجتماعی استفاده می‌کند تا بیشترین موارد را استخراج کند و از آنها برای توصیه مکان و تطبیق علایق استفاده کند. ما سیستم پیشنهادی خود را با استفاده از آزمایش‌های متعدد بر اساس داده‌های جمع‌آوری‌شده از Foursquare، دارای 35023 مکان، 10377 نکته و 392 مورد ارزیابی کردیم. 247 اعلام حضور از 17463 کاربر در نیویورک ایجاد شده است. برای مکان‌های موجود در این مجموعه داده، ما 641079 مورد رسانه‌ای با برچسب جغرافیایی را از اینستاگرام جستجو کردیم تا 217511 برچسب را که نشان دهنده علایق مرتبط با آن مکان‌ها هستند استخراج کنیم. Foursquare و Instagram به عنوان نمونه هایی برای LBSN ها و SN ها بدون از دست دادن کلیت هستند، زیرا بسیاری از LBSN ها و SN های دیگر ویژگی های مشابهی دارند. سهم اصلی رویکرد ما در این است: (1) ارائه توصیه‌های مکان برگزاری بر اساس علاقه که توانایی پاسخگویی به علایق انواع مختلف (مانند فعالیت یا ماده غذایی) و سطوح مختلف انتزاع (مثلاً دسته‌بندی غذای عمومی یا غذای خاص را دارند). مورد)؛ (2) اطلاعات مربوط به مکان‌ها در یک LBSN مشخص با محتوای برچسب‌گذاری شده جغرافیایی که از یک شبکه اجتماعی اشتراک‌گذاری عکس جمع‌آوری شده است، غنی می‌شود. ما 641079 آیتم رسانه ای با برچسب جغرافیایی را از اینستاگرام جستجو کردیم تا 217511 تگ را که نشان دهنده علایق مرتبط با آن مکان ها هستند استخراج کنیم. Foursquare و Instagram به عنوان نمونه هایی برای LBSN ها و SN ها بدون از دست دادن کلیت هستند، زیرا بسیاری از LBSN ها و SN های دیگر ویژگی های مشابهی دارند. سهم اصلی رویکرد ما در این است: (1) ارائه توصیه‌های مکان برگزاری بر اساس علاقه که توانایی پاسخگویی به علایق انواع مختلف (مانند فعالیت یا ماده غذایی) و سطوح مختلف انتزاع (مثلاً دسته‌بندی غذای عمومی یا غذای خاص را دارند). مورد)؛ (2) اطلاعات مربوط به مکان‌ها در یک LBSN مشخص با محتوای برچسب‌گذاری شده جغرافیایی که از یک شبکه اجتماعی اشتراک‌گذاری عکس جمع‌آوری شده است، غنی می‌شود. ما 641079 آیتم رسانه ای با برچسب جغرافیایی را از اینستاگرام جستجو کردیم تا 217511 تگ را که نشان دهنده علایق مرتبط با آن مکان ها هستند استخراج کنیم. Foursquare و Instagram به عنوان نمونه هایی برای LBSN ها و SN ها بدون از دست دادن کلیت هستند، زیرا بسیاری از LBSN ها و SN های دیگر ویژگی های مشابهی دارند. سهم اصلی رویکرد ما در این است: (1) ارائه توصیه‌های مکان برگزاری بر اساس علاقه که توانایی پاسخگویی به علایق انواع مختلف (مانند فعالیت یا ماده غذایی) و سطوح مختلف انتزاع (مثلاً دسته‌بندی غذای عمومی یا غذای خاص را دارند). مورد)؛ (2) اطلاعات مربوط به مکان‌ها در یک LBSN مشخص با محتوای برچسب‌گذاری شده جغرافیایی که از یک شبکه اجتماعی اشتراک‌گذاری عکس جمع‌آوری شده است، غنی می‌شود. Foursquare و Instagram به عنوان نمونه هایی برای LBSN ها و SN ها بدون از دست دادن کلیت هستند، زیرا بسیاری از LBSN ها و SN های دیگر ویژگی های مشابهی دارند. سهم اصلی رویکرد ما در این است: (1) ارائه توصیه‌های مکان برگزاری بر اساس علاقه که توانایی پاسخگویی به علایق انواع مختلف (مانند فعالیت یا ماده غذایی) و سطوح مختلف انتزاع (مثلاً دسته‌بندی غذای عمومی یا غذای خاص را دارند). مورد)؛ (2) اطلاعات مربوط به مکان‌ها در یک LBSN مشخص با محتوای برچسب‌گذاری شده جغرافیایی که از یک شبکه اجتماعی اشتراک‌گذاری عکس جمع‌آوری شده است، غنی می‌شود. Foursquare و Instagram به عنوان نمونه هایی برای LBSN ها و SN ها بدون از دست دادن کلیت هستند، زیرا بسیاری از LBSN ها و SN های دیگر ویژگی های مشابهی دارند. سهم اصلی رویکرد ما در این است: (1) ارائه توصیه‌های مکان برگزاری بر اساس علاقه که توانایی پاسخگویی به علایق انواع مختلف (مانند فعالیت یا ماده غذایی) و سطوح مختلف انتزاع (مثلاً دسته‌بندی غذای عمومی یا غذای خاص را دارند). مورد)؛ (2) اطلاعات مربوط به مکان‌ها در یک LBSN مشخص با محتوای برچسب‌گذاری شده جغرافیایی که از یک شبکه اجتماعی اشتراک‌گذاری عکس جمع‌آوری شده است، غنی می‌شود. (1) ارائه توصیه‌های مکان برگزاری بر اساس علاقه که توانایی پاسخگویی به علایق انواع مختلف (مانند فعالیت یا ماده غذایی) و سطوح مختلف انتزاع (مانند دسته‌بندی غذای عمومی یا ماده غذایی خاص) را داشته باشد. (2) اطلاعات مربوط به مکان‌ها در یک LBSN مشخص با محتوای برچسب‌گذاری شده جغرافیایی که از یک شبکه اجتماعی اشتراک‌گذاری عکس جمع‌آوری شده است، غنی می‌شود. (1) ارائه توصیه‌های مکان برگزاری بر اساس علاقه که توانایی پاسخگویی به علایق انواع مختلف (مانند فعالیت یا ماده غذایی) و سطوح مختلف انتزاع (مانند دسته‌بندی غذای عمومی یا ماده غذایی خاص) را داشته باشد. (2) اطلاعات مربوط به مکان‌ها در یک LBSN مشخص با محتوای برچسب‌گذاری شده جغرافیایی که از یک شبکه اجتماعی اشتراک‌گذاری عکس جمع‌آوری شده است، غنی می‌شود.

از نظر کارهای آینده، ما به دنبال پاسخگویی به پرس و جوهای پیچیده (مثلاً پاسخگویی به سؤال، مترادف های علاقه و غیره) هستیم، زیرا پیاده سازی ما تاکنون فقط پرس و جوهای یک کلمه ای را مدیریت می کند. ما همچنین قصد داریم به LBSN ها با SN ملحق شویم بدون اینکه محدود به کلیدهای منحصر به فرد از قبل موجود بین LBSN (چهار ضلعی) و SN (اینستاگرام) برای این اتصال باشیم. این به طور قابل توجهی مکان‌ها را با گنجاندن سایر اطلاعات ارجاع‌شده جغرافیایی در سایر LBSN‌هایی که کلیدهای مشابهی را به اشتراک نمی‌گذارند، غنی‌تر می‌کند (مانند فلیکر، توییتر و غیره). علاوه بر این، ما باید قبل از محاسبه میانگین وزنی امتیاز آن علاقه در آن مکان، روی شناسایی قطبیت (مثبت، خنثی، منفی) نکات مکان و رسانه‌های برچسب‌گذاری شده جغرافیایی که حاوی علاقه مورد نظر هستند، کار کنیم. یکی دیگر از جهت گیری های تحقیقاتی آینده شامل تبدیل رویکرد IALBR به یک رویکرد خودآموز است، به عنوان مثال،

منابع

رادیکتی، س. Hoang، Q. گزارش آمار ایمیل، 2011–2015 ; The Radicati Group, Inc.: Palo Alto, CA, USA, 2011. [ Google Scholar ]
بائو، جی. ژنگ، ی. ویلکی، دی. Mokbel، MF نظرسنجی در مورد توصیه‌ها در شبکه‌های اجتماعی مبتنی بر مکان. ACM Trans. هوشمند سیستم تکنولوژی 2013 ، 19 ، 525-565. [ Google Scholar ] [ CrossRef ]
Zheng, Y. آموزش در مورد شبکه های اجتماعی مبتنی بر مکان. در مجموعه مقالات بیست و یکمین کنفرانس بین المللی وب جهانی (WWW)، لیون، فرانسه، 16 تا 20 آوریل 2012.
Constine, J. اینستاگرام برای پیشی گرفتن از توییتر به 300 میلیون کاربر ماهانه می رسد و با نشان های تایید شده آن را واقعی نگه می دارد. 2014. موجود به صورت آنلاین: http://techcrunch.com/2014/12/10/not-a-fad/ (دسترسی در 6 دسامبر 2016).
D’Onfro, J. این نمودار نشان می دهد که چگونه اینستاگرام در نیمی از زمان توییتر به 150 میلیون کاربر رسیده است. 2014. در دسترس آنلاین: http://www.businessinsider.com/instagram-growth-chart-2014-2 (دسترسی در 6 دسامبر 2016).
ابتکار جدید داده های بزرگ اسمیت، سی. فورسکوئر به پیشرفت آن کمک می کند، حتی با پایان یافتن ورود. 2014. موجود آنلاین: http://www.businessinsider.com/foursquare-surpasses-45-million-registered-users-and-begins-collecting-data-in-new-ways-2-2014-1 (دسترسی در 6 دسامبر 2016).
تعداد کاربران فعال ماهانه اینستاگرام از ژانویه 2013 تا ژوئن 2016 (به میلیون). 2016. موجود به صورت آنلاین: https://www.statista.com/statistics/253577/number-of-monthly-active-instagram-users/ (دسترسی در 6 دسامبر 2016).
Weber، JNH Foursquare بر اساس اعداد: 60 متر کاربران ثبت نام شده، 50 متر Maus، و 75 متر نکات تا به امروز. 2015. موجود آنلاین: http://venturebeat.com/2015/08/18/foursquare-by-the-numbers-60m-registered-users-50m-maus-and-75m-tips-to-date/ (دسترسی در 6 دسامبر 2016).
Wilhelm, A. خرید دیوانه کننده فیس بوک اینستاگرام در مورد ارزش Foursquare به ما چه می گوید. 2012. موجود به صورت آنلاین: http://thenextweb.com/insider/2012/04/13/what-instagrams-crazy-facebook-buyout-tells-us-about-the-value-of-foursquare/ (دسترسی در 6 دسامبر 2016).
خلاصه نام تجاری GWI q1 2014. در دسترس آنلاین: http://www.media2000.it/wp-content/uploads/2014/04/GWI_Brand_Summary.pdf (در 6 دسامبر 2016 قابل دسترسی است).
پارک، MH; هنگ، جی اچ. Cho, SB سیستم توصیه مبتنی بر مکان با استفاده از مدل ترجیحی کاربر بیزی در دستگاه های تلفن همراه. در هوش و محاسبات همه جا حاضر ؛ Springer: برلین/هایدلبرگ، آلمان، 2007; صص 1130–1139. [ Google Scholar ]
برزسونی، اس. کوسمن، دی. Stocker, K. اپراتور افق. در مجموعه مقالات هفدهمین کنفرانس بین المللی IEEE در مهندسی داده، واشنگتن، دی سی، ایالات متحده آمریکا، 2 تا 6 آوریل 2001.
راماسوامی، ال. دیپک، پی. پولواراپو، آر. گوناسکرا، ک. گارگ، دی. Visweswariah، K. Kalyanaraman، S. Caesar: یک سیستم توصیه‌کننده اجتماعی آگاه از زمینه برای دستگاه‌های تلفن همراه ارزان قیمت. در مجموعه مقالات دهمین کنفرانس بین‌المللی مدیریت داده‌های تلفن همراه: سیستم‌ها، خدمات و میان‌افزار (MDM’09)، تایپه، تایوان، 18–21 مه 2009. صص 338-347.
لو، CT; لی، روابط عمومی؛ پنگ، WC; سو، ج. چارچوبی از استخراج مناطق معنایی از مسیرها. در سیستم های پایگاه داده برای برنامه های کاربردی پیشرفته ; Springer: برلین/هایدلبرگ، آلمان، 2011; ص 193-207. [ Google Scholar ]
بله، م. یانوویچ، ک. مولیگان، سی. لی، دبلیو. آنچه شما هستید زمانی است که هستید: بعد زمانی انواع ویژگی ها در شبکه های اجتماعی مبتنی بر مکان. در مجموعه مقالات نوزدهمین کنفرانس بین‌المللی ACM SIGSPATIAL در مورد پیشرفت‌ها در سیستم‌های اطلاعات جغرافیایی، شیکاگو، IL، ایالات متحده آمریکا، 1–4 نوامبر 2011. صص 102-111.
بله، م. شو، دی. لی، دبلیو. یین، پی. Janowicz، K. در حاشیه نویسی معنایی مکان ها در شبکه های اجتماعی مبتنی بر مکان. در مجموعه مقالات هفدهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی (KDD’11)، سن دیگو، کالیفرنیا، ایالات متحده آمریکا، 21 تا 24 اوت 2011.
Chow، CY; بائو، جی. Mokbel، MF به سمت خدمات شبکه اجتماعی مبتنی بر مکان. در مجموعه مقالات دومین کارگاه بین المللی ACM SIGSPATIAL درباره شبکه های اجتماعی مبتنی بر مکان، سن خوزه، کالیفرنیا، ایالات متحده آمریکا، 3 تا 5 نوامبر 2010. صص 31-38.
هوروزوف، تی. نراسیمهان، ن. Vasudevan، V. استفاده از موقعیت مکانی برای توصیه های شخصی سازی شده در محیط های تلفن همراه. در مجموعه مقالات سمپوزیوم بین المللی برنامه ها و اینترنت در سال 2006 (SAINT 2006)، فینیکس، AZ، ایالات متحده آمریکا، 23 تا 27 ژانویه 2006.
دل پریت، ال. Capra, L. differs: یک سرویس توصیه‌کننده تلفن همراه. در مجموعه مقالات یازدهمین کنفرانس بین المللی مدیریت داده های تلفن همراه (MDM) در سال 2010، کانزاس سیتی، MO، ایالات متحده آمریکا، 23 تا 26 مه 2010. ص 21-26.
بله، م. یین، پی. لی، دبلیو.-سی. توصیه مکان برای شبکه های اجتماعی مبتنی بر مکان. در مجموعه مقالات هجدهمین کنفرانس بین المللی SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، سن خوزه، کالیفرنیا، ایالات متحده آمریکا، 3 تا 5 نوامبر 2010. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2010; ص 458-461. [ Google Scholar ]
بائو، جی. ژنگ، ی. Mokbel، MF توصیه مبتنی بر موقعیت و اولویت آگاه با استفاده از داده های شبکه های جغرافیایی-اجتماعی پراکنده. در مجموعه مقالات بیستمین کنفرانس بین المللی پیشرفت در سیستم های اطلاعات جغرافیایی، ردوندو بیچ، کالیفرنیا، ایالات متحده آمریکا، 7-9 نوامبر 2012. ص 199-208.
سروات، م. بائو، جی. الدوی، ا. لواندوسکی، جی جی. مجدی، ا. Mokbel، MF Sindbad: یک سیستم شبکه اجتماعی مبتنی بر مکان. در مجموعه مقالات کنفرانس بین المللی ACM SIGMOD 2012 در مدیریت داده ها، اسکاتسدیل، AZ، ایالات متحده آمریکا، 20-24 مه 2012. صص 649-652.
نولاس، ا. اسکلاتو، اس. لاتیا، ن. Mascolo، C. یک پیاده روی تصادفی در اطراف شهر: توصیه مکان جدید در شبکه های اجتماعی مبتنی بر مکان. در مجموعه مقالات کنفرانس بین‌المللی حریم خصوصی، امنیت، ریسک و اعتماد (PASSAT) و کنفرانس بین‌المللی محاسبات اجتماعی (SocialCom) در سال 2012، آمستردام، هلند، 3 تا 5 سپتامبر 2012. صص 144-153.
چنگ، سی. یانگ، اچ. کینگ، آی. لیو، MR فاکتورسازی ماتریس ذوب شده با نفوذ جغرافیایی و اجتماعی در شبکه های اجتماعی مبتنی بر مکان. در مجموعه مقالات بیست و ششمین کنفرانس AAAI در مورد هوش مصنوعی (AAAI’12)، تورنتو، ON، کانادا، 22 تا 26 ژوئیه 2012; جلد 12، ص 17-23.
لیان، دی. ژائو، سی. Xie، X. سان، جی. چن، ای. Rui، Y. GeoMF: مدل‌سازی جغرافیایی مشترک و فاکتورسازی ماتریسی برای توصیه نقطه‌نظر. در مجموعه مقالات بیستمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، نیویورک، نیویورک، ایالات متحده آمریکا، 24 تا 27 اوت 2014. صص 831-840.
ژانگ، J.-D. چاو، سی.-ای. مدل‌سازی تأثیر متوالی مکانی-زمانی برای توصیه‌های مکان: یک رویکرد مبتنی بر گرانش ACM Trans. هوشمند سیستم تکنولوژی (TIST) 2015 ، 7 ، 11. [ Google Scholar ] [ CrossRef ]
لئونگ، KW-T. لی، دی ال. لی، دبلیو.-سی. CLR: یک چارچوب توصیه مکان مشارکتی مبتنی بر هم‌خوشه‌بندی. در مجموعه مقالات سی و چهارمین کنفرانس بین المللی ACM SIGIR در مورد تحقیق و توسعه در بازیابی اطلاعات، پکن، چین، 24 تا 28 ژوئیه 2011.
تاکوچی، ی. Sugimoto، M. CityVoyager: یک سیستم توصیه در فضای باز بر اساس تاریخچه مکان کاربر. در هوش همه جا حاضر و محاسبات SE-64 ; Ma, J., Jin, H., Yang, L., Tsai, JJ-P., Eds.; Springer: برلین/هایدلبرگ، آلمان، 2006; صص 625-636. [ Google Scholar ]
ژنگ، ی. ژانگ، ال. Xie، X. ما، W.-Y. استخراج مکان های جالب و توالی سفر از مسیرهای GPS. در مجموعه مقالات هجدهمین کنفرانس بین المللی وب جهانی، مادرید، اسپانیا، 20-24 آوریل 2009; صص 791-800.
ژنگ، ی. ژانگ، ال. Xie، X. ما، W.-Y. ارتباط معدنی بین مکان‌ها با استفاده از تاریخچه موقعیت مکانی انسانی. در مجموعه مقالات هفدهمین کنفرانس بین المللی ACM SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، سیاتل، WA، ایالات متحده آمریکا، 4-6 نوامبر 2009. ACM: نیویورک، نیویورک، ایالات متحده آمریکا؛ صص 472-475.
لیان، دی. Xie, X. یادگیری نام‌گذاری مکان از تاریخچه ورود کاربر. در مجموعه مقالات نوزدهمین کنفرانس بین‌المللی ACM SIGSPATIAL در مورد پیشرفت‌ها در سیستم‌های اطلاعات جغرافیایی، شیکاگو، IL، ایالات متحده آمریکا، 1-4 نوامبر 2011.
ژنگ، ی. Xie, X. یادگیری توصیه‌های سفر از طریق ردیابی GPS تولید شده توسط کاربر. ACM Trans. هوشمند سیستم تکنولوژی 2011 ، 2 ، 1-29. [ Google Scholar ] [ CrossRef ]
ژنگ، فولکس واگن؛ ژنگ، ی. Xie، X. Yang, Q. توصیه‌های مکان و فعالیت مشترک با داده‌های سابقه GPS. در مجموعه مقالات نوزدهمین کنفرانس بین المللی وب جهانی، رالی، NC، ایالات متحده، 26-30 آوریل 2010; صص 1029–1038.
یوان، Q. کنگ، جی. Sun، A. توصیه نقطه مورد علاقه مبتنی بر نمودار با تأثیرات جغرافیایی و زمانی. در مجموعه مقالات بیست و سومین کنفرانس بین المللی ACM در کنفرانس مدیریت اطلاعات و دانش، شانگهای، چین، 3 تا 7 نوامبر 2014. صص 659-668.
ژانگ، J.-D. Chow, C.-Y.; Zheng, Y. ORec: یک چارچوب توصیه مبتنی بر نقطه نظر. در مجموعه مقالات بیست و چهارمین کنفرانس بین المللی ACM در مورد مدیریت اطلاعات و دانش، ملبورن، استرالیا، 19 تا 23 اکتبر 2015. صفحات 1641-1650.
لیان، دی. Ge، Y. ژانگ، اف. یوان، نیوجرسی؛ Xie، X. ژو، تی. Rui، A. فیلتر مشارکتی آگاه از محتوا برای توصیه مکان براساس داده‌های تحرک انسان. در مجموعه مقالات کنفرانس بین المللی IEEE در سال 2015 در مورد داده کاوی (ICDM)، آتلانتیک سیتی، نیوجرسی، ایالات متحده آمریکا، 14 تا 17 نوامبر 2015. ص 261-270.
وانگ، دبلیو. یین، اچ. چن، ال. سان، ی. صادق، س. Zhou، X. Geo-SAGE: یک مدل مولد افزودنی پراکنده جغرافیایی برای توصیه اقلام فضایی. در مجموعه مقالات بیست و یکمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، سیدنی، استرالیا، 10 تا 13 اوت 2015. ص 1255-1264.
مجید، ع. چن، ال. چن، جی. میرزا، ح.ت. حسین، من. Woodward, J. یک سیستم توصیه مسافرتی شخصی‌شده آگاه از زمینه مبتنی بر داده‌کاوی رسانه‌های اجتماعی دارای برچسب جغرافیایی. بین المللی جی. جئوگر. آگاه کردن. علمی 2013 ، 27 ، 662-684. [ Google Scholar ] [ CrossRef ]
ممون، آی. چن، ال. مجید، ع. Lv، M. حسین، من. چن، جی. توصیه سفر با استفاده از عکس‌های دارای برچسب جغرافیایی در رسانه‌های اجتماعی برای گردشگران. سیم. پارس اشتراک. 2015 ، 80 ، 1347–1362. [ Google Scholar ] [ CrossRef ]
لیو، بی. فو، ی. یائو، ز. Xiong, H. یادگیری ترجیحات جغرافیایی برای توصیه نقطه مورد علاقه. در مجموعه مقالات نوزدهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، شیکاگو، IL، ایالات متحده، 11-14 اوت 2013. صص 1043-1051.
گائو، اچ. تانگ، جی. هو، ایکس. لیو، اچ. توصیه‌های مورد علاقه آگاه از محتوا در شبکه‌های اجتماعی مبتنی بر مکان. در مجموعه مقالات بیست و نهمین کنفرانس AAAI در مورد هوش مصنوعی (AAAI’15)، آستین، TX، ایالات متحده آمریکا، 25 تا 30 ژانویه 2015. صفحات 1721-1727.
سان، ی. فن، اچ. باکی‌الله، م. Zipf، A. توصیه سفر مبتنی بر جاده با استفاده از تصاویر دارای برچسب جغرافیایی. محاسبه کنید. محیط زیست سیستم شهری 2015 ، 53 ، 110-122. [ Google Scholar ] [ CrossRef ]
کوراشیما، تی. ایواتا، تی. آیری، جی. فوجیمورا، ک. توصیه مسیر سفر با استفاده از عکس‌های دارای برچسب جغرافیایی. دانستن آگاه کردن. سیستم 2013 ، 37 ، 37-60. [ Google Scholar ] [ CrossRef ]
حسینمردی، ح. لی، اس. یانگ، ز. Lv، Q. رفیق، ری. هان، آر. Mishra, S. مقایسه کاربران رایج در سراسر اینستاگرام و پرسش. fm برای درک بهتر آزار و اذیت سایبری. در مجموعه مقالات چهارمین کنفرانس بین المللی IEEE در سال 2014 درباره داده های بزرگ و محاسبات ابری (BdCloud)، سیدنی، استرالیا، 3 تا 5 دسامبر 2014؛ صص 355-362.
یانگ، دی. ژانگ، دی. Q، B. نقشه برداری فرهنگی مشارکتی بر اساس داده های رفتار جمعی در شبکه های اجتماعی مبتنی بر مکان. ACM Trans. هوشمند سیستم تکنولوژی 2015 ، 7 ، 30. [ Google Scholar ] [ CrossRef ]
یانگ، دی. ژانگ، دی. چن، ال. Qu, B. Nationtelescope: نظارت و تجسم رفتار جمعی در مقیاس بزرگ در lbsns. J. Netw. محاسبه کنید. Appl. 2015 ، 55 ، 170-180. [ Google Scholar ] [ CrossRef ]

شکل 1. ساختار شبکه اجتماعی (SN) و SN مبتنی بر مکان (LBSN).

شکل 2. نرخ رشد اینستاگرام در مقابل چهار ضلعی.

شکل 3. معماری سیستم سیستم پیشنهاد دهنده مبتنی بر مکان مبتنی بر علاقه (IALBR).

شکل 4. نمونه ای از رسانه های دارای برچسب جغرافیایی اینستاگرام در یک مکان.

شکل 5. مدل استنتاج مبتنی بر جستجوی موضوع بر اساس فرامتن (HITS).

شکل 6. برنامه موبایل IALBR. ( الف ) صفحه اصلی؛ ( ب ) نتایج پرس و جو کاربر.

شکل 7. میانگین دقت، فراخوان و اندازه گیری F.

جدول 1. مقایسه بین نتایج IALBR و Foursquare.

جدول 2. دقت، فراخوان و اندازه گیری F در هر N.

جدول 3. میانگین خطای مطلق IALBR (MAE).

جدول 4. سود تجمعی تنزیل شده IALBR (DCG).

جدول 5. سود تجمعی تنزیل شده نرمال شده (NDCG) IALBR. IDG، سود تجمعی با تخفیف ایده آل.

جدول 6. سناریوهای مختلف توصیه.

© 2016 توسط نویسندگان؛ دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC-BY) (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب