(b) By understanding the profile of

(b) By understanding the profile of a geospatial region so that a content-based method is integrated into the location recommender to reduce the cold start problem. Refer to Section 4.3. (c) We building a prototype of this recommender system and showcasing its user interfaces in Section 2.1. (d) We evaluate this recommender system (not the similarity measurement) based on the GPS data collected by 75 subjects over a period of 1 year in the real world. A study investigating users’ feedback on the recommended locations is reported in Section 5.3.2. (2) We improve our similarity meas as follows. (a) We propose a new sequence matching strategy. By splitting the long sequence into several short sequences,we enhanced the efficiency of the matching process while keeping its effectiveness. Refer to Section 3.2.2 for details. (b) We take into account the popularity of a location, which improves the performance of the measurement. Analog to IDF, we consider the visited popularity of a geographical region when measuring the similarity between users. Refer to Section 3.3. (3) More evaluation and discussion. (a) In this article, we evaluated the performance of the improved measurement using a real-world GPS dataset. Also, we studied the effectiveness of an IDF feature when integrating with different similarity measurements, such as the Cosine similarity and Pearson similarity. (a) More experiments and discussion have been conducted in this research. For example, the new user problem and the new location problem of recommender system have been discussed and considered. Meanwhile, based on the newly performed experimental results, we give more justifications in choosing the parameters for the algorithm. Refer to 5.1.4

Kết quả (Việt) 2:

(b) Bằng cách hiểu các pro fi le của một khu vực địa lý không gian để một phương pháp dựa trên nội dung được tích hợp vào các recommender vị trí để làm giảm vấn đề bắt đầu lạnh. Hãy tham khảo mục 4.3. (c) Chúng tôi xây dựng một nguyên mẫu của hệ thống recommender này và giới thiệu giao diện người dùng của nó tại mục 2.1. (d) Chúng tôi đánh giá hệ thống recommender này (không đo tương đồng) dựa trên các dữ liệu GPS thu thập bằng 75 đối tượng trong khoảng thời gian 1 năm trong thế giới thực. Một nghiên cứu điều tra thông tin phản hồi của người dùng về các địa điểm đề nghị được báo cáo trong Mục 5.3.2. (2) Chúng tôi cải thiện đo trọng tương tự của chúng tôi như sau. (a) Chúng tôi đề xuất một chiến lược phù hợp với trình tự mới. Bằng cách chia chuỗi dài thành nhiều đoạn ngắn, chúng tôi tăng cường các fi ciency ef của quá trình kết hợp trong khi vẫn giữ hiệu quả của nó. Hãy tham khảo mục 3.2.2 để biết chi tiết. (b) Chúng tôi đưa vào tài khoản phổ biến của một địa điểm, trong đó cải thiện hiệu suất của các phép đo. Analog để IDF, chúng ta xem xét sự phổ biến đến thăm một khu vực địa lý khi đo sự giống nhau giữa người sử dụng. Hãy tham khảo mục 3.3. (3) Nhiều đánh giá và thảo luận. (a) Trong bài viết này, chúng tôi đánh giá việc thực hiện các phép đo được cải thiện bằng cách sử dụng một thực tế GPS dataset. Ngoài ra, chúng tôi đã nghiên cứu hiệu quả của một tính năng IDF khi tích hợp với các phép đo tương đồng khác nhau, chẳng hạn như sự tương tự Cosine và Pearson tương tự. (a) Nhiều thí nghiệm và thảo luận đã được tiến hành trong nghiên cứu này. Ví dụ, vấn đề sử dụng mới và các vấn đề địa điểm mới của hệ thống recommender đã được thảo luận và xem xét. Trong khi đó, dựa trên kết quả thử nghiệm mới được thực hiện, chúng tôi cung cấp thêm các cation fi justi trong việc lựa chọn các thông số cho các thuật toán. Tham khảo 5.1.4