of locations based on users’ reques

of locations based on users’ requests on different occasions. For instance, we can recommend a region covering some restaurants to an individual searching for a place for dinner. Likewise, we are able to suggest a geospatial region containing some malls to a person when he/she prefers to go shopping. (3) We evaluate our approach using a large-scale GPS dataset collected by 75 people over a period of one year in the real world. The total number of GPS points almost reached 7 million (6,963,824), and its total distance exceeded 135 thousand (135,940) kilometers. As a result, our HGSM outperforms the baseline methods, such as the Cosine similarity and Pearson similarity, in measuring the similarity between users based on location history. Moreover, beyond the item-based collaborative filtering, our approach provides users with more attractive places and more personalized user experiences. The rest of this article is organized as follows. In Section 2, we first present the userinterfaceofthesystem.Later,thearchitectureofourrecommendersystem,which consists of three parts, location history representation, user similarity mining, and CF-basedlocationrecommendation,isintroduced.InSection3,wedetailtheprocesses of mining the similarity between users based on their location histories. Section 4 describes the CF-based location recommender, and Section 5 reports major experimental results.AftergivingasurveyontherelatedworksinSection6,wedrawourconclusions in Section 7, and propose the future work we attempt to conduct in Section 8.
2. OVERVIEW OF OUR RECOMMENDER SYSTEM In this section, we first demonstrate the user interface of this recommender system usingafewcases.Then,wedefinesometermsusedinthisarticleandbrieflyintroduce the architecture of our system.
2.1. User Interface of the System The recommender system reported in this article is an important component of our project GeoLife [Zheng et al. 2009a and 2010d], which is a GPS-log-driven application on Web maps. GeoLife focuses on lively visualization [Zheng et al. 2008c and 2008d], fast retrieval [Wang et al. 2008; Chen et al. 2010] and a deep understanding of GPS tracklogs[Lietal.2008;Zhengetal.2008a,2008b,2009b,2010a,2010b,2010c,2010e, 2010f] for both personal and public use. This recommender system has been deployed in the prototype of GeoLife as a part of research result. Figure 1 presents the user interface of our recommender system. A particular user, John, can sign in GeoLife using his Live ID. In GeoLife, we help John maintain a personal Web site, called MyGeoLife, where John can upload and manage his own trajectory data. By default, the data is private for John’s personal use; however, John can pick out some GPS trajectories to share with others if he desires. Once he makes public some trajectories, we are able to provide him with a more personalized location recommendation. After logging onto MyGeoLife, in the right box of the window, John can discover a group of potential friends and a set of geospatial locations recommended to him. These potential friends are more likely to share similar tastes (in terms of location history) with John as compared to other users in this community. Below the recommended friends,thetopfivegeospatialregionsthatmightmatchJohn’sinterestsarealsolisted with corresponding thumbnails. These regions are mined from those potential friends’ past experiences; John has not found them by himself. With a database of POI, we are abletoidentifyapropernameforagivenregionusinganinversegeo-codingtechnology. Further, we can understand the properties of a georegion based on the categories of the POIs located in this region. Here, we differentiate four kinds of categories,

Kết quả (Việt) 1:

địa điểm dựa trên yêu cầu của người dùng trong những dịp khác nhau. Ví dụ, chúng tôi có thể khuyên bạn nên một khu vực bao gồm một số nhà hàng để một cá nhân tìm kiếm một nơi cho bữa ăn tối. Tương tự như vậy, chúng tôi có thể đề nghị một vùng không gian địa lý có chứa một số Trung tâm mua sắm cho một người, khi anh/cô ấy thích đi mua sắm. (3) chúng tôi đánh giá cách tiếp cận của chúng tôi bằng cách sử dụng một bộ dữ liệu GPS quy mô lớn được thu thập bởi 75 người trong một khoảng thời gian của một năm trong thế giới thực. Tổng số GPS điểm gần như đạt đến 7 triệu (6,963,824), và tổng số khoảng cách vượt quá 135 ngàn kilômét (135,940). Kết quả là, chúng tôi HGSM nhanh hơn so với các phương pháp đường cơ sở, chẳng hạn như cô sin tương tự và tương tự Pearson, đo sự giống nhau giữa người sử dụng dựa trên lịch sử vị trí. Hơn nữa, ngoài mục dựa trên hợp tác filtering, cách tiếp cận của chúng tôi cung cấp cho người dùng với các địa điểm hấp dẫn hơn và hơn nữa cá nhân hoá kinh nghiệm người dùng. Phần còn lại của bài viết này được tổ chức như sau. Trong phần 2, chúng tôi chính trình bày userinterfaceofthesystem. Sau đó, thearchitectureofourrecommendersystem, bao gồm ba phần, vị trí lịch sử đại diện, người dùng giống nhau khai thác và CF-basedlocationrecommendation, isintroduced. InSection3, wedetailtheprocesses của khai thác những nét tương đồng giữa người sử dụng dựa trên lịch sử vị trí. Phần 4 mô tả các vị trí dựa trên CF, và mục 5 báo cáo kết quả thử nghiệm lớn. AftergivingasurveyontherelatedworksinSection6, wedrawourconclusions trong phần 7, và đề nghị các công việc trong tương lai chúng tôi cố gắng để tiến hành ở mục 8.2. Tổng quan của chúng tôi các hệ thống trong phần này, chúng tôi chính chứng minh giao diện người dùng này các hệ thống usingafewcases. Sau đó, wedefinesometermsusedinthisarticleandbrieflyintroduce kiến trúc của hệ thống của chúng tôi.2.1. người sử dụng giao diện của hệ thống hệ thống các báo cáo trong bài viết này là một thành phần quan trọng của dự án của chúng tôi GeoLife [Zheng et al. 2009a và 2010d], mà là một ứng dụng GPS-đăng nhập-hướng trên Web bản đồ. GeoLife tập trung vào kiểu trực quan sôi động [Zheng et al. 2008 c và 2008d], nhanh chóng truy [Wang et al. 2008; Chen et al. 2010] và một sự hiểu biết sâu sắc của GPS tracklogs[Lietal.2008; Zhengetal.2008a,2008b,2009b,2010a,2010b,2010c,2010e, 2010f] để sử dụng cá nhân và công cộng. Các hệ thống này đã được triển khai trong mẫu thử nghiệm của GeoLife như là một phần của kết quả nghiên cứu. Hình 1 trình bày giao diện người dùng của các hệ thống của chúng tôi. Một người dùng cụ thể, John, có thể đăng nhập GeoLife bằng cách sử dụng của mình Live ID. Trong GeoLife, chúng tôi giúp duy trì một trang Web cá nhân, được gọi là MyGeoLife, John nơi John có thể tải lên và quản lý dữ liệu quỹ đạo riêng của mình. Theo mặc định, dữ liệu là riêng cho sử dụng cá nhân của John; Tuy nhiên, John có thể chọn ra một số hnăm GPS để chia sẻ với những người khác nếu ông mong muốn. Một khi ông làm cho công chúng một số hnăm, chúng tôi có thể cung cấp cho anh ta với một đề nghị địa điểm cá nhân hơn. Sau khi đăng nhập vào MyGeoLife, trong hộp bên phải của cửa sổ, John có thể khám phá một nhóm bạn tiềm năng và một tập hợp các vị trí không gian địa lý được đề nghị để anh ta. Những người bạn tiềm năng có nhiều khả năng chia sẻ các thị hiếu tương tự (trong điều khoản của lịch sử vị trí) với John so với những người dùng khác trong cộng đồng này. Dưới đây những người bạn được đề nghị, thetopfivegeospatialregionsthatmightmatchJohn'sinterestsarealsolisted với hình thu nhỏ tương ứng. Những vùng được khai thác từ những kinh nghiệm trong quá khứ những người bạn tiềm năng; John đã không tìm thấy họ của mình. Với một cơ sở dữ liệu của POI, chúng tôi là abletoidentifyapropernameforagivenregionusinganinversegeo-codingtechnology. Hơn nữa, chúng tôi có thể hiểu các thuộc tính của một georegion dựa trên các loại địa điểm ưa thích trong khu vực này. Ở đây, chúng tôi phân biệt bốn loại thể loại,