as a stay point. As compared to a r

as a stay point. As compared to a raw GPS point, each stay point carries a particular semantic meaning, such as the shopping mall we accessed and the restaurants we visited. The reasons why we detect stay points using the algorithm shown in Figure 7, rather than directly clustering raw GPS points, lie in two aspects. (1) Most significant places like shopping malls and restaurants cannot be detected if we directly cluster raw GPS points, as GPS devices lose satellite signal indoors (i.e., few GPS points will be generated on such places). (2) Using an interpolation operation, the computation of clustering such a big dataset will be extremely heavy with increasing users. Refer to Section 5.4.1 for details. Definition 3(Location History). Generally, location history is a record of locations that an entity visited in geographical spaces over an interval of time. In this article, an individual’s location history (LocH) is represented as a sequence of stay points (s) he/she visited with corresponding arrival and leaving times. LocH =s1 t1 →s2 t2 →,..., tn−1 → sn, where si ∈ S and t1 =si+1.arvT −si.levT. However, the location histories of various people are inconsistent and incomparable, as the stay points pertaining to different individuals are not identical. Also, it is subjective to directly measure how similar two stay points are based on the geodistance between them. Moreover, user similarity is not a binary value (That is, it is not reasonable to judge whether two users are similar or not). What we aim to do is to identify how relevant two individuals are as compared to others, and then, for each user, rank a group of people according to the similarity between them. To address the preceding issue, we propose a framework, called hierarchical graph (HG), to uniformly model each individual’s location history. As illustrated in Figure 8, to build such a graph for every user, two steps need to be performed.

Kết quả (Việt) 1:

như là một điểm trú. So với một điểm GPS nguyên, mỗi điểm trú mang một ý nghĩa ngữ nghĩa cụ thể, chẳng hạn như Trung tâm mua sắm chúng tôi truy cập và các nhà hàng chúng tôi viếng thăm. Những lý do tại sao chúng tôi phát hiện được điểm bằng cách sử dụng các thuật toán minh hoạ trong hình 7, chứ không phải là trực tiếp cụm nguyên GPS điểm, nằm trong hai khía cạnh. (1) đặt significant nơi như Trung tâm mua sắm và nhà hàng không thể được phát hiện nếu chúng tôi trực tiếp cụm nguyên điểm GPS, như GPS thiết bị mất tín hiệu vệ tinh trong nhà (tức là, số điểm GPS sẽ được tạo ra trên những nơi như vậy). (2) sử dụng một hoạt động nội suy, tính toán clustering một tập dữ liệu lớn sẽ có vô cùng nặng nề với tăng người sử dụng. Tham khảo phần 5.4.1 để biết chi tiết. Definition 3 (lịch sử vị trí). Nói chung, lịch sử vị trí là một kỷ lục của địa điểm mà một thực thể truy cập trong không gian địa lý trong một khoảng thời gian của thời gian. Trong bài này, lịch sử vị trí của một cá nhân (LocH) được thể hiện như một chuỗi các trú điểm (s) anh/cô ấy đã đến thăm với tương ứng đến và để lại lần. LocH = s1 t1 →s2 t2 →,..., tn−1 → sn, nơi si ∈ S và t1 =si+1.arvT −si.levT. Tuy nhiên, lịch sử vị trí của những người khác nhau được không phù hợp và không thể so sánh, là điểm trú liên quan đến cá nhân khác nhau không phải là giống hệt nhau. Ngoài ra, nó là chủ quan để trực tiếp đo cách tương tự như hai trú điểm được dựa trên geodistance giữa chúng. Hơn nữa, người dùng tương tự không phải là một giá trị nhị phân (có nghĩa là, nó không phải là hợp lý để thẩm phán cho dù hai người dùng đang tương tự hay không). Những gì chúng tôi mong muốn làm là để xác định mức độ liên quan hai cá nhân so với những người khác, và sau đó, cho mỗi người dùng, xếp hạng một nhóm người theo những nét tương đồng giữa chúng. Để giải quyết vấn đề trước, chúng tôi đề xuất một khuôn khổ, được gọi là phân cấp đồ thị (HG), để thống nhất mẫu lịch sử vị trí của mỗi cá nhân. Như minh hoạ trong hình 8, để xây dựng một đồ thị cho mỗi người dùng, hai bước cần phải được thực hiện.

Kết quả (Việt) 2:

như là một điểm nghỉ. So với một điểm GPS thô, mỗi điểm nghỉ mang một ý nghĩa ngữ nghĩa đặc biệt, chẳng hạn như các trung tâm mua sắm, chúng tôi truy cập và các nhà hàng chúng tôi đến thăm. Những lý do tại sao chúng tôi phát hiện các điểm nghỉ bằng cách sử dụng thuật toán thể hiện trong hình 7, thay vì trực tiếp phân nhóm điểm GPS thô, nằm ở hai khía cạnh. (1) fi nơi không thể trọng yếu nhất như trung tâm mua sắm và nhà hàng không thể phát hiện nếu chúng ta trực tiếp cụm điểm GPS liệu, như các thiết bị GPS bị mất tín hiệu vệ tinh trong nhà (tức là, vài điểm GPS sẽ được tạo ra trên những nơi như vậy). (2) Sử dụng một hoạt động nội suy, các tính toán của phân nhóm một tập dữ liệu lớn như vậy sẽ vô cùng nặng nề với người sử dụng ngày càng tăng. Hãy tham khảo mục 5.4.1 để biết chi tiết. De fi Định nghĩa 3 (Location History). Nói chung, lịch sử vị trí là một kỷ lục của địa điểm rằng một thực thể truy cập trong không gian địa lý trong một khoảng thời gian. Trong bài viết này, lịch sử vị trí của một cá nhân (Hồ) được biểu diễn như là một chuỗi các điểm nghỉ (s), ông / bà đến thăm với tương ứng đến và rời khỏi lần. Loch =? S1? T1 t2 → s2? →, ...,? Tn-1 → sn ?, nơi si ∈ S và? T1 = si + 1.arvT -si.levT. Tuy nhiên, lịch sử vị trí của những người khác nhau là không phù hợp và không thể so sánh, như các điểm nghỉ liên quan đến các cá nhân khác nhau là không giống nhau. Ngoài ra, nó là chủ quan để trực tiếp đo lường như thế nào tương tự như hai điểm nghỉ được dựa trên geodistance giữa chúng. Hơn nữa, người sử dụng tương tự không phải là một giá trị nhị phân (Nghĩa là, nó không phải là hợp lý để đánh giá liệu hai người dùng tương tự hay không). Những gì chúng tôi nhằm mục đích để làm là để xác định có liên quan của hai nạn nhân như so với những người khác, và sau đó, cho mỗi người dùng, xếp hạng một nhóm người theo sự giống nhau giữa chúng. Để giải quyết vấn đề trên, chúng tôi đề xuất một khuôn khổ, gọi là phân cấp đồ thị (HG), để thống nhất mô hình lịch sử vị trí của mỗi cá nhân. Như được minh họa trong hình 8, để xây dựng như một đồ thị cho mỗi người sử dụng, hai bước cần phải được thực hiện.