“restaurant,” “sports,” “entertainm

“restaurant,” “sports,” “entertainments” and “travel.” (Refer to Section 4.2 for details.) Therefore, as illustrated in Figure 2(a), John can select “Travel” in the category combo box when he intends to find some interesting landscapes like the Summer Palace. Or, as demonstrated in Figure 2(b), he can select the category of “restaurant” if he prefers to look for a place for dinner, e.g., Sanlitun. Of course, if John does not specify any categories, for example, using “All,” in Figure 1, locations of various types would be recommended together. All these results mentioned above are ranked based on their ratings estimated by our algorithm.
ACM Transactions on the Web, Vol. 5, No. 1, Article
As depicted in Figure 3, John can take a closer look at a recommended location by clicking the icon of this location in the results list. In a pop-up information box, John can obtain summarized information of this region and browse a set of photos taken by other users visiting the region. Meanwhile, he can view the POIs and businesses located in the region on the map (if switching the map to a road view). Thus, he is able to make a decision whether this place deserve, his arrival before really accessing it. If John is attracted by the location shown in Figure 3, he can invite a group of people from the community to visit there together. As demonstrated in Figure 4, by clicking the “contact them” button, John will be provided with an interface where he can send his proposal with a suggested destination to the potential friends in this community. AfterreceivingtheinvitationmessagefromJohn,thesepotentialfriendscanviewwhat the proposed region looks like by browsing the Web map and photos taken within this region. Later, they are able to make their own decision on whether to join this activity.
2.2. Difference between This Article and Our Previous Publication In the previous publication of GIS 2008, we proposed only a preliminary measurement that estimates the similarity between users in terms of their location histories. In this paper, we first improve the similarity measurement and then conduct a friend and location recommendation system, employing the improved similarity measurement. More specifically, the differences lie in the following three aspects. (1) Conduct a personalized friend and location recommendation system. In this article we integrate the user similarity into a collaborative filtering (CF) model to conduct a personalized friend and location recommendation system. This is a totally new research we performed after the GIS publication. This work includes the following. (a) Using a collaborative filtering (CF) based method, our system involves the locationhistoriesofauser’spotentialfriendstoestimatetheuser’sinterestson a set of unvisited georegions. Refer to Section 4.
(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 intoseveralshortsequences,weenhancedtheefficiencyofthematchingprocess 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
(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 intoseveralshortsequences,weenhancedtheefficiencyofthematchingprocess 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) 1:

"nhà hàng", "thể thao," "giải trí" và "du lịch". (Hãy tham khảo phần 4.2 để biết chi tiết.) Do đó, như minh họa trong hình 2(a), John có thể chọn "Du lịch" trong mục combo hộp khi ông muốn nhiều một số cảnh quan thú vị như cung điện mùa hè. Hoặc, như thể hiện trong hình 2(b), ông có thể chọn thể loại "nhà hàng" nếu ông thích để tìm một nơi cho bữa ăn tối, ví dụ như, Sanlitun. Tất nhiên, nếu John không xác định bất kỳ loại, ví dụ, bằng cách sử dụng "Tất cả," trong hình 1, địa điểm của nhiều loại sẽ được khuyến khích với nhau. Tất cả các kết quả đã nói ở trên được xếp hạng dựa trên xếp hạng của họ ước tính của thuật toán của chúng tôi.ACM giao dịch trên Web, quyển 5, số 1, bài viếtNhư mô tả trong hình 3, John có thể mất một cái nhìn sâu hơn về vị trí được đề nghị bằng cách nhấp vào biểu tượng của vị trí này trong danh sách kết quả. Trong một hộp thông tin cửa sổ bật lên, John có thể có được các thông tin tóm tắt của khu vực này và trình duyệt một tập hợp các bức ảnh chụp bởi người dùng khác truy cập vào khu vực. Trong khi đó, ông có thể xem các địa điểm ưa thích và các doanh nghiệp nằm ở vùng trên bản đồ (nếu chuyển đổi bản đồ để xem road). Vì vậy, ông có thể đưa ra quyết định cho dù nơi này xứng đáng, ông đến trước khi thực sự truy cập vào nó. Nếu John là thu hút bởi vị trí Hiển thị trong hình 3, ông có thể mời một nhóm người từ cộng đồng để truy cập vào có với nhau. Như thể hiện trong hình 4, bằng cách nhấp vào nút "liên hệ với họ", John sẽ được cung cấp với một giao diện nơi ông có thể gửi đề xuất của mình với một đích đề nghị cho những người bạn tiềm năng trong cộng đồng này. AfterreceivingtheinvitationmessagefromJohn, thesepotentialfriendscanviewwhat vùng đề xuất trông giống như bằng cách duyệt Web bản đồ và bức ảnh chụp trong khu vực này. Sau đó, họ có thể đưa ra quyết định riêng của họ về việc có nên tham gia hoạt động này.2.2. sự khác biệt giữa điều này và của chúng tôi trước đây xuất bản trong các ấn phẩm trước đó của GIS 2008, chúng tôi đề nghị chỉ một đo lường sơ bộ ước tính sự giống nhau giữa người sử dụng trong điều khoản của lịch sử vị trí. Trong bài này, chúng tôi chính cải thiện đo lường tương tự và sau đó tiến hành một người bạn và vị trí giới thiệu hệ thống, sử dụng đo lường được cải tiến tương tự. Thêm specifically, sự khác biệt nằm trong ba khía cạnh sau. (1) tiến hành một cá nhân người bạn và vị trí giới thiệu hệ thống. Trong bài viết này chúng tôi tích hợp tương tự người dùng vào một mô hình hợp tác filtering (CF) để tiến hành một cá nhân người bạn và vị trí giới thiệu hệ thống. Đây là một nghiên cứu hoàn toàn mới, chúng tôi thực hiện sau khi công bố GIS. Tác phẩm này bao gồm. (a) bằng cách sử dụng một filtering hợp tác (CF) dựa trên phương pháp, Hệ thống của chúng tôi liên quan đến locationhistoriesofauser'spotentialfriendstoestimatetheuser'sinterestson một tập hợp của unvisited georegions. Tham khảo phần 4.(b) bằng sự hiểu biết profile của một khu vực địa không gian để cho một phương pháp dựa trên nội dung được tích hợp vào các vị trí để giảm lạnh bắt đầu vấn đề. Tham khảo phần 4.3. (c) chúng tôi xây dựng một mẫu thử nghiệm của các hệ thống này và trưng bày các giao diện người dùng trong phần 2.1. (d) chúng tôi đánh giá hệ thống các này (không đo lường tương tự) dựa trên dữ liệu GPS được thu thập bởi 75 đối tượng trong một khoảng thời gian 1 năm trong thế giới thực. Một nghiên cứu điều tra người dùng phản hồi về các địa điểm được đề nghị được báo cáo trong phần 5.3.2. (2) chúng tôi cải thiện chúng tôi meas tương tự như sau. (a) chúng tôi đề xuất một chuỗi mới phù hợp với chiến lược. Thông qua việc tách dài chuỗi intoseveralshortsequences, weenhancedtheefficiencyofthematchingprocess trong khi vẫn giữ hiệu quả của nó. Tham khảo phần 3.2.2 để biết chi tiết. (b) chúng tôi tính đến sự phổ biến của một vị trí, cải thiện hiệu suất của đo lường. Tương tự để IDF, chúng tôi xem xét sự phổ biến viếng thăm của một khu vực địa lý khi đo lường sự giống nhau giữa người sử dụng. Tham khảo phần 3.3. (3) thêm đánh giá và thảo luận. (a) trong bài viết này, chúng tôi đánh giá hiệu suất đo lường được cải thiện bằng cách sử dụng một tập dữ liệu GPS thế giới thực. Ngoài ra, chúng tôi nghiên cứu hiệu quả của một tính năng IDF khi tích hợp với đo khác nhau tương tự, chẳng hạn như cô sin tương tự và Pearson tương tự. (a) thêm các thí nghiệm và các cuộc thảo luận đã được thực hiện trong nghiên cứu này. Ví dụ, vấn đề người dùng mới và vấn đề vị trí mới của các hệ thống đã được thảo luận và xem xét. Trong khi đó, dựa trên kết quả thử nghiệm mới được thực hiện, chúng tôi cung cấp cho thêm justifications trong việc lựa chọn các tham số cho các thuật toán. Tham khảo 5.1.4(b) bằng sự hiểu biết profile của một khu vực địa không gian để cho một phương pháp dựa trên nội dung được tích hợp vào các vị trí để giảm lạnh bắt đầu vấn đề. Tham khảo phần 4.3. (c) chúng tôi xây dựng một mẫu thử nghiệm của các hệ thống này và trưng bày các giao diện người dùng trong phần 2.1. (d) chúng tôi đánh giá hệ thống các này (không đo lường tương tự) dựa trên dữ liệu GPS được thu thập bởi 75 đối tượng trong một khoảng thời gian 1 năm trong thế giới thực. Một nghiên cứu điều tra người dùng phản hồi về các địa điểm được đề nghị được báo cáo trong phần 5.3.2. (2) chúng tôi cải thiện chúng tôi meas tương tự như sau. (a) chúng tôi đề xuất một chuỗi mới phù hợp với chiến lược. Thông qua việc tách dài chuỗi intoseveralshortsequences, weenhancedtheefficiencyofthematchingprocess trong khi vẫn giữ hiệu quả của nó. Tham khảo phần 3.2.2 để biết chi tiết. (b) chúng tôi tính đến sự phổ biến của một vị trí, cải thiện hiệu suất của đo lường. Tương tự để IDF, chúng tôi xem xét sự phổ biến viếng thăm của một khu vực địa lý khi đo lường sự giống nhau giữa người sử dụng. Tham khảo phần 3.3. (3) thêm đánh giá và thảo luận. (a) trong bài viết này, chúng tôi đánh giá hiệu suất đo lường được cải thiện bằng cách sử dụng một tập dữ liệu GPS thế giới thực. Ngoài ra, chúng tôi nghiên cứu hiệu quả của một tính năng IDF khi tích hợp với đo khác nhau tương tự, chẳng hạn như cô sin tương tự và Pearson tương tự. (a) thêm các thí nghiệm và các cuộc thảo luận đã được thực hiện trong nghiên cứu này. Ví dụ, vấn đề người dùng mới và vấn đề vị trí mới của các hệ thống đã được thảo luận và xem xét. Trong khi đó, dựa trên kết quả thử nghiệm mới được thực hiện, chúng tôi cung cấp cho thêm justifications trong việc lựa chọn các tham số cho các thuật toán. Tham khảo 5.1.4

Kết quả (Việt) 2:

"Nhà hàng", "thể thao", "giải trí" và "du lịch". (Xem phần 4.2 để biết thêm chi tiết.) Vì vậy, như minh họa trong hình 2 (a), John có thể chọn "Du lịch" trong hộp loại combo khi ông dự định fi nd một số danh lam thắng cảnh thú vị như Cung điện mùa hè. Hoặc, như thể hiện trong hình 2 (b), ông có thể chọn các loại "hàng" nếu anh thích tìm kiếm một nơi để ăn tối, ví dụ như, Sanlitun. Tất nhiên, nếu John không chỉ định bất kỳ loại, ví dụ, bằng cách sử dụng "tất cả", trong hình 1, vị trí của các loại khác nhau sẽ được khuyến khích với nhau. Tất cả những kết quả nêu trên được xếp hạng dựa trên xếp hạng của họ ước tính bằng thuật toán của chúng tôi.
Các giao dịch ACM trên Web, Vol. 5, Quốc lộ 1, Điều
Như mô tả trong hình 3, John có thể có một cái nhìn gần hơn vào một vị trí được đề nghị bằng cách nhấn vào biểu tượng của vị trí này trong danh sách kết quả. Trong hộp thông tin pop-up, John có thể có được thông tin tóm tắt về các khu vực này và duyệt qua một tập hợp các bức ảnh được chụp bởi người dùng khác đến thăm khu vực. Trong khi đó, ông có thể xem các POI và các doanh nghiệp nằm trong các khu vực trên bản đồ (nếu chuyển đổi bản đồ để xem một con đường). Như vậy, ông có thể đưa ra quyết định cho dù nơi này xứng đáng, khi ông đến trước khi thực sự truy cập vào nó. Nếu John được thu hút bởi vị trí thể hiện trong hình 3, ông có thể mời một nhóm người từ cộng đồng đến tham quan có với nhau. Như thể hiện trong hình 4, bằng cách nhấn vào "liên hệ với họ" nút, John sẽ được cung cấp một giao diện nơi anh có thể gửi đề xuất của ông với một điểm đến đề nghị với bạn bè tiềm năng trong cộng đồng này. AfterreceivingtheinvitationmessagefromJohn, thesepotentialfriendscanviewwhat khu vực đề xuất có vẻ như bằng cách duyệt các đồ Web và ảnh chụp trong vòng khu vực này. Sau đó, họ có thể tự quyết định về việc có tham gia hoạt động này.
2.2. Sự khác biệt giữa Điều này và chúng tôi xuất bản trước Trong ấn phẩm trước đây của GIS năm 2008, chúng tôi chỉ đề xuất một phép đo sơ bộ ước tính rằng sự giống nhau giữa người sử dụng về mặt lịch sử vị trí của họ. Trong bài báo này, chúng tôi fi đầu tiên cải thiện việc đo lường sự giống nhau và sau đó tiến hành một hệ thống người bạn và vị trí đề xuất, sử dụng các phép đo tương tự cải thiện. Hơn Speci fi biệt, sự khác biệt nằm ở ba khía cạnh sau đây. (1) Thực hiện một người bạn và vị trí hệ thống khuyến nghị cá nhân. Trong bài viết này chúng tôi tích hợp sự giống nhau sử dụng vào một mô hình hợp tác fi ltering (CF) để tiến hành một người bạn và vị trí hệ thống khuyến nghị cá nhân. Đây là một nghiên cứu hoàn toàn mới, chúng tôi thực hiện sau khi công bố GIS. Công việc này bao gồm những điều sau đây. (a) Sử dụng một hợp tác fi ltering (CF) dựa trên phương pháp, hệ thống của chúng tôi liên quan đến việc locationhistoriesofauser'spotentialfriendstoestimatetheuser'sinterestson một bộ georegions unvisited. Tham khảo Mục 4
(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 intoseveralshortsequences chuỗi dài, weenhancedtheef fi ciencyofthematchingprocess 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
(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 intoseveralshortsequences chuỗi dài, weenhancedtheef fi ciencyofthematchingprocess 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