In this article, we report on a per

In this article, we report on a personalized friend and location recommender system. This system 1) uses a particular individual’s visits on a geospatial location in the real world as his/her implicit ratings on the location, 2) estimates the similarity between users in terms of their location histories, and 3) infers an individual’s interests in an unvisited place by involving his/her location history and those of other users. In this system, each user will be recommended two categories of objects, similar users (potential friends) who might share similar places preferences and geospatial regions that couldmatchauser’stastesalthoughhavenothavingbeenfoundbythemselves.Therefore, an individual is first able to organize with minimal effort some social activities, such as hiking and cycling. In short, with such a friend list in the community, a user is more capable of delivering invitations to the right candidates who might also have a passion related to that invitation. Second, given the recommended places from such potentialfriends’locationhistories,userscaneasilyexpandtheirtravelknowledgeand discover the locations that interest them. The work reported in this article is a location-history-based recommender system, whichestimatesthesimilaritybetweenusersintermsoftheirmovementsingeographical spaces. This is a step toward estimating a user’s tastes on items (locations) they have not considered (visited) using the user’s implicit ratings and social environment. Fromthealgorithm’sperspective,thissystemmovestowardincorporatingthecontentbased method into a user-based collaborative filtering algorithm. This is also a step toward associating recommender systems with geographical information systems on the Web. The main contributions of this work lie in the following three aspects.
(1) We propose a framework, referred to as hierarchical-graph-based similarity measurement (HGSM), which uniformly models people’s location histories and effectively estimates the similarity between users. In this framework, we consider the following three factors. —Sequence property of users’ movements. We take into account not only the geographic regions they accessed, but also the sequence of these regions being visited. The longer similar sequences matched between two users’ location histories, the more related these two users might be. —Hierarchy property of geographic spaces. We mine user similarity by exploring people’s movements on different scales of geographic spaces. Users who share similar location histories on geographical spaces of finer granularities might be more correlated. —Popularityofdifferentlocations.Analogoustoinversedocumentfrequency(IDF), we consider the visited popularity of a geographical region when measuring the similarity between users. Two users who accessed a location visited by a few people might be more correlated than others who share a location history accessedbymanypeople.Forinstance,lotsofpeoplehavevisitedtheGreatWall, a well-known landmark in Beijing. However, it might not mean all these people are similar to one another. However, if two users visited a restaurant which is not that famous, they might indeed share some similar preferences. (2) Using HGSM to estimate the similarity between users, a collaborative filteringbased method is employed in our recommender system to infer an individual’s interests in unvisited geospatial regions. Meanwhile, we understand the profile of a geospatial region by exploring the categories of points of interest (POIs) within the region. Therefore, we are able to find geospatial regions with similar profiles which enable us to integrate the content-based method into collaborative filtering. This approach can reduce to some extent the cold start problem of our systems. Also, such profiles endow us with the ability to filter some boring locations, such as people’s abodes. Moreover, the approach allows us to recommend various types
ACM Transactions on the Web, Vol. 5, No. 1, Article 5, Publication date: February 2011.
5:4 Y. Zheng et al.
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,
ACM Transactions on the Web, Vol. 5, No. 1, Article 5, Publication date: February 2011.
Recommending Friends and Locations Based on Individual Location History 5:5
Fig. 1. User interface of the recommender system.
Fig. 2. Render recommendation results according to a user’s preferences on different categories.
“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 5, Publication date: February 2011.
5:6 Y. Zheng et al.
Fig. 3. View a geospatial region in our recommender system.
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 jo

Kết quả (Việt) 1:

Trong bài này, chúng tôi báo cáo về một cá nhân người bạn và vị trí các hệ thống. Hệ thống này 1) sử dụng một cá nhân cụ thể truy cập vào một vị trí không gian địa lý trong thế giới thực như anh/cô ấy đánh giá tiềm ẩn trên vị trí, 2) ước tính sự giống nhau giữa người sử dụng trong điều khoản của lịch sử vị trí, và 3) infers lợi ích của một cá nhân trong một nơi unvisited bởi liên quan đến lịch sử vị trí của mình và những người dùng khác. Trong hệ thống này, mỗi người dùng sẽ được đề nghị hai thể loại của các đối tượng, tương tự như người dùng (tiềm năng bè) những người có thể chia sẻ tương tự như nơi sở thích và không gian địa lý vùng đó couldmatchauser'stastesalthoughhavenothavingbeenfoundbythemselves. Do đó, một cá nhân là chính thể tổ chức với nỗ lực tối thiểu một số hoạt động xã hội, chẳng hạn như đi bộ đường dài và chạy xe đạp. Trong ngắn hạn, với một người bạn danh sách như vậy trong cộng đồng, một người sử dụng là có khả năng cung cấp các lời mời cho các ứng viên phải ai cũng có thể có một niềm đam mê về lời mời đó. Thứ hai, đưa ra những nơi được đề nghị từ potentialfriends'locationhistories, userscaneasilyexpandtheirtravelknowledgeand khám phá các địa điểm mà họ quan tâm. Việc báo cáo trong bài viết này là một vị trí-lịch sử dựa trên các hệ thống, whichestimatesthesimilaritybetweenusersintermsoftheirmovementsingeographical tại. Đây là một bước hướng tới ước tính sở thích của người dùng vào các mặt hàng (địa điểm) họ đã không xem xét (truy cập) bằng cách sử dụng xếp hạng tiềm ẩn và môi trường xã hội của người dùng. Fromthealgorithm'sperspective, thissystemmovestowardincorporatingthecontentbased phương pháp vào một thuật toán dựa trên người sử dụng hợp tác filtering. Đây cũng là một bước về hướng kết hợp các hệ thống với hệ thống thông tin địa lý trên Web. Những đóng góp chính của tác phẩm này nằm trong ba khía cạnh sau.(1) We propose a framework, referred to as hierarchical-graph-based similarity measurement (HGSM), which uniformly models people’s location histories and effectively estimates the similarity between users. In this framework, we consider the following three factors. —Sequence property of users’ movements. We take into account not only the geographic regions they accessed, but also the sequence of these regions being visited. The longer similar sequences matched between two users’ location histories, the more related these two users might be. —Hierarchy property of geographic spaces. We mine user similarity by exploring people’s movements on different scales of geographic spaces. Users who share similar location histories on geographical spaces of finer granularities might be more correlated. —Popularityofdifferentlocations.Analogoustoinversedocumentfrequency(IDF), we consider the visited popularity of a geographical region when measuring the similarity between users. Two users who accessed a location visited by a few people might be more correlated than others who share a location history accessedbymanypeople.Forinstance,lotsofpeoplehavevisitedtheGreatWall, a well-known landmark in Beijing. However, it might not mean all these people are similar to one another. However, if two users visited a restaurant which is not that famous, they might indeed share some similar preferences. (2) Using HGSM to estimate the similarity between users, a collaborative filteringbased method is employed in our recommender system to infer an individual’s interests in unvisited geospatial regions. Meanwhile, we understand the profile of a geospatial region by exploring the categories of points of interest (POIs) within the region. Therefore, we are able to find geospatial regions with similar profiles which enable us to integrate the content-based method into collaborative filtering. This approach can reduce to some extent the cold start problem of our systems. Also, such profiles endow us with the ability to filter some boring locations, such as people’s abodes. Moreover, the approach allows us to recommend various typesACM Transactions on the Web, Vol. 5, No. 1, Article 5, Publication date: February 2011.5:4 Y. Zheng et al.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,
ACM Transactions on the Web, Vol. 5, No. 1, Article 5, Publication date: February 2011.
Recommending Friends and Locations Based on Individual Location History 5:5
Fig. 1. User interface of the recommender system.
Fig. 2. Render recommendation results according to a user’s preferences on different categories.
“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 5, Publication date: February 2011.
5:6 Y. Zheng et al.
Fig. 3. View a geospatial region in our recommender system.
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 jo

Kết quả (Việt) 2:

Trong bài viết này, chúng tôi báo cáo về một người bạn và vị trí hệ thống recommender cá nhân. Hệ thống này 1) sử dụng lần một cá nhân cụ thể trên một vị trí địa lý không gian trong thế giới thực như / mình xếp hạng tiềm ẩn về vị trí, 2) ước tính tương đồng giữa người sử dụng về mặt lịch sử vị trí của họ, và 3) suy ra lợi ích của một cá nhân trong một nơi unvisited do liên quan / lịch sử vị trí của mình và của những người khác. Trong hệ thống này, mỗi người sử dụng sẽ được đề nghị hai loại của các đối tượng, người dùng tương tự (bạn bè tiềm năng), những người có thể chia sẻ địa điểm tương tự như sở thích và các vùng không gian địa lý couldmatchauser'stastesalthoughhavenothavingbeenfoundbythemselves.Therefore, một cá nhân là fi đầu tiên có thể tổ chức với nỗ lực tối thiểu một số hoạt động xã hội, chẳng hạn như đi bộ đường dài và đi xe đạp. Trong ngắn hạn, như vậy với một danh sách bạn bè trong cộng đồng, người dùng có khả năng cung cấp nhiều lời mời đến các ứng cử viên phải ai cũng có thể có một niềm đam mê liên quan đến lời mời đó. Thứ hai, đưa những nơi được đề nghị từ potentialfriends'locationhistories như vậy, userscaneasilyexpandtheirtravelknowledgeand khám phá các địa điểm mà họ quan tâm. Các công trình nghiên cứu trong bài viết này là một hệ thống recommender địa điểm lịch sử dựa trên, không gian whichestimatesthesimilaritybetweenusersintermsoftheirmovementsingeographical. Đây là một bước tiến tới ước tính thị hiếu của người dùng vào các mặt hàng (địa điểm) họ đã không được xem xét (truy cập) sử dụng xếp hạng tiềm ẩn của người sử dụng và môi trường xã hội. Fromthealgorithm'sperspective, phương pháp thissystemmovestowardincorporatingthecontentbased thành một cộng tác fi thuật toán ltering dựa trên người dùng. Đây cũng là một bước tiến tới liên kết các hệ thống tư với các hệ thống thông tin địa lý trên Web. Những đóng góp chính của lời nói dối công việc này trong ba khía cạnh sau đây.
(1) Chúng tôi đề xuất một khuôn khổ, gọi là phép đo tương tự thứ bậc, dựa trên đồ thị (HGSM), trong đó thống nhất lịch sử vị trí mô hình nhân dân và hiệu quả ước tính tương tự giữa người sử dụng. Trong khuôn khổ này, chúng ta hãy xem xét ba yếu tố sau đây. Tài sản -Sequence của các phong trào của người sử dụng. Chúng tôi đưa vào tài khoản không chỉ các khu vực địa lý mà họ truy cập, mà còn là trình tự của các vùng này được viếng thăm. Các đoạn còn tương tự phù hợp giữa lịch sử vị trí hai người sử dụng, các chi tiết liên quan đến hai người này có thể là. Tài sản -Hierarchy của không gian địa lý. Chúng tôi mỏ người dùng tương tự bằng cách khám phá các phong trào của người dân về quy mô khác nhau của không gian địa lý. Những người sử dụng chia sẻ lịch sử vị trí tương tự như trên không gian địa lý của fi granularities ner có thể là tương quan hơn. -Popularityofdifferentlocations.Analogoustoinversedocumentfrequency (IDF), chúng ta xem xét sự phổ biến đến thăm một khu vực địa lý khi đo sự giống nhau giữa người sử dụng. Hai người dùng truy cập một địa điểm viếng thăm bởi một vài người có thể có nhiều tương quan so với những người khác chia sẻ một accessedbymanypeople.Forinstance lịch sử vị trí, lotsofpeoplehavevisitedtheGreatWall, một mốc nổi tiếng ở Bắc Kinh. Tuy nhiên, nó có thể không có nghĩa là tất cả những người này là tương tự như nhau. Tuy nhiên, nếu hai người dùng ghé thăm một nhà hàng mà không phải là nổi tiếng, họ có thể thực sự chia sẻ một số sở thích tương tự. (2) Sử dụng HGSM để ước tính sự giống nhau giữa người sử dụng, một phương pháp hợp tác fi lteringbased được sử dụng trong hệ thống của chúng tôi recommender để suy ra lợi ích của một cá nhân trong các khu vực địa lý không gian unvisited. Trong khi đó, chúng ta hiểu được pro fi le của một khu vực địa lý không gian bằng cách khám phá các loại điểm quan tâm (POI) trong khu vực. Do đó, chúng tôi có thể fi vùng nd không gian địa lý tương tự với pro fi les mà cho phép chúng tôi để tích hợp các phương pháp dựa trên nội dung vào hợp tác fi ltering. Cách tiếp cận này có thể làm giảm đến mức độ nào khi bắt đầu vấn đề lạnh của hệ thống của chúng tôi. Ngoài ra, như vậy pro fi les phú cho chúng ta có khả năng fi lter một số địa điểm nhàm chán, chẳng hạn như abodes của người dân. Hơn nữa, phương pháp này cho phép chúng tôi khuyên bạn nên loại
ACM giao dịch trên Web, Vol. 5, Quốc lộ 1, Điều 5, Ngày xuất bản: Tháng Hai năm 2011.
5:. 4 Y. Zheng et al
địa điểm dựa trên các yêu cầu của người sử dụng vào những dịp khác nhau. Ví dụ, chúng ta có thể đề nghị một khu vực bao gồm một số nhà hàng để tìm kiếm một cá nhân đối với một nơi dành cho bữa tối. Tương tự như vậy, chúng tôi có thể đề nghị một khu vực địa lý không gian chứa một số trung tâm mua cho một người khi anh ta / cô thích đi mua sắm. (3) Chúng tôi đánh giá cách tiếp cận của chúng tôi sử dụng một GPS quy mô lớn dữ liệu được thu thập bởi 75 người trong một khoảng thời gian một năm trong thế giới thực. Tổng số điểm được GPS gần như đạt đến 7 triệu (6.963.824), và tổng khoảng cách của nó vượt quá 135 nghìn (135.940) km. Kết quả là, chúng tôi sẽ vượt qua HGSM phương pháp cơ bản, chẳng hạn như sự tương tự Cosine và Pearson tương tự, trong đo sự giống nhau giữa người sử dụng dựa trên lịch sử vị trí. Hơn nữa, ngoài các hợp tác fi ltering dựa trên item, cách tiếp cận của chúng tôi cung cấp cho người sử dụng với những nơi hấp dẫn hơn và trải nghiệm người dùng cá nhân hóa hơn. Phần còn lại của bài viết này được tổ chức như sau. Trong phần 2, chúng tôi fi đầu tiên trình bày các userinterfaceofthesystem.Later, thearchitectureofourrecommendersystem, trong đó bao gồm ba phần, lịch sử đại diện vị trí, người sử dụng khai thác sự tương đồng, và CF-basedlocationrecommendation, isintroduced.InSection3, wedetailtheprocesses của khai thác sự tương đồng giữa người sử dụng dựa trên lịch sử vị trí của họ. Phần 4 mô tả vị trí recommender CF-dựa, và phần results.AftergivingasurveyontherelatedworksinSection6 nghiệm 5 báo cáo chính, wedrawourconclusions tại Mục 7, và đề xuất các công việc trong tương lai, chúng tôi cố gắng thực hiện trong phần 8.
2. TỔNG QUAN HỆ THỐNG Recommender CHÚNG TÔI Trong phần này, chúng tôi Fi đầu tiên chứng minh các giao diện người dùng của hệ thống này recommender usingafewcases.Then, wede fi nesometermsusedinthisarticleandbrie fl yintroduce kiến trúc của hệ thống của chúng tôi.
2.1. Giao diện người dùng của hệ thống Hệ thống recommender báo cáo trong bài viết này là một thành phần quan trọng của GeoLife [Zheng et al dự án của chúng tôi. 2009a và 2010d], đó là một ứng dụng GPS-log theo định hướng trên bản đồ Web. GeoLife tập trung vào sinh động trực quan [Zheng et al. 2008c và 2008d], truy nhanh [Wang et al. 2008; Chen et al. 2010] và một sự hiểu biết sâu sắc về tracklogs GPS [Lietal.2008; Zhengetal.2008a, 2008b, 2009b, 2010a, 2010b, 2010c, 2010E, 2010f] cho người dùng cá nhân và công cộng. Hệ thống recommender này đã được triển khai trong các mẫu thử nghiệm của GeoLife như là một phần của kết quả nghiên cứu. Hình 1 trình bày các giao diện người dùng của hệ thống recommender của chúng tôi. Một người sử dụng đặc biệt, John, có thể đăng nhập GeoLife sử dụng Live ID của mình. Trong GeoLife, chúng tôi giúp John duy trì một trang web cá nhân, được gọi là MyGeoLife, nơi mà John có thể tải lên và quản lý dữ liệu quỹ đạo của riêng mình. Theo mặc định, dữ liệu là riêng cho sử dụng cá nhân của John; Tuy nhiên, John có thể chọn ra một số quỹ đạo GPS để chia sẻ với những người khác nếu anh ta muốn. Một khi ông đã làm cho công chúng một số quỹ đạo, chúng tôi có thể cung cấp cho anh ta với một đề nghị vị trí cá nhân. Sau khi đăng nhập vào MyGeoLife, trong hộp bên phải của cửa sổ, John có thể phát hiện ra một nhóm bạn bè tiềm năng và một tập hợp các vị trí địa lý không gian được đề nghị để anh ta. Những người bạn tiềm năng có nhiều khả năng để chia sẻ sở thích tương tự (về lịch sử vị trí) với John so với những người dùng khác trong cộng đồng này. Dưới đây những người bạn đề nghị, thetop fi vegeospatialregionsthatmightmatchJohn'sinterestsarealsolisted với hình thu nhỏ tương ứng. Những vùng này được khai thác từ những kinh nghiệm qua những người bạn tiềm năng '; John đã không tìm thấy chúng bằng chính mình. Với một cơ sở dữ liệu của POI, chúng tôi abletoidentifyapropernameforagivenregionusinganinversegeo-codingtechnology. Hơn nữa, chúng ta có thể hiểu được các tính chất của một georegion dựa trên các chuyên mục của POI nằm trong khu vực này. Ở đây, chúng ta phân biệt bốn loại danh mục,
giao dịch ACM trên Web, Vol. 5, Quốc lộ 1, Điều 5, Ngày xuất bản: Tháng Hai năm 2011.
Đề nghị các bạn bè và địa điểm Dựa vào cá nhân Location History 5: 5
Hình. 1. Người sử dụng giao diện của hệ thống recommender.
Fig. 2. Render kết quả đề nghị theo sở thích của người dùng trên các loại khác nhau.
"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 các loại hộp 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 5, Ngày xuất bản: Tháng Hai năm 2011.
5:. 6 Y. Zheng et al
hình. 3. Xem một vùng không gian địa lý trong hệ thống của chúng tôi recommender.
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 nên jo