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

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) chúng tôi đề xuất một khuôn khổ, được gọi là phân cấp-biểu đồ dựa trên tương tự đo lường (HGSM), mà theo mô hình của người dân địa điểm lịch sử và có hiệu quả ước tính sự giống nhau giữa người sử dụng. Trong khuôn khổ này, chúng tôi xem xét các yếu tố sau ba. -Chuỗi các tài sản của phong trào của người dùng. Chúng tôi đưa vào tài khoản không chỉ là các vùng địa lý họ truy cập, nhưng cũng là trình tự của các khu vực đang được truy cập. Các chuỗi còn tương tự kết hợp giữa người dùng hai địa điểm lịch sử, có liên quan hơn những người sử dụng hai có thể. -Hệ thống phân cấp các thuộc tính không gian địa lý. Chúng ta khai thác người dùng tương tự bằng cách khai thác phong trào nhân dân về các quy mô khác nhau của không gian địa lý. Người sử dụng chia sẻ tương tự như vị trí nói về địa lý gian của finer granularities có thể được tương quan hơn. -Popularityofdifferentlocations.Analogoustoinversedocumentfrequency(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. Hai người sử dụng truy cập một điểm truy cập bởi một vài người có thể được tương quan hơn hơn những người khác những người chia sẻ một địa điểm lịch sử accessedbymanypeople. Forinstance, lotsofpeoplehavevisitedtheGreatWall, một mốc nổi tiếng ở Bắc Kinh. Tuy nhiên, nó không có nghĩa là tất cả những người này là tương tự như nhau. Tuy nhiên, nếu hai người dùng truy cập một nhà hàng mà không phải là rằng 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 filteringbased được sử dụng trong các hệ thống của chúng tôi để suy ra một cá nhân lợi ích trong không gian địa lý unvisited khu vực. Trong khi đó, chúng tôi hiểu profile của một khu vực địa không gian bằng cách khai thác các loại địa điểm ưa thích (POI) trong khu vực. Vì vậy, chúng tôi có thể nhiều không gian địa lý khu vực với profiles tương tự mà cho phép chúng tôi để tích hợp các phương pháp dựa trên nội dung vào hợp tác filtering. Cách tiếp cận này có thể làm giảm đến mức độ một số vấn đề lạnh bắt đầu hệ thống của chúng tôi. Ngoài ra, như vậy profiles phú cho chúng tôi với khả năng để filter một số địa điểm nhàm chán, chẳng hạn như nhân abodes. Hơn nữa, phương pháp tiếp cận cho phép chúng tôi khuyên bạn nên các loại

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