5Recommending Friends and Locations Based on Individual Location Histo dịch - 5Recommending Friends and Locations Based on Individual Location Histo Việt làm thế nào để nói

5Recommending Friends and Locations

5
Recommending Friends and Locations Based on Individual Location History
YU ZHENG, Microsoft Research Asia LIZHU ZHANG and ZHENGXIN MA, Tsinghua University XING XIE and WEI-YING MA, Microsoft Research Asia
The increasing availability of location-acquisition technologies (GPS, GSM networks, etc.) enables people to log the location histories with spatio-temporal data. Such real-world location histories imply, to some extent, users’ interests in places, and bring us opportunities to understand the correlation between users andlocations.Inthisarticle,wemovetowardsthisdirectionandreportonapersonalizedfriendandlocation recommenderforthegeographicalinformationsystems(GIS)ontheWeb.First,inthisrecommendersystem, aparticularindividual’svisitstoageospatialregionintherealworldareusedastheirimplicitratingsonthat region. Second, we measure the similarity between users in terms of their location histories and recommend to each user a group of potential friends in a GIS community. Third, we estimate an individual’s interests in a set of unvisited regions by involving his/her location history and those of other users. Some unvisited locations that might match their tastes can be recommended to the individual. A framework, referred to as a hierarchical-graph-based similarity measurement (HGSM), is proposed to uniformly model each individual’s location history, and effectively measure the similarity among users. In this framework, we take into account three factors: 1) the sequence property of people’s outdoor movements, 2) the visited popularity of a geospatial region, and 3) the hierarchical property of geographic spaces. Further, we incorporated a content-based method into a user-based collaborative filtering algorithm, which uses HGSM as the user similarity measure, to estimate the rating of a user on an item. We evaluated this recommender system based on the GPS data collected by 75 subjects over a period of 1 year in the real world. As a result, HGSM outperforms related similarity measures, namely similarity-by-count, cosine similarity, and Pearson similaritymeasures.Moreover,beyondtheitem-basedCFmethodandrandomrecommendations,oursystem provides users with more attractive locations and better user experiences of recommendation. CategoriesandSubjectDescriptors:H.2.8[DatabaseManagement]:DatabaseApplications—Datamining; I.5 [Computing Methodologies]: Pattern Recognition; H.3.3 [Information Storage and Retrieval]: Information Search and Retrieval—Clustering, retrieval model; H.2.8 [Database Applications]: Spatial Databases and GIS General Terms: Algorithms, Measurement, Experimentation Additional Key Words and Phrases: Recommender system, spatio-temporal data mining, user similarity, GPS trajectories, location history, collaborative filtering, GeoLife ACM Reference Format: Zheng, Y., Zhang, L., Ma, Z., Xie, X., and Ma, W.-Y. 2011. Recommending friends and locations based on individual location history. ACM Trans. Web 5, 1, Article 5 (February 2011), 44 pages. DOI=10.1145/1921591.1921596 http://doi.acm.org/10.1145/1921591.1921596
This article is an expanded version of Li et al. [2008], which appeared in Proceedings of the ACM SIGSPATIAL International Conference on Advances in Geographical Information Systems, 247–256. Authors’ addresses: Y. Zheng, X. Xie, and W.-Y. Ma, Microsoft Research Asia, Beijing 100190, China; email: {yuzheng, xingx, wyma}@microsoft.com. L. Zhang and Z. Ma, Department of Electronic Engineering, University of Tsinghua, Beijing 100184, China; email:{zlz02, mazx}@tsinghuaedu.cn. Permission to make digital or hard copies of part or all of this work for personal or classroom use is granted without fee provided that copies are not made or distributed for profit or commercial advantage and that copiesshowthisnoticeonthefirstpageorinitialscreenofadisplayalongwiththefullcitation.Copyrightsfor components of this work owned by others than ACM must be honored. Abstracting with credit is permitted. To copy otherwise, to republish, to post on servers, to redistribute to lists, or to use any component of this work in other works requires prior specific permission and/or a fee. Permissions may be requested from Publications Dept., ACM, Inc., 2 Penn Plaza, Suite 701, New York, NY 10121-0701 USA, fax +1 (212) 869-0481, or permissions@acm.org. c 2011 ACM 1559-1131/2011/02-ART5 $10.00 DOI 10.1145/1921591.1921596 http://doi.acm.org/10.1145/1921591.1921596
ACM Transactions on the Web, Vol. 5, No. 1, Article 5, Publication date: February 2011.
5:2 Y. Zheng et al.
1. INTRODUCTION RecommendersystemsarechangingthewaypeopleinteractwiththeWebbyproviding a more personalized information access experience than searching. Typically, these systems estimate a particular user’s interests from the data implicitly or explicitly generated by the user. In addition, the social environment of a user is usually involved in inferring their taste. Hence, digital results matching an individual’s preferences are more likely to be retrieved for him/her. In the past years, companies like Amazon [Linden et al. 2003] have shown the effectiveness of recommender systems in improving the sales of a retailer. However, so far,mostoftheproductsandresearchesrelatedtorecommendationarebasedononline user behavior in Web communities, such as news recommenders [Das et al. 2007] and music recommenders [Li et al. 2007; Tiemann et al. 2007]. Recently, the increasing pervasiveness of location-acquisition technologies, like GPS and GSM networks, are leading to the collection of large spatio-temporal datasets, which bring the opportunity of discovering valuable knowledge about users’ movements. A branch of geographic applications based on user-generated GPS data have appearedontheWeb,andreceivedconsiderableattention.Insuchapplications[Bikely; GPS Sharing; SportsDo; Counts and Smith 2007; Zheng et al. 2008c, 2009a, 2010d], usingaGPS-enableddevice,individualscanrecordtheiroutdoormovementswithGPS trajectories when traveling in the real world. Later, these individuals are able to upload these logs to a Web community where they can visualize and browse their own travel/sports experiences on a Web map. These systems tell the users’ basic information, such as distance, duration, and velocity, of a particular route; tags and photos can also be shown for the route. Further, users are able to exchange life experiences among each other by sharing their GPS trajectories in the Web community. GPS-log-sharing provides people with a more explicit and fancy approach than the text-based description to express their life experiences. For example, rich information, such as velocity/acceleration/bearing/altitude of each point, slope/curvature of a segment and the names of locations a user passed by, can be mined out from a bike-riding trajectory. In this manner, users are facilitated to absorb knowledge from others’ past experiences.Meanwhile,bybrowsingotherpeople’sGPStrajectoriesonaWebmap,an individual is likely to discover a travel route that interests him/her. Hence, the individual can get references when making a decision for travel planning. Unfortunately, so far, these applications still use raw GPS data directly without much understanding. Facing a large dataset of GPS trajectories, users have to spend a lot of manual effort to discover locations matching their tastes by themselves. In contrast to users’ online activities, people’s outdoor movements in the real world would imply more information about their interests and preferences. For instance, if a person usually goes to stadiums and gyms, it denotes that the person might like sports. Likewise, if a user frequently travels to some mountains, it might imply that the user is interested in hiking. According to the first law of geography [Tobler 1970], “everything is related to everything else, but near things are more related than distant things”, people who have similar location histories might share similar interests and preferences. The more location histories they share, the more correlated these two users would be. It is not difficult to understand that people who visit the same restaurants and shopping malls might share some similar entertainment interests. Also, users traveling to the same lakes and valleys might pertain to the similar style of tourists. In turn, the geographical regions visited by similar users might imply a similarprofile.Asaconsequence,people’slocationhistoriescannotonlyhelpusunderstand the similarity between individuals but also reveal the correlations among geographic locations.
ACM Transactions on the Web, Vol. 5, No. 1, Article 5, Publication date: February 2011.
Recommending Friends and Locations Based on Individual Location History 5:3
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, whichestimatesthesimilaritybe
0/5000
Từ: -
Sang: -
Kết quả (Việt) 1: [Sao chép]
Sao chép!
5Giới thiệu bạn bè và địa điểm dựa trên lịch sử vị trí riêng lẻYU ZHENG, nhóm nghiên cứu Microsoft Asia LIZHU ZHANG và ZHENGXIN MA, đại học Thanh Hoa XING XIE và WEI-YING MA, nhóm nghiên cứu Microsoft AsiaSự sẵn có ngày càng tăng của vị trí-mua lại công nghệ (GPS, GSM mạng, vv) cho phép người dân để ghi lại lịch sử vị trí với nhất dữ liệu. Lịch sử vị trí thực tế như vậy bao hàm, để một số phạm vi, lợi ích của người dùng ở những nơi, và mang lại cho chúng tôi cơ hội để hiểu các mối tương quan giữa người sử dụng andlocations. Inthisarticle, wemovetowardsthisdirectionandreportonapersonalizedfriendandlocation recommenderforthegeographicalinformationsystems (GIS) ontheWeb.First,inthisrecommendersystem, aparticularindividual'svisitstoageospatialregionintherealworldareusedastheirimplicitratingsonthat khu vực. Thứ hai, chúng tôi đo lường sự giống nhau giữa người sử dụng trong điều khoản của lịch sử vị trí của họ và giới thiệu cho mỗi người dùng một nhóm bạn tiềm năng trong một cộng đồng GIS. Thứ ba, chúng tôi ước tính lợi ích của một cá nhân trong một tập hợp các khu vực unvisited bởi liên quan đến lịch sử vị trí của mình và những người dùng khác. Một số vị trí unvisited có thể phù hợp với thị hiếu của họ có thể được đề nghị cho cá nhân. Một khuôn khổ, được gọi là một đo lường phân cấp-biểu đồ dựa trên tương tự (HGSM), được đề xuất để thống nhất mẫu lịch sử vị trí của mỗi cá nhân và có hiệu quả đo lường sự giống nhau giữa các người dùng. Trong khuôn khổ này, chúng tôi đưa vào tài khoản ba yếu tố: 1) tài sản trình tự của phong trào nhân dân hồ, 2) sự phổ biến viếng thăm của một khu vực địa không gian, và 3) tài sản phân cấp không gian địa lý. Hơn nữa, chúng tôi kết hợp một phương pháp dựa trên nội dung vào một thuật toán dựa trên người sử dụng hợp tác filtering, sử dụng HGSM như các biện pháp tương tự người dùng, để ước tính xếp hạng của người dùng vào một mục. Chúng tôi đánh giá hệ thống các này dựa trên dữ liệu GPS được thu thập bởi 75 đối tượng trong một khoảng thời gian 1 năm trong thế giới thực. Kết quả là, HGSM nhanh hơn so với các biện pháp tương tự liên quan, cụ thể là giống nhau bởi số lượng, cô sin tương tự và Pearson similaritymeasures. Hơn nữa, beyondtheitem-basedCFmethodandrandomrecommendations, oursystem cung cấp người dùng với các địa điểm hấp dẫn hơn và tốt hơn kinh nghiệm người dùng giới thiệu. CategoriesandSubjectDescriptors:H.2.8[DatabaseManagement]:DatabaseApplications—Datamining; I.5 [phương pháp tính toán]: Pattern Recognition; H.3.3 [thông tin lưu trữ và truy]: tìm kiếm thông tin và truy — Clustering, lấy mẫu; H.2.8 [cơ sở dữ liệu ứng dụng]: Không gian cơ sở dữ liệu và điều khoản chung GIS: thuật toán, đo lường, thử nghiệm bổ sung từ khóa và cụm từ: các hệ thống, nhất dữ liệu khai thác, người dùng giống nhau, GPS hnăm, lịch sử vị trí, hợp tác filtering, GeoLife ACM tham khảo định dạng: Zheng, Y., Zhang, L., Ma, Z., Xie, X., và Ma, W.-Y. 2011. giới thiệu bạn bè và địa điểm dựa trên lịch sử vị trí riêng lẻ. ACM dịch Web 5, 1, điều 5 (tháng hai 2011), trang 44. Doi=10.1145/1921591.1921596 http://doi.acm.org/10.1145/1921591.1921596Bài viết này là một phiên bản mở rộng của Li et al. [2008], xuất hiện trong thủ tục tố tụng của ACM SIGSPATIAL nghị quốc tế về những tiến bộ trong hệ thống thông tin địa lý, 247-256. Địa chỉ tác giả: Y. Zheng, X. tạ và W.-Y. Ma, Microsoft nghiên cứu Châu á, Beijing 100190, Trung Quốc; thư điện tử: {yuzheng, xingx, wyma}@microsoft.com. L. trương và Z. Ma, tỉnh điện tử kỹ thuật, đại học Thanh Hoa, Beijing 100184, Trung Quốc; thư điện tử: {zlz02, mazx}@tsinghuaedu.cn. Sự cho phép để làm cho kỹ thuật số hoặc cứng bản sao của một phần hoặc tất cả các công việc này cho sử dụng cá nhân hoặc lớp học được mà không có lệ phí miễn là bản sao không được thực hiện hoặc phân phối cho profit hoặc lợi thế thương mại và copiesshowthisnoticeonthefirstpageorinitialscreenofadisplayalongwiththefullcitation đó. Copyrightsfor các thành phần của tác phẩm này thuộc sở hữu của những người khác hơn so với ACM phải được vinh danh. Abstracting với tín dụng được phép. Nếu không sao chép, tái xuất bản, đăng trên máy chủ, để phân phối lại vào danh sách, hoặc sử dụng bất kỳ thành phần nào của công việc này trong các tác phẩm khác đòi hỏi sự cho phép trước khi specific và/hoặc một khoản phí. Cấp phép có thể được yêu cầu từ các ấn phẩm khoa, ACM, Inc, 2 Penn Plaza, Suite 701, Hoa Kỳ New York, NY 10121-0701, fax + 1 (212) 869-0481, hoặc permissions@acm.org. c năm 2011 ACM 1559-1131/2011/02-ART5 $10,00 DOI 10.1145/1921591.1921596 http://doi.acm.org/10.1145/1921591.1921596ACM giao dịch trên Web, Vol. 5, số 1, điều 5, ngày phát hành: tháng 2 năm 2011.5:2 Y. Zheng et al.1. INTRODUCTION RecommendersystemsarechangingthewaypeopleinteractwiththeWebbyproviding a more personalized information access experience than searching. Typically, these systems estimate a particular user’s interests from the data implicitly or explicitly generated by the user. In addition, the social environment of a user is usually involved in inferring their taste. Hence, digital results matching an individual’s preferences are more likely to be retrieved for him/her. In the past years, companies like Amazon [Linden et al. 2003] have shown the effectiveness of recommender systems in improving the sales of a retailer. However, so far,mostoftheproductsandresearchesrelatedtorecommendationarebasedononline user behavior in Web communities, such as news recommenders [Das et al. 2007] and music recommenders [Li et al. 2007; Tiemann et al. 2007]. Recently, the increasing pervasiveness of location-acquisition technologies, like GPS and GSM networks, are leading to the collection of large spatio-temporal datasets, which bring the opportunity of discovering valuable knowledge about users’ movements. A branch of geographic applications based on user-generated GPS data have appearedontheWeb,andreceivedconsiderableattention.Insuchapplications[Bikely; GPS Sharing; SportsDo; Counts and Smith 2007; Zheng et al. 2008c, 2009a, 2010d], usingaGPS-enableddevice,individualscanrecordtheiroutdoormovementswithGPS trajectories when traveling in the real world. Later, these individuals are able to upload these logs to a Web community where they can visualize and browse their own travel/sports experiences on a Web map. These systems tell the users’ basic information, such as distance, duration, and velocity, of a particular route; tags and photos can also be shown for the route. Further, users are able to exchange life experiences among each other by sharing their GPS trajectories in the Web community. GPS-log-sharing provides people with a more explicit and fancy approach than the text-based description to express their life experiences. For example, rich information, such as velocity/acceleration/bearing/altitude of each point, slope/curvature of a segment and the names of locations a user passed by, can be mined out from a bike-riding trajectory. In this manner, users are facilitated to absorb knowledge from others’ past experiences.Meanwhile,bybrowsingotherpeople’sGPStrajectoriesonaWebmap,an individual is likely to discover a travel route that interests him/her. Hence, the individual can get references when making a decision for travel planning. Unfortunately, so far, these applications still use raw GPS data directly without much understanding. Facing a large dataset of GPS trajectories, users have to spend a lot of manual effort to discover locations matching their tastes by themselves. In contrast to users’ online activities, people’s outdoor movements in the real world would imply more information about their interests and preferences. For instance, if a person usually goes to stadiums and gyms, it denotes that the person might like sports. Likewise, if a user frequently travels to some mountains, it might imply that the user is interested in hiking. According to the first law of geography [Tobler 1970], “everything is related to everything else, but near things are more related than distant things”, people who have similar location histories might share similar interests and preferences. The more location histories they share, the more correlated these two users would be. It is not difficult to understand that people who visit the same restaurants and shopping malls might share some similar entertainment interests. Also, users traveling to the same lakes and valleys might pertain to the similar style of tourists. In turn, the geographical regions visited by similar users might imply a similarprofile.Asaconsequence,people’slocationhistoriescannotonlyhelpusunderstand the similarity between individuals but also reveal the correlations among geographic locations.ACM giao dịch trên Web, Vol. 5, số 1, điều 5, ngày phát hành: tháng 2 năm 2011.Giới thiệu bạn bè và địa điểm dựa trên lịch sử vị trí riêng lẻ 5:3Trong 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, whichestimatesthesimilaritybe
đang được dịch, vui lòng đợi..
Kết quả (Việt) 2:[Sao chép]
Sao chép!
5
Đề nghị các bạn bè và địa điểm Dựa vào cá nhân Location History
YU ZHENG, Microsoft Research Asia Lizhu ZHANG và Zhengxin MA, Đại học Thanh Hoa XING Tạ và WEI-YING MA, Nghiên cứu Microsoft châu Á
sẵn có ngày càng tăng của công nghệ định vị mua lại (GPS, mạng GSM, vv .) cho phép mọi người đăng nhập lịch sử vị trí với dữ liệu không-thời gian. Lịch sử vị trí trong thế giới thực ngụ ý, một số phạm vi, quyền lợi của người sử dụng ở những nơi, và mang lại cho chúng ta cơ hội để hiểu được mối tương quan giữa người sử dụng andlocations.Inthisarticle, recommenderforthegeographicalinformationsystems wemovetowardsthisdirectionandreportonapersonalizedfriendandlocation (GIS) ontheWeb.First, inthisrecommendersystem, aparticularindividual'svisitstoageospatialregionintherealworldareusedastheirimplicitratingsonthat khu vực. Thứ hai, chúng ta đo sự giống nhau giữa người sử dụng về mặt lịch sử vị trí của họ và đề nghị mỗi người sử dụng một nhóm bạn tiềm năng trong một cộng đồng GIS. Thứ ba, chúng tôi ước tính lợi ích của một cá nhân trong một tập hợp các vùng unvisited do liên quan / lịch sử vị trí của mình và của những người khác. Một số địa điểm unvisited mà có thể phù hợp với thị hiếu của họ có thể được khuyến khích để các cá nhân. Một khung, được gọi là một phép đo tương tự thứ bậc, dựa trên đồ thị (HGSM), được đề xuất để thống nhất mô hình lịch sử vị trí của mỗi cá nhân, và có hiệu quả đo sự giống nhau giữa các người dùng. Trong khuôn khổ này, chúng tôi đưa vào tài khoản của ba yếu tố: 1) tài sản chuỗi các chuyển động ngoài trời của người dân, 2) sự phổ biến đến thăm một khu vực địa lý không gian, và 3) tài sản theo cấp bậc của không gian địa lý. Hơn nữa, chúng tôi kết hợp một phương pháp dựa trên nội dung vào một thuật toán cộng tác fi ltering dựa trên người dùng, trong đó sử dụng HGSM là biện pháp tương tự sử dụng, để ước tính giá của một người sử dụng vào một mục. Chúng tôi đánh giá hệ thống recommender này dựa trên các dữ liệu GPS thu thập bằng 75 đối tượng trong khoảng thời gian 1 năm trong thế giới thực. Kết quả là, nhanh hơn so với các biện pháp tương tự HGSM liên quan, cụ thể là giống nhau-by-count, cosine tương đồng, và Pearson similaritymeasures.Moreover, beyondtheitem-basedCFmethodandrandomrecommendations, oursystem cung cấp cho người dùng với các địa điểm hấp dẫn hơn và kinh nghiệm người dùng tốt hơn thiệu. CategoriesandSubjectDescriptors: H.2.8 [DatabaseManagement]: DatabaseApplications-Datamining; I.5 [Máy Tính]: Pattern Recognition; H.3.3 [Lưu trữ thông tin và Retrieval]: Thông tin tìm kiếm và Retrieval-Clustering, mô hình hồi; H.2.8 [Cơ sở dữ liệu ứng dụng]: Cơ sở dữ liệu không gian và GIS chung Điều khoản: Các thuật toán, đo lường, thí nghiệm bổ sung từ khóa và cụm từ: hệ thống Recommender, không-thời gian khai thác dữ liệu, người sử dụng tương tự, quỹ đạo GPS, lịch sử vị trí, hợp tác fi ltering, GeoLife ACM Reference Định dạng: Zheng, Y., Zhang, L., Ma, Z., Xie, X., và Ma, W.-Y. 2011. Đề nghị các bạn bè và các địa điểm dựa trên lịch sử vị trí cá nhân. ACM Trans. Web 5, 1, Điều 5 (tháng 2 năm 2011), 44 trang. DOI = 10,1145 / 1921591,1921596 http://doi.acm.org/10.1145/1921591.1921596
Bài viết này là một phiên bản mở rộng của Li et al. [2008], trong đó xuất hiện trong Kỷ yếu của Hội nghị quốc tế ACM SIGSPATIAL các tiến bộ của hệ thống thông tin địa lý, 247-256. Địa chỉ của tác giả: Y. Zheng, X. Xie, và W.-Y. Ma, Microsoft Research Asia, Bắc Kinh 100.190, Trung Quốc; email: {Yuzheng, xingx, wyma}@microsoft.com. L. Zhang và Z. Ma, Khoa Kỹ thuật điện tử, Đại học Thanh Hoa, Bắc Kinh 100.184, Trung Quốc; email: {zlz02, mazx}@tsinghuaedu.cn. Giấy phép làm bản sao kỹ thuật số hoặc khó khăn của một phần hoặc tất cả các công việc này để sử dụng cá nhân hoặc lớp học được cấp mà không cần lệ phí cung cấp các bản sao không được thực hiện hoặc phân phối để pro fi t hoặc lợi thế thương mại và copiesshowthisnoticeonthe thành phần fi rstpageorinitialscreenofadisplayalongwiththefullcitation.Copyrightsfor của tác phẩm này thuộc sở hữu của người khác hơn ACM phải được tôn trọng. Suy diễn với tín dụng được phép. Để sao chép nếu không, tái xuất, đăng bài trên các máy chủ, để phân phối lại các danh sách, hoặc sử dụng bất kỳ thành phần nào của công việc này trong các công trình khác đòi hỏi trước khi Speci fi c phép và / hoặc lệ phí. Quyền có thể được yêu cầu từ Ấn Dept., ACM, Inc., 2 Penn Plaza, Suite 701, New York, NY 10121-0701 USA, fax +1 (212) 869-0481, hoặc permissions@acm.org. c? 2011 ACM 1559-1131 / 2011/02-ART5 $ 10,00 DOI 10,1145 / 1921591,1921596 http://doi.acm.org/10.1145/1921591.1921596
giao dịch ACM trên Web, Vol. 5, Quốc lộ 1, Điều 5, Ngày xuất bản: Tháng Hai năm 2011.
5: 2 Y. Zheng et al.
1. GIỚI THIỆU RecommendersystemsarechangingthewaypeopleinteractwiththeWebbyproviding một kinh nghiệm truy cập thông tin cá nhân hóa hơn vì tìm kiếm. Thông thường, các hệ thống này ước tính lợi ích của một người dùng cụ thể từ các dữ liệu ngầm hay rõ ràng được tạo ra bởi người sử dụng. Ngoài ra, môi trường xã hội của một người sử dụng thường có liên quan đến suy luận ra hương vị của họ. Do đó, kết quả kỹ thuật số phù hợp với sở thích của một cá nhân có nhiều khả năng được lấy ra cho anh ấy / cô ấy. Trong những năm qua, các công ty như Amazon [Linden et al. 2003] đã cho thấy hiệu quả của hệ thống tư vấn trong việc cải thiện doanh số bán hàng của một cửa hàng bán lẻ. Tuy nhiên, cho đến nay, hành vi người dùng mostoftheproductsandresearchesrelatedtorecommendationarebasedononline trong cộng đồng Web, chẳng hạn như recommenders tin tức [Das et al. Recommenders 2007] và âm nhạc [Li et al. 2007; Tiemann et al. 2007]. Gần đây, sự lan tỏa ngày càng tăng của công nghệ địa điểm mua lại, như mạng GPS và GSM, được dẫn đến các bộ sưu tập các bộ dữ liệu không-thời gian lớn, mang lại cơ hội khám phá những kiến thức quý giá về phong trào của người sử dụng. Một chi nhánh của các ứng dụng địa lý dựa trên dữ liệu GPS người dùng tạo ra có appearedontheWeb, andreceivedconsiderableattention.Insuchapplications [Bikely; GPS Sharing; SportsDo; Đếm và Smith năm 2007; Zheng et al. 2008c, 2009a, 2010d], usingaGPS-enableddevice, individualscanrecordtheiroutdoormovementswithGPS quỹ đạo khi đi du lịch trong thế giới thực. Sau đó, các cá nhân có thể tải lên các bản ghi vào một cộng đồng web nơi họ có thể hình dung và duyệt đi của riêng mình / kinh nghiệm thể thao trên bản đồ Web. Các hệ thống này cho biết thông tin cơ bản của người dùng, chẳng hạn như khoảng cách, thời gian, vận tốc và, trong một lộ trình cụ thể; thẻ và hình ảnh cũng có thể được hiển thị cho các tuyến đường. Hơn nữa, người dùng có thể trao đổi kinh nghiệm sống lẫn nhau bằng cách chia sẻ quỹ đạo GPS của họ trong cộng đồng Web. GPS-log-chia sẻ cung cấp cho những người có một cách tiếp cận rõ ràng hơn và lạ mắt hơn so với các mô tả dựa trên văn bản để thể hiện kinh nghiệm sống của họ. Ví dụ, thông tin phong phú, chẳng hạn như tốc độ / tốc / mang / độ cao của mỗi điểm, độ dốc / độ cong của một phân khúc và tên của những địa một người sử dụng thông qua, có thể khai thác từ một quỹ đạo xe đạp cưỡi. Theo cách này, người dùng được tạo điều kiện để tiếp thu kiến thức từ quá khứ experiences.Meanwhile của người khác, bybrowsingotherpeople'sGPStrajectoriesonaWebmap, một cá nhân có khả năng phát hiện ra một tuyến đường du lịch mà bạn quan tâm anh ấy / cô ấy. Do đó, các cá nhân có thể nhận được tài liệu tham khảo khi đưa ra quyết định cho kế hoạch du lịch. Thật không may, cho đến nay, các ứng dụng này vẫn sử dụng dữ liệu GPS liệu trực tiếp mà không có nhiều hiểu biết. Đối mặt với một tập dữ liệu lớn của quỹ đạo GPS, người dùng phải bỏ ra rất nhiều dẫn nỗ lực để khám phá các địa điểm phù hợp với thị hiếu của họ tự. Ngược lại với các hoạt động trực tuyến của người sử dụng, các phong trào ngoài trời của người dân trong thế giới thực sẽ bao hàm thêm thông tin về quyền lợi và sở thích của họ. Ví dụ, nếu một người thường đi đến sân vận động và phòng tập thể dục, nó biểu thị rằng người đó có thể thích thể thao. Tương tự như vậy, nếu một người dùng thường xuyên đi đến một số ngọn núi, nó có thể hàm ý rằng người dùng quan tâm đi bộ đường dài. Theo luật fi đầu tiên về địa lý [Tobler 1970], "tất cả mọi thứ có liên quan đến mọi thứ khác, nhưng điều này là gần hơn so với những thứ liên quan xa", những người có lịch sử vị trí tương tự có thể chia sẻ lợi ích và sở thích tương tự. Các vị trí lịch sử hơn họ chia sẻ, càng có nhiều tương quan hai người sử dụng sẽ có những. Nó không phải là dif khăn để hiểu rằng người truy cập vào cùng một quán ăn và trung tâm mua sắm có thể chia sẻ một số lợi ích giải trí tương tự. Ngoài ra, người dùng đi du lịch đến các hồ và thung lũng cùng có thể liên quan đến phong cách tương tự như khách du lịch. Đổi lại, các vùng địa lý truy cập của người sử dụng tương tự có thể bao hàm một le.Asaconsequence fi similarpro, people'slocationhistoriescannotonlyhelpusunderstand sự giống nhau giữa các cá nhân mà còn cho thấy sự tương quan giữa các khu vực địa lý.
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: 3
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, whichestimatesthesimilaritybe
đang được dịch, vui lòng đợi..
 
Các ngôn ngữ khác
Hỗ trợ công cụ dịch thuật: Albania, Amharic, Anh, Armenia, Azerbaijan, Ba Lan, Ba Tư, Bantu, Basque, Belarus, Bengal, Bosnia, Bulgaria, Bồ Đào Nha, Catalan, Cebuano, Chichewa, Corsi, Creole (Haiti), Croatia, Do Thái, Estonia, Filipino, Frisia, Gael Scotland, Galicia, George, Gujarat, Hausa, Hawaii, Hindi, Hmong, Hungary, Hy Lạp, Hà Lan, Hà Lan (Nam Phi), Hàn, Iceland, Igbo, Ireland, Java, Kannada, Kazakh, Khmer, Kinyarwanda, Klingon, Kurd, Kyrgyz, Latinh, Latvia, Litva, Luxembourg, Lào, Macedonia, Malagasy, Malayalam, Malta, Maori, Marathi, Myanmar, Mã Lai, Mông Cổ, Na Uy, Nepal, Nga, Nhật, Odia (Oriya), Pashto, Pháp, Phát hiện ngôn ngữ, Phần Lan, Punjab, Quốc tế ngữ, Rumani, Samoa, Serbia, Sesotho, Shona, Sindhi, Sinhala, Slovak, Slovenia, Somali, Sunda, Swahili, Séc, Tajik, Tamil, Tatar, Telugu, Thái, Thổ Nhĩ Kỳ, Thụy Điển, Tiếng Indonesia, Tiếng Ý, Trung, Trung (Phồn thể), Turkmen, Tây Ban Nha, Ukraina, Urdu, Uyghur, Uzbek, Việt, Xứ Wales, Yiddish, Yoruba, Zulu, Đan Mạch, Đức, Ả Rập, dịch ngôn ngữ.

Copyright ©2024 I Love Translation. All reserved.

E-mail: