خلاصه

با توسعه سریع شبکه های اجتماعی مبتنی بر مکان (LBSN)، از آنجا که رفتارهای انسانی الگوهای توزیع خاصی را نشان می دهد، توصیه های جغرافیایی-اجتماعی شخصی نقش مهمی برای LBSN ها ایفا کرده است. علاوه بر ترجیح کاربر و تأثیر اجتماعی، تأثیر جغرافیایی نیز به طور گسترده در توصیه مکان مورد تحقیق قرار گرفته است. تخمین چگالی هسته (KDE) یک روش کلیدی در مدل‌سازی نفوذ جغرافیایی است. با این حال، اکثر مطالعات کنونی مبتنی بر KDE مشکلات محدوده نفوذ و نقاط پرت را بر روی رفتارهای ورود کاربران در نظر نمی گیرند. در این مقاله، ما روشی را برای بهره‌برداری از تأثیرات اجتماعی جغرافیایی و ترکیبی (GeSSo) در توصیه مکان پیشنهاد می‌کنیم. GeSSo از یک رویکرد تخمین هسته با تابع هسته quartic برای مدل‌سازی تأثیرات جغرافیایی استفاده می‌کند. و دو نوع فاصله وزنی برای محاسبه پهنای باند اتخاذ شده است. علاوه بر این، نزدیکی اجتماعی و ارتباطات بین دوستان را در نظر می‌گیریم و یک روش توصیه مبتنی بر دوست مصنوعی برای مدل‌سازی تأثیرات اجتماعی معرفی می‌شود. در نهایت، ما یک چارچوب جمعی را اتخاذ می کنیم که ترجیحات کاربر در یک مکان را با تأثیرات جغرافیایی و اجتماعی ترکیب می کند. آزمایش های گسترده ای بر روی سه مجموعه داده واقعی انجام شده است. نتایج نشان می‌دهد که روش ما در مقایسه با سایر تکنیک‌های پیشنهادی پیشرفته جغرافیایی-اجتماعی به عملکرد برتر دست می‌یابد. ما چارچوبی را اتخاذ می کنیم که ترجیحات کاربر را در یک مکان با تأثیرات جغرافیایی و اجتماعی ترکیب می کند. آزمایش های گسترده ای بر روی سه مجموعه داده واقعی انجام شده است. نتایج نشان می‌دهد که روش ما در مقایسه با سایر تکنیک‌های پیشنهادی پیشرفته جغرافیایی-اجتماعی به عملکرد برتر دست می‌یابد. ما چارچوبی را اتخاذ می کنیم که ترجیحات کاربر را در یک مکان با تأثیرات جغرافیایی و اجتماعی ترکیب می کند. آزمایش های گسترده ای بر روی سه مجموعه داده واقعی انجام شده است. نتایج نشان می‌دهد که روش ما در مقایسه با سایر تکنیک‌های پیشنهادی پیشرفته جغرافیایی-اجتماعی به عملکرد برتر دست می‌یابد.

کلید واژه ها:

توصیه مکان ؛ شبکه های اجتماعی مبتنی بر مکان ؛ مدل سازی جغرافیایی ; مدل سازی اجتماعی ; تخمین چگالی هسته ; فیلتر مشارکتی

1. معرفی

در سال های اخیر، فناوری شبکه های ارتباطی بی سیم، دستگاه های دستی و فناوری مکان یابی به سرعت توسعه یافته اند. بسیاری از خدمات شبکه های اجتماعی مبتنی بر مکان (LBSNs) به طور گسترده استفاده می شوند، مانند Foursquare و Gowalla. در LBSN ها، زمانی که افراد از یک مکان بازدید یا اعلام حضور می کنند، مکان و اطلاعات ورود آنها با افراد دیگر به اشتراک گذاشته می شود [ 1 ]. این داده‌های ثبت‌نام تاریخی در LBSN حاوی دانش فراوانی در مورد علایق و مکان‌های کاربران است که می‌تواند به افراد کمک کند مکان‌های مورد علاقه را کشف کنند و ارتباطات اجتماعی جدیدی ایجاد کنند [ 2 ، 3 ، 4 ]. بنابراین، این داده‌های ورود در طیف گسترده‌ای از برنامه‌ها، مانند توصیه مکان [ 5 ، 6 ] سودمند هستند.]، توصیه رویداد [ 7 ]، و توصیه دوست [ 8 ، 9 ]. توصیه مکان بر اساس LBSN ها نقش مهمی در ارائه خدمات مبتنی بر مکان بهتر ایفا می کند.
مکان‌هایی که ممکن است افراد به آن‌ها علاقه داشته باشند، در توصیه مکان توصیه می‌شوند. فن‌آوری‌های توصیه مکان مرجعی برای سفر فراهم می‌کنند و زندگی روزمره را تا حد زیادی تسهیل می‌کنند. بر خلاف سیستم های توصیه سنتی، توصیه مکان دارای چندین ویژگی منحصر به فرد LBSN ها [ 10 ] است، مانند ویژگی های جغرافیایی، محبوبیت منطقه ای، تحرک کاربر پویا و بازخورد ضمنی کاربر. این به این دلیل است که وقتی کاربران از مکان‌ها بازدید می‌کنند، به تعاملات فیزیکی نیاز است [ 11 ]. علاوه بر این، وظایف توصیه مدرن معمولاً در یک محیط غنی از زمینه، مانند اطلاعات متنی، مکانی و زمانی [ 5 ، 12 ] در معرض دید قرار می‌گیرند.]. به عنوان مثال، کاربران از طریق پیوندهای اجتماعی به سایر کاربران مرتبط می شوند، تحرک کاربر تحت تأثیر فاصله جغرافیایی قرار می گیرد و کاربران تجربیات خود را از طریق شبکه های اجتماعی سنتی (مانند میکروبلاگ، توییتر و فیس بوک) به اشتراک می گذارند. برخی از مطالعات قبلی [ 4 ، 13 ، 14 ] وجود دارد که از یکی از عوامل فوق برای بهبود توصیه مکان استفاده می کنند. به طور کلی، فرآیند تصمیم گیری یک کاربر که از یک مکان بازدید می کند پیچیده است و می تواند تحت تأثیر عوامل زیادی قرار گیرد.
تحقیقات نشان می دهد که اطلاعات جغرافیایی مکان ها به طور قابل توجهی بر رفتار ورود کاربران تأثیر می گذارد. کاربران تمایل دارند پیرامون مکان هایی را که بازدید کرده اند کاوش کنند [ 15 ]. بنابراین، اگر یک کاربر بیشتر از یک منطقه خاص بازدید کند، امکان بررسی مکان بازدید نشده در این منطقه بیشتر است و با افزایش فاصله از منطقه، این احتمال کاهش می‌یابد. برای بررسی بهتر توزیع جغرافیایی کاربران در مکان‌ها، مدل‌های جغرافیایی مختلفی برای مدل‌سازی رفتارهای ورود کاربران در مکان‌ها پیشنهاد شده است [ 7 ، 10 ، 11 ، 15 ، 16 ، 17 ، 18 ، 19 ، 20 ., 21 , 22 , 23 , 24 ]. به عنوان مثال، در [ 15 ]، یک مدل احتمالی قانون قدرت پیشنهاد شده است تا تأثیر جغرافیایی را در میان نقاط مورد علاقه (POI)، لیو و همکاران، به تصویر بکشد. [ 10 ] فرض می‌کند که رفتارهای ورود کاربران از توزیع چند مرکزی پیروی می‌کند، و هر دوی این مطالعات توزیع فاصله جغرافیایی را مدل‌سازی می‌کنند. ژانگ و همکاران [ 16] تخمین چگالی هسته یک بعدی را برای به دست آوردن توزیع های فاصله شخصی شده معرفی می کند. به طور کلی، دو محدودیت عمده در این مطالعات وجود دارد. (1) بر خلاف مدل های جغرافیایی دو بعدی، توزیع های فاصله جغرافیایی یک بعدی نمی توانند به طور شهودی توزیع های فضایی را منعکس کنند. (2) مکان‌های ورود کاربر معمولاً در چندین منطقه توزیع می‌شود، و جدایی بین این مناطق ممکن است بسیار زیاد باشد [ 25 ]، به عنوان مثال، برخی افراد ترجیح می‌دهند از مکان‌های اطراف خانه خود بازدید کنند در حالی که افراد دیگر کاوش مکان‌های جالب جدید را ترجیح می‌دهند. سراسر دنیا. بنابراین، مدل‌های جغرافیایی دو بعدی شخصی‌شده در مدل‌سازی نفوذ جغرافیایی بصری‌تر و معقول‌تر هستند. در سال های اخیر، رویکردهای [ 11 ، 18] تخمین تراکم هسته یک بعدی را به دو بعدی گسترش دهید. نتایج نشان می دهد که مدل های تخمین چگالی هسته دو بعدی (KDE) عملکرد بهتری در توصیه مکان دارند. با این حال، به دلیل پراکندگی داده ها و نقاط پرت، یافتن پهنای باند مناسب برای تناسب با توزیع برای مدل های KDE دو بعدی دشوار است.
علاوه بر این، با رشد شبکه های اجتماعی (به عنوان مثال، Meetup، توییتر و فیس بوک)، از پیوندهای اجتماعی برای بهبود کیفیت توصیه ها استفاده شده است. کاربران اغلب پیوندهای اجتماعی ایجاد می کنند و تجربیات خود را به اشتراک می گذارند. به عنوان مثال، آنها اغلب با هم از موزه ها یا فروشگاه ها بازدید می کنند. این بدان معناست که دوستان احتمال بیشتری نسبت به غیر دوستان دارند که مکان‌های مشترک را به اشتراک بگذارند، اگرچه اکثر دوستان در مکان‌های ورودشان همپوشانی کمی دارند [ 5 ]. فیلتر مشارکتی اجتماعی (SCF) برای توصیه مکان‌های بازدید نشده به کاربر بر اساس ترجیحات دوستانش استفاده می‌شود [ 18 ]. اوگوندل و همکاران [ 7 ] SCF را برای مدل کردن ارتباط یک گروه با کاربر و دوستانش اتخاذ کرد. ژانگ و همکاران [ 16 ، 26] فاصله اقامت کاربران با دوستان اجتماعی را به یک شباهت عادی تبدیل کرد. گوو و همکاران [ 20 ] با در نظر گرفتن دوستان کاربر به عنوان همسایه، فیلتر مشارکتی مبتنی بر کاربر (CF) را اتخاذ کرد. به طور کلی دو محدودیت در این مطالعات وجود دارد. (1) بیشتر این روش ها فقط از بخشی از اطلاعات موجود در شبکه های اجتماعی مانند فاصله محل سکونت و ارتباطات اجتماعی بین دوستان استفاده می کنند. (2) دوستانی که روابط اجتماعی نزدیک تری دارند بیشتر به توصیه های آنها اعتماد می کنند. به عنوان مثال، اگر دو کاربر در حالی که دوستان مشترکی در شبکه اجتماعی دارند از یک مکان بازدید کنند، ارتباط آنها می تواند تقویت شود. بنابراین، برای دستیابی به عملکرد بالاتر، هم نزدیکی اجتماعی و هم ارتباطات اجتماعی را می توان با هم در نظر گرفت.
در این مقاله، ما تأثیرات جغرافیایی و اجتماعی در توصیه مکان را بررسی می‌کنیم. به طور خاص، ما بر تأثیر دو بعدی جغرافیایی مکان‌ها از طریق گرفتن توزیع فضایی ترجیحات کاربر بر اساس تخمین چگالی هسته تمرکز می‌کنیم. روش پیشنهادی از یک روش محاسبه پهنای باند جدید و یک تابع هسته quartic استفاده می‌کند که می‌تواند با دقت بیشتری احتمال ورود کاربر را در یک مکان جدید تخمین بزند. علاوه بر این، ما یک روش توصیه مبتنی بر دوست مصنوعی را پیشنهاد می‌کنیم که نزدیکی اجتماعی و ارتباطات اجتماعی بین دوستان را در فرآیند توصیه ترکیب می‌کند. علاوه بر این، یک چارچوب یکپارچه برای ترکیب ترجیحات کاربر، تأثیرات جغرافیایی و اجتماعی استفاده می شود. سرانجام،
ساختار بقیه این مقاله به شرح زیر است: در بخش 2 ، کارهای مربوط به توصیه مکان، به ویژه در حوزه های تأثیر جغرافیایی و اجتماعی، به طور خلاصه بررسی می شود. جزئیات مدل جغرافیایی، مدل اجتماعی و روش همجوشی در بخش 3 معرفی شده است. بخش 4 تنظیمات آزمایش را می دهد. در بخش 5 ، آزمایش‌هایی را روی سه مجموعه داده واقعی انجام می‌دهیم و روش‌های پیشنهادی را در مقایسه با سایر روش‌های پایه تحلیل می‌کنیم. در نهایت، این تحقیق را در بخش 6 به پایان می‌بریم .

2. کارهای مرتبط

در این بخش، کارهای مرتبط در توصیه مکان را در دو دسته خلاصه می‌کنیم: تأثیر جغرافیایی و تأثیر اجتماعی. در ادامه مرتبط ترین اثر را در هر دسته ارائه خواهیم کرد.
توصیه مکان با استفاده از اطلاعات جغرافیایی.
یک ویژگی منحصر به فرد LBSN ها وجود دارد که توصیه مکان را از تکنیک های توصیه سنتی متمایز می کند: به طور کلی، تکنیک های توصیه سنتی برای موارد غیر فضایی مانند فیلم، موسیقی، غذا یا کتاب استفاده می شود. با این حال، تعاملات فیزیکی برای کاربران برای بازدید از مکان‌ها در LBSNها مورد نیاز است. در عین حال، طبق قانون اول جغرافیا، “همه چیز به هر چیز دیگری مربوط است، اما چیزهای نزدیک بیشتر به یکدیگر مرتبط هستند”. بنابراین، اطلاعات جغرافیایی (یعنی طول و عرض جغرافیایی) مکان‌ها و مجاورت جغرافیایی بین دو مکان تأثیر بسزایی بر رفتارهای ورود کاربران دارد. مطالعات اخیر نشان می‌دهد که کاربران تمایل دارند از مکان‌های نزدیک به خانه‌ها یا دفاتر خود بازدید کنند و ممکن است به مکان‌های نزدیک به مکان‌های بازدید شده علاقه داشته باشند.15 ].
از آنجایی که اطلاعات جغرافیایی مکان ها به طور قابل توجهی بر رفتارهای ورود کاربران تأثیر می گذارد، بسیاری از محققان اطلاعات جغرافیایی را در مطالعه توصیه های مکان ادغام می کنند. در سال‌های اخیر، اکثر تحقیقات از ماتریس‌های اتصال جغرافیایی، ماتریس‌های فاصله جغرافیایی و ماتریس‌های مکان کاربر استفاده کرده‌اند و سپس با ترکیب تجزیه ماتریس [ 1 ، 17 ، 27 ، 28 ] و مدل‌های مبتنی بر یادگیری عمیق [ 14 ]، توصیه مکان را انجام داده‌اند. ، 29 ، 30 ، 31 ، 32]. روش های فوق به نتایج رضایت بخشی دست یافته اند و تبدیل به پیشرفته ترین روش ها شده اند. با این حال، آنها هنوز محدودیت هایی دارند، به عنوان مثال، مسئله پراکندگی ماتریس جغرافیایی، و روش های یادگیری عمیق برای مدل سازی توزیع جغرافیایی دو بعدی مکان ها یا کاربران به طور مستقیم دشوار است.
علاوه بر این، برخی از مدل های تحلیل جغرافیایی، از جمله KDE [ 7 ، 11 ، 16 ، 17 ، 18 ، 19 ، 20 ، 21 ، 22 ، 33 ، 34 ]، مدل گاوسی چند مرکزی (MGM) [ 10 ، 23 ] توزیع قانون قدرت (PD) [ 15 ، 24] در توصیه مکان معرفی شده اند. این مدل ها به طور قابل توجهی کیفیت توصیه را بهبود می بخشند. روش‌های MGM و PD فناوری‌های تخمین پارامتریک هستند. در مقابل، تخمین ناپارامتریک (یعنی KDE) هیچ فرضی در مورد فرم توزیع ضمنی ایجاد نمی کند و فرم توزیع را از داده ها می آموزد. ژانگ و همکاران [ 16 ، 19 ، 20 ، 21 ، 22 ] از یک مدل KDE یک بعدی (1D-KDE) برای مدل سازی جغرافیایی استفاده کرد. این روش ها توزیع فاصله را از تاریخچه ورود کاربران یاد می گیرند. ژانگ و همکاران [ 11 ، 17 ، 33 ، 34] یک مدل دو بعدی KDE (2D-KDE) را برای تعیین توزیع احتمال ورود معرفی کرد. 2D-KDE بصری تر و معقول تر از 1D-KDE است. علاوه بر این، Ogundele و همکاران. [ 7 ، 18] یک روش تخمین هسته تطبیقی ​​(A-KDE) را اتخاذ کرد که از پهنای باند شخصی‌سازی شده برای هر مکان بازدید شده استفاده می‌کند، و خود پهنای باند تطبیقی ​​نیز از داده‌های ورود به سیستم یاد می‌شود. A-KDE نتایج بهتری نسبت به مدل های 1D-KDE و 2D-KDE به دست می آورد، اما زمان بر است. به طور کلی، کارهای قبلی اطلاعات جغرافیایی را با ساخت ماتریس های جغرافیایی یا مدل های جغرافیایی برای کاربران یا مکان ها شخصی سازی می کردند. مدل پیشنهادی ما با این کارها متفاوت است، زیرا ما بر روی استفاده از 2D-KDE با یک روش پهنای باند جدید برای مدل‌سازی توزیع جغرافیایی برای عملکرد بهتر توصیه تمرکز می‌کنیم.
توصیه مکان با استفاده از اطلاعات اجتماعی.
بر اساس این واقعیت که دوستان بیشتر از مکان‌های مشترک بازدید می‌کنند، ترجیح کاربر می‌تواند تحت تأثیر گروه دوستان او قرار گیرد که احتمالاً برخی از علایق مشترک دارند [ 35 ، 36 ]. به عنوان بازخورد ضمنی، اطلاعات اجتماعی به طور گسترده ای برای بهبود دقت توصیه مکان استفاده شده است. اخیراً، برخی مطالعات شباهت کاربر را از روابط اجتماعی بین دوستان به دست آورده اند و آن را با فناوری های توصیه سنتی، مانند فناوری های فیلتر مشارکتی مبتنی بر حافظه [ 37 ، 38 ] یا مبتنی بر مدل [ 39 ] ترکیب کرده اند. بر اساس این مشاهدات، روش‌های فیلتر مشارکتی اجتماعی (SCF) در [ 37 ، 40 ] پیشنهاد شد.]. شباهت های کاربر CF مبتنی بر کاربر و CF مبتنی بر آیتم از ماتریس های مکان کاربر مشتق شده است. در مقابل این روش ها، شباهت اجتماعی SCF از نفوذ اجتماعی در بین دوستان به دست می آید.
به عنوان یک نوع اصلی اطلاعات کمکی، اطلاعات اجتماعی عمدتاً از طریق روش‌های گروهی [ 41 ، 42 ] و روش‌های منظم‌سازی [ 43 ] برای توصیه مکان استفاده شده است. دلیل رایج این روش ها این است که ترجیحات کاربران مشابه ترجیحات دوستانشان است. با این حال، اکثر این روش ها تنها از بخشی از اطلاعات موجود در شبکه های اجتماعی (اعم از نزدیکی اجتماعی یا ارتباطات اجتماعی) استفاده می کنند. با الهام از تحقیقات فوق، شباهت کاربران را از نزدیکی اجتماعی و ارتباطات اجتماعی دوستان به دست آوردیم و سپس شباهت را در چارچوب یکپارچه ادغام کردیم.

3. روش ها

در این بخش روش پیشنهادی GeSSo (تأثیرات اجتماعی جغرافیایی و ترکیبی) به تفصیل معرفی خواهد شد. ما ابتدا نمادهای بخش 3.1 را خلاصه می کنیم . سپس نمای کلی مدل پیشنهادی را در بخش 3.2 شرح می دهیم .

3.1. بیان مسأله

قبل از اینکه مدل پیشنهادی را توصیف کنیم، نماد کلیدی در این مقاله در جدول 1 تعریف شده است . سپس چند تعاریف اساسی از جمله مکان، توصیه مکان و مختصات جغرافیایی را ارائه می کنیم.

تعریف  1  (مکان).

یک موقعیت مکانی منحصر به فرد، که به عنوان نقطه مورد علاقه شناخته می شود. در این مقاله از لبرای نشان دادن یک مکان و �برای نشان دادن مجموعه ای از مکان ها. هر مکان مربوط به مکان خاصی در دنیای واقعی است و مختصات جغرافیایی دارد.

تعریف  2  (توصیه مکان).

با توجه به کاربر u، مکان‌هایی را توصیه می‌کنیم که شما بازدید نکرده‌اید اما ممکن است با توجه به اطلاعات زمینه‌ای مانند ورود، اطلاعات اجتماعی، جغرافیایی، زمانی و طبقه‌بندی به آن‌ها علاقه مند باشید.

تعریف  3  (مختصات جغرافیایی).

یک مکان با یک جفت مختصات طول و عرض جغرافیایی مرتبط است.

3.2. مدل تأثیرات اجتماعی جغرافیایی و ترکیبی (GeSso).

چارچوب کلی این مقاله در شکل 1 نشان داده شده است . (1) مدل ترجیحی کاربر ( بخش 3.2.1 ). با استفاده از یک روش CF مبتنی بر کاربر برای مدل‌سازی تاریخچه ورود کاربران، شباهت بین دو کاربر بر اساس مکان‌های مشترک آنها محاسبه می‌شود. (2) مدل جغرافیایی ( بخش 3.2.2 ). ما یک مدل KDE دو بعدی را معرفی می‌کنیم که از پهنای باند پیش‌فرض و یک تابع هسته quartic استفاده می‌کند. (3) مدل اجتماعی ( بخش 3.2.3 ). یک مدل اجتماعی با در نظر گرفتن ارتباطات اجتماعی و نزدیکی بین دو کاربر ساخته می شود. (4) چارچوب فیوژن ( بخش 3.2.4). ما یک چارچوب ترکیبی خطی را برای ادغام ترجیحات کاربر و نفوذ جغرافیایی و اجتماعی اتخاذ می کنیم. (5) مکان های رتبه بندی شده با رتبه K بالا . این مدل لیست توصیه های Top-K را ایجاد می کند.

3.2.1. مدل ترجیحی کاربر

همانطور که در کارهای قبلی نشان داده شده است، ترجیح کاربر اطلاعات قابل توجهی در افزایش کیفیت توصیه مکان است [ 15 ، 16 ]. بنابراین، ترجیح کاربر را پیش بینی می کنیم پپ�ه(لمتر|�تو)بر اساس فناوری UCG [ 44 ]، ارائه شده توسط

پپ�ه(لمتر|�تو)=∑تو”∈�سی�ساسمنمتر(تو،تو”)�تو”،لمتر∑تو”∈�سی�ساسمنمتر(تو،تو”)

با هم

سی�ساسمنمتر(تو،تو”)=∑ل∈�(�تو،ل�تو”،ل)∑ل∈�(�تو،ل)2∑ل∈�(�تو”،ل)2

جایی که سی�ساسمنمتر(تو،تو”)شباهت بین کاربر u و u است. در مطالعه ما از شباهت کسینوس برای اندازه گیری شباهت کاربر استفاده می کنیم.

3.2.2. مدل نفوذ جغرافیایی
بر خلاف روش تخمین پارامتریک، تخمین ناپارامتریک هیچ فرضی در مورد فرم توزیع ضمنی نمی‌کند، اما شکل توزیع را از داده‌ها می‌آموزد. از سوی دیگر، در مقایسه با توزیع‌های فاصله‌ای یک‌بعدی، مانند توزیع‌های قانون توان [ 15 ، 24 ] و 1D-KDE [ 16 ، 19 ]، یک توزیع احتمال چک در دو بعدی بصری‌تر و معقول‌تر است. روشهای تخمین چگالی هسته دو بعدی سنتی [ 11 ، 18] نمی تواند به طور موثر از مصرف پهنای باند بیش از حد جلوگیری کند و برای رسیدگی به مشکلات پرت و پراکندگی داده ها مناسب نیستند. برای این منظور، ما یک روش تخمین چگالی هسته دو بعدی (WDQ-KDE) را بر اساس یک روش پهنای باند ثابت معرفی می کنیم که بر اساس دو نوع فاصله وزنی، یعنی فاصله استاندارد و فاصله میانه محاسبه می شود. به طور کلی، روش تخمین هسته شامل دو مرحله است: محاسبه پهنای باند پیش‌فرض و تخمین هسته برای امتیاز ارتباط جغرافیایی.

مرحله 1: محاسبه پهنای باند پیش فرض . یک کاربر داده شده است توو مجموعه ای از مکان های بازدید شده �تو. هر مکان لمن={ایکسمن،�من}از طول جغرافیایی تشکیل شده است ایکسمنو عرض جغرافیایی �من. پهنای باند (یعنی شعاع جستجو) به صورت زیر محاسبه می شود:

ساعت=0.9⋅دقیقه(اس�،1لوگاریتم(2)⋅�م)⋅(∑من=1تی�من)-0.2،

جایی که اس�فاصله استاندارد وزنی است. �مفاصله متوسط ​​وزنی است. �منتعداد دفعات ورود کاربر را نشان می دهد تودر محل لمن. min(⋅) حداقل مقدار در بین لیستی از اعداد است. به طور مشخص، اس�منعکس کننده پراکندگی مکان های دیگر نسبت به مرکز است. محاسبه فاصله استاندارد بر اساس یک سیستم مختصات کروی با یک نقطه مرجع فضایی است، بنابراین، ما فاصله استاندارد نسبی را از انحراف استاندارد محاسبه می‌کنیم. ��=(�ایکس،��)به مبدأ ل�(0،0)، داده شده توسط

اس�=دمنس(��،ل�)

با هم

�ایکس=∑من=1تی�من(ایکسمن-ایکس¯سی)2∑من=1تی�من ��=∑من=1تی�من(�من-�¯سی)2∑من=1تی�من،

جایی که �ایکسو ��به ترتیب انحراف استاندارد وزنی طول و عرض جغرافیایی را نشان می دهد. علاوه بر این، �ممیانگین فاصله بین لمن∈�توو لسی، داده شده توسط

�م=∑من=1تی�مندیس(لمن،لسی)∑من=1تی�من

جایی که دمنس(لمن،،لسی)نشان دهنده فاصله بین لمن∈�توو لسی. لسی=(ایکس¯سی،�¯سی)مرکز میانگین وزنی مکان های مکان در آن است �تو، و ایکس¯سیو �¯سیمیانگین وزنی طول و عرض جغرافیایی را به ترتیب نشان می دهد.

به طور خاص، فراوانی ورود کاربران نشان دهنده ترجیح کاربران برای مکان است. بنابراین، ما فراوانی ورود کاربر را در نظر می گیریم تودر محل لمنوزن مکان باشد، به عنوان مثال، �تو،لمن=�من. هرچه تعداد دفعات ورود بیشتر باشد، وزن مکان بیشتر است.

مرحله 2: تخمین هسته برای امتیاز ارتباط جغرافیایی . با پهنای باند جهانی ساعتدر معادله (3)، احتمال جغرافیایی آن کاربر تواز یک مکان بازدید نشده بازدید می کند لمتر∉�تواز رابطه زیر بدست می آید:

پجیه�(لمتر|�تو)=1نساعت2∑من=1تی�منک(د(لمتر،لمن)ساعت)

با هم

ک(ایکس)={3�(1-ایکستیایکس)2من� ایکستیایکس<10�تیساعته��منسه

و

ن=∑من=1تی�من،

جایی که د(لمتر،لمن)نشان دهنده فاصله بین لمن∈�توو لمتر∉�تو. ک(·)تابع هسته است و نتعداد دفعات ورود کاربر به کل است توکه در �تو. این مقاله تابع هسته quartic [ 45 ] را اعمال می کند که در تخمین هسته دو بعدی مفید است. همانطور که در رابطه (8) نشان داده شده است، زمانی که فاصله بین لمنو لمتربزرگتر از ساعت، محل لمنتاثیری ندارد لمتر.

توجه داشته باشید که ما از فاصله دایره بزرگ به عنوان روش محاسبه برای فاصله استفاده می کنیم دمنس(��،ل�)در معادله (4)، دمنس(لمن،لسی)در معادله (6) و د(لمتر،لمن)در معادله (7). این به این دلیل است که مجموعه داده‌های check-in دارای مقیاس‌های متفاوتی برای اندازه موجودیت‌ها و محدوده جغرافیایی هستند. فاصله اقلیدسی برای سناریوهای مقیاس کوچک قابل استفاده است، اما برای مجموعه داده های سراسری قابل استفاده نیست.
3.2.3. مدل نفوذ اجتماعی
در دنیای واقعی، دوستان تمایل دارند ترجیحات یا رفتارهای مشابهی داشته باشند. برای مثال، دوستان اغلب با هم به سالن‌های سینما یا رستوران می‌روند، یا کاربر ممکن است بازاری را که توسط دوستانش به اشتراک گذاشته شده است، چک کند [ 46 ]. بنابراین، ترجیحات یک کاربر برای مکان ها می تواند تحت تأثیر دوستان او قرار گیرد. ما ترجیحات کاربر را بر اساس ترجیح دوستان وی پیش بینی می کنیم. علاوه بر این، دوستانی که روابط اجتماعی نزدیک تری دارند ممکن است به توصیه های یکدیگر اعتماد بهتری داشته باشند [ 15 ]. نزدیکی روابط اجتماعی را می توان از طریق تعداد دوستان مشترک اندازه گیری کرد.

به طور خلاصه، ما شباهت جامع کاربران را بر اساس اطلاعات اجتماعی محاسبه می‌کنیم که نزدیکی اجتماعی و ارتباطات را برای ارائه توصیه‌ها ترکیب می‌کند. ما شباهت اجتماعی بین را تعریف می کنیم توو تو”به شرح زیر است:

اس�جاسمنمتر(تو،تو”)=�سیل�اسمنمتر(تو،تو”)+(1-�)سی��اسمنمتر(تو،تو”)

جایی که �یک پارامتر تنظیم در محدوده است [0،1]. سیل�اسمنمتر(تو،تو”)و سی��اسمنمتر(تو،تو”)نشان دهنده نزدیکی و ارتباط اجتماعی بین کاربران است توو تو”و توسط

سیل�اسمنمتر(تو،تو”)={|افتو∩افتو”||افتو∪افتو”|،تو∈افتو”∨تو”∈افتو0،�تیساعته��منسه
سی��اسمنمتر(تو،تو”)={1،تو∈افتو”∨تو”∈افتو0،�تیساعته��منسه.

معادله (11) از یک روش ساده و موثر یعنی شباهت جاکارد استفاده می کند. در نهایت، برای استفاده کامل از روابط اجتماعی، یک مدل اجتماعی مصنوعی (SSo) بر اساس فناوری SCF ساخته شده است، رتبه اجتماعی توبرای یک مکان بازدید نشده l m را می توان به صورت زیر تخمین زد:

پاس�ج(لمتر|�تو)=∑تو”∈اف(تو)اس�جاسمنمتر(تو،تو”)�تو”،لمتر∑تو”∈اف(تو)اس�جاسمنمتر(تو،تو”)
3.2.4. Fusion Framework
مرحله تلفیقی برای ترکیب اطلاعات زمینه ای مختلف، موضوع مهمی در حوزه تصمیم گیری و توصیه با آگاهی از زمینه است. در این مقاله، هدف چارچوب تلفیقی ترکیب امتیازهای ترجیحات کاربر است پپ�ه(لمتر|�تو)(معادله (1))، تأثیر جغرافیایی پجیه�(لمتر|�تو)(معادله (7)) و تأثیر اجتماعی پاس�ج(لمتر|�تو)(معادله (13)) برای به دست آوردن کیفیت بهتر توصیه مکان.

قوانین واضح [ 7 ، 16 ، 26 ]، قوانین فازی [ 47 ، 48 ، 49 ]، یادگیری ماشین و رویکردهای یادگیری عمیق [ 22 ، 50 ] و رویکردهای ترکیبی [ 51 ] چهار رویکرد اصلی برای محاسبه امتیاز نهایی بر اساس ویژگی های متنی ورودی مختلف قانون جمع متعلق به قوانین واضح است، این یک روش همجوشی ساده و مرسوم است. بنابراین، ما قانون همجوشی مجموع [ 15 ] را برای ترکیب سه نتیجه ذکر شده در نمره نهایی اعمال می کنیم. اجازه دهید استو،لمترنشان دهنده امتیاز احتمال کاربر است توبرای یک مکان بازدید نشده لمتر. استو،لمترپ�ه، استو،لمترجیه�و استو،لمتراس�جبه ترتیب نمرات احتمال عادی شده ترجیح کاربر، نفوذ جغرافیایی و نفوذ اجتماعی را نشان می دهد. مدل فیوژن به صورت تعریف شده است

استو،لمتر=(1-�-�)استو،لمترپ�ه+�استو،لمترجیه�+�استو،لمتراس�ج

با هم

استو،لمترپ�ه=پپ�ه(لمتر|�تو)حداکثرلمتر∈�-�تو{پپ�ه(لمتر|�تو)} استو،لمترجیه�=پجیه�(لمتر|�تو)حداکثرلمتر∈�-�تو{پجیه�(لمتر|�تو)} استو،لمتراس�ج=پاس�ج(لمتر|�تو)حداکثرلمتر∈�-�تو{پاس�ج(لمتر|�تو)}

جایی که �و �پارامترهای وزنی هستند (0≤�+�≤1). آنها اهمیت نسبی نفوذ جغرافیایی و اجتماعی را در مقایسه با اولویت کاربر نشان می دهند. ما قصد داریم پارامترهای α و β را تغییر دهیم تا تنظیمات بهینه آنها را پیدا کنیم. پارامترها وزن ترجیح کاربر، تأثیر جغرافیایی و اجتماعی را در به دست آوردن توصیه‌های بهینه نشان می‌دهند.

4. ارزیابی آزمایش

4.1. توضیحات مجموعه داده

ما از سه مجموعه داده ثبت نام واقعی در دسترس عموم استفاده کردیم که از سه شبکه اجتماعی مبتنی بر مکان (Gowalla، Foursquare و Yelp) خزیده شدند. مجموعه داده Foursquare در [ 24 ] ارائه شده است. مجموعه داده های Gowalla و Yelp در [ 5 ] ارائه شده است. این مجموعه داده‌ها دارای مقیاس‌های متفاوتی برای اندازه موجودیت‌ها (یعنی کاربران و POI) و محدوده‌های جغرافیایی هستند. آمار مجموعه داده ها پس از پیش پردازش در جدول 2 نشان داده شده است. شکل 2 توزیع مکان ها را در سه مجموعه داده نشان می دهد.

4.2. روشهای پیشنهادی ارزیابی شده

ما از داده‌های جغرافیایی، اجتماعی و اعلام حضور برای توصیه مکان استفاده کردیم. در این بخش، کارایی توصیه‌ها را با سه معیار عملکرد کلی، تأثیر جغرافیایی و تأثیر اجتماعی ارزیابی می‌کنیم. ما روش پیشنهادی را با خطوط پایه زیر مقایسه کردیم.
  • USG. USG یک چارچوب توصیه مکان یکپارچه است که ترجیحات کاربر و تأثیرات جغرافیایی و اجتماعی را برای توصیه مکان بررسی می کند. از یک قانون جمع برای ادغام ترجیحات کاربر و تأثیرات جغرافیایی و اجتماعی استفاده می کند [ 15 ].
  • لور. این روش تأثیرات متوالی، جغرافیایی و اجتماعی را برای توصیه مکان مدل می‌کند. از یک مدل KDE دو بعدی بدون وزن برای مدل‌سازی جغرافیایی استفاده می‌کند [ 11 ]. شباهت بین دوستان بر اساس فاصله بین محل سکونت محاسبه می شود. از آنجایی که مکان‌های اقامت در دسترس نیستند، مکان‌های پربازدید کاربران را به‌عنوان محل اقامت آنها تعریف می‌کنیم. از یک قانون ترکیب محصول برای ادغام عوامل مختلف استفاده می کند.
  • GeoSoCa. این روش سه نوع اطلاعات زمینه ای یعنی اطلاعات جغرافیایی، اجتماعی و طبقه بندی را مدل می کند. از یک مدل وزنی دو بعدی KDE تطبیقی ​​برای مدل‌سازی جغرافیایی استفاده می‌کند [ 18 ].
  • SCF. SCF یک روش فیلتر مشارکتی مبتنی بر اجتماعی است که توصیه های مکان را بر اساس شباهت جاکارد بین دوستان ارائه می دهد. شباهت بین دوستان بر اساس دوستان مشترک محاسبه می شود. [ 37 ]

4.3. معیارهای عملکرد

دو معیار استاندارد پرکاربرد، یعنی دقت ( Pre@K ) و فراخوان ( Rec@K )، برای ارزیابی کیفیت مدل‌های پیشنهاد مکان استفاده می‌شوند. برای هر کاربر، دقت، نسبت مکان‌های بازیابی شده را به K مکان‌های توصیه‌شده منعکس می‌کند، و فراخوانی نسبت مکان‌های بازیابی شده را به مکان‌هایی که واقعاً در مجموعه داده‌های آزمایشی بازدید شده‌اند، منعکس می‌کند. میانگین دقت و فراخوانی همه کاربران به ترتیب در معادلات (17) و (19) گزارش شده است که توسط

پ�هتو@ک=|�ک∩�توتیهستی||�ک|=|�ک∩�توتیهستی|ک
پ�ه@ک=∑تو∈�پ�هتو@ک|�|
آرهجتو@ک=|�ک∩�توتیهستی||�توتیهستی|
آرهج@ک=∑تو∈�آرهجتو@ک|�|

جایی که، پ�هتو@کو آرهجتو@کنشان دهنده دقت و فراخوانی کاربر است تو، به ترتیب. �کمجموعه ای از مکان های توصیه شده است. �توتیهستیمجموعه مکان هایی است که توسط آنها بازدید شده است تودر مجموعه داده آزمایشی در آزمایش ما، عملکرد را زمانی آزمایش می‌کنیم که K = 5، 10، 20، 50 باشد. میانگین دقت و مقادیر یادآوری همه کاربران گزارش شده است.

4.4. تنظیمات آزمایش

مجموعه داده ها به سه بخش تقسیم شدند، مجموعه آموزشی، مجموعه تنظیم و مجموعه تست [ 5 ، 24 ]. توجه داشته باشید که ما فقط از مجموعه داده های آموزشی و آزمایشی در آزمایش ها استفاده می کنیم. برای مجموعه داده Foursquare، 62.5٪ از POI های بازدید شده توسط هر کاربر به طور تصادفی به عنوان داده های آموزشی و 25٪ از POI ها به عنوان داده های آزمایشی انتخاب می شوند. برای مجموعه داده های Gowalla و Yelp، 70٪ از اعلام حضورهای هر کاربر با مهرهای زمانی قبلی به عنوان داده های آموزشی و آخرین 20٪ از بررسی ها به عنوان داده های آزمایشی برچسب گذاری می شوند.
همه الگوریتم‌ها در پایتون پیاده‌سازی شدند و روی دستگاهی با پردازنده 3.4 گیگاهرتزی Intel Xeon E5-1620 و 16 گیگابایت رم اجرا شدند. توجه داشته باشید که �، �و �پارامترهای رایگان نیستند و به ترتیب بر اساس معادلات (10) و (14) از داده های ورود به سیستم یاد می شوند.

5. نتایج و بحث

در این بخش، آزمایش‌های گسترده‌ای را برای ارزیابی عملکرد روش پیشنهادی برای توصیه مکان انجام می‌دهیم. ابتدا، ما دقت توصیه همه روش‌ها را در بخش 5.1 تجزیه و تحلیل می‌کنیم . ما روشهای توصیه جغرافیایی را در بخش 5.2 مقایسه کردیم . روشهای توصیه اجتماعی در بخش 5.3 توضیح داده شده است. در نهایت، تأثیر تعداد مکان‌های ورود و مدل‌های تخمین چگالی هسته به ترتیب در بخش 5.4 و بخش 5.5 مورد بحث قرار گرفته‌اند.

5.1. نتایج کلی عملکرد

در این بخش، کارایی کلی توصیه ها را با هم مقایسه می کنیم. شکل 3 و شکل 4 عملکرد را نشان می دهند @ک( K = 5، 10، 20، 50) قانون جمع برای ادغام ترجیحات کاربر و تأثیرات جغرافیایی و اجتماعی. همه رویکردها از نظر بهترین عملکردشان (یعنی عملکرد تحت تنظیمات پارامتر بهینه) نشان داده شده است.
در ادامه دو پارامتر را توضیح می دهیم، به عنوان مثال، �(برای نفوذ جغرافیایی) و �(برای نفوذ اجتماعی)، که می تواند برای تنظیم عملکرد GeSSo کنترل شود. مشابه [ 15 ]، ما آن‌ها را تنظیم می‌کنیم تا نقش‌هایی را که ترجیحات کاربر، تأثیرات اجتماعی و جغرافیایی در دستیابی به عملکرد مطلوب بازی می‌کنند، بررسی کنیم. در آزمایشات ما، پارامترهای بهینه هستند �=0.2،�=0.2برای گووالا، و �=0.2،�=0.2برای Yelp. نتایج نشان می‌دهد که عامل ترجیحات کاربر بیش از عامل اجتماعی و جغرافیایی وزن دارد.
در هر دو مجموعه داده Gowalla و Yelp، GeSSo همیشه از نظر دقت در دقت و یادآوری بهترین عملکرد را دارد. شایان ذکر است که GeSSo از WDQ-KDE و SSo تقریباً 50٪ از دقت و یادآوری در هر دو مجموعه داده بهتر است. GeSSo عملکرد کمی بهتر از روش UCF از خود نشان می دهد. نتیجه نشان می‌دهد که تنظیمات برگزیده کاربر منعکس‌کننده رفتار ثبت‌نام تاریخی کاربر است و نقش مهمی در توصیه بازی می‌کند. همانطور که در بالا بحث شد، متوجه شدیم که هر چه تأثیرات بیشتری در نظر گرفته شود، عملکرد بهتری خواهد داشت.

5.2. نتایج روش‌های نفوذ جغرافیایی

شکل 5 ، شکل 6 و شکل 7 دقت توصیه WDQ-KDE، DQ-KDE، Lore [ 11 ]، و GeoSoca [ 18 ] را در سه مجموعه داده واقعی در مقیاس بزرگ، یعنی Foursquare، Gowalla و Yelp نشان می دهد. از آنجایی که Lore از یک مدل KDE دو بعدی بدون وزن با یک تابع هسته گاوسی استفاده می کند، پیاده سازی مدل G-KDE نشان داده می شود. GeoSoCa از یک مدل KDE دو بعدی با وزن تطبیقی ​​با تابع هسته گاوسی استفاده می کند و AWG-KDE نشان داده می شود. برای بررسی تأثیر فرکانس ورود، یک مدل KDE دو بعدی بدون وزن، یعنی DQ-KDE را نیز مدل‌سازی می‌کنیم. برخلاف WDQ-KDE، همه مکان‌های بازدید شده توسط هر کاربر وزن یکسانی دارند.
همانطور که می بینیم، با افزایش K، دقت کاهش می یابد و فراخوان افزایش می یابد. این به این دلیل است که مکان‌های توصیه‌شده بیشتر برای کاربران می‌توانند مکان‌های بیشتری را شامل شوند که کاربران می‌خواهند در آن‌ها حضور پیدا کنند و همچنین مکان‌های بیشتری که احتمال کمتری برای بازدید کاربران وجود دارد. در بین چهار مدل جغرافیایی، WDQ-KDE بهترین عملکرد را دارد و AWG-KDE و WDQ-KDE در مجموعه داده های Foursquare و Gowalla بسیار بهتر از G-KDE و DQ-KDE عمل می کنند. با این حال، WDQ-KDE و DQ-KDE عملکرد بهتری نسبت به AWG-KDE و G-KDE در مجموعه داده Yelp دارند. این به این دلیل است که مکان‌های مجموعه داده Yelp به طور گسترده در چندین شهر در سراسر جهان توزیع شده‌اند و عملکرد معمولاً به دلیل نقاط پرت موجود آسیب می‌بیند.
WDQ-KDE در مقابل DQ-KDE . WDQ-KDE نسبت به DQ-KDE در مجموعه داده های Foursquare و Gowalla بسیار برتر است. این دو مدل هر دو پهنای باند را بر اساس دو نوع فاصله، یعنی فاصله استاندارد و فاصله میانه محاسبه می کنند. به طور خاص، DQ-KDE فرکانس بازدید را در نظر نمی گیرد، که نشان دهنده ترجیحات بالقوه کاربران است. WDQ-KDE یک نسخه پیشرفته از DQ-KDE است که از فرکانس بازدید به عنوان وزن مکان استفاده می کند. در مجموعه داده Yelp، WDQ-KDE و DQ-KDE عملکرد یکسانی دارند و می توانند به طور موثر پدیده پرت را برطرف کنند.
WDQ-KDE در مقابل AWG-KDE و G-KDE . AWG-KDE دقت کمی کمتر از WD-KDE برای هر سه مجموعه داده دارد. AWG-KDE از پهنای باند تطبیقی ​​برای هر نقطه داده ورود استفاده می کند و از فرکانس ورود به عنوان وزن مکان استفاده می کند. عملکرد آن بسیار بهتر از G-KDE است که از پهنای باند ثابتی در مجموعه داده های Foursquare و Gowalla استفاده می کند. WDQ-KDE بهتر از دو روش دیگر عمل می کند. دلیل آن این است که G-KDE نمی تواند به طور موثر از پهنای باند بیش از حد جلوگیری کند، و AWG -KDE برای پرت و پراکندگی داده ها مناسب نیست. ما در بخش 5.5 تجزیه و تحلیل بیشتری را انجام خواهیم داد .

5.3. نتایج برای روش‌های تأثیر اجتماعی

مدل شرح داده شده در معادله (13) SSo نشان داده شده است. شکل 8 و شکل 9 دقت توصیه SCF، Con، و SSo را در دو مجموعه داده واقعی در مقیاس بزرگ، یعنی Gowalla و Yelp نشان می دهد. SS نزدیکی و ارتباط اجتماعی را در هم می آمیزد. ما عامل نزدیکی اجتماعی را در معادله (11)، یعنی SCF، و تأثیر اتصال را در معادله (12)، یعنی Con. مدل می کنیم. توجه داشته باشید که مجموعه داده Foursquare اطلاعات اجتماعی ندارد و بنابراین، ما نتایج را فقط در Gowalla و Yelp گزارش می کنیم.
با افزایش K، دقت کاهش می یابد و فراخوانی افزایش می یابد. در آزمایش‌های ما، تأثیر اجتماعی بر اساس دو عامل تعریف می‌شود: (1) نسبت تعداد دوستان مشترک. (2) آیا دو کاربر دوست هستند یا خیر. در بین سه مدل اجتماعی، SSo بهترین عملکرد را در هر دو مجموعه داده Gowalla و Yelp دارد. Con در هر دو مجموعه داده بسیار بهتر از SCF عمل می کند.
از طریق آزمایشات روی روش SSo، تنظیم بهینه برای معادله (10) کوچکتر از 0.05 در هر دو مجموعه داده Gowalla و Yelp است. اما نتیجه نمی شود که عامل نزدیکی اجتماعی بیشتر از عامل پیوند وزن شود. زیرا روش های محاسبه این دو عامل متفاوت است و مقادیر Con در رابطه (12) نسبی هستند. برای ترکیب نتایج SCF و Con، باید پارامتر بهینه را برای تنظیم مقدار Con پیدا کنیم. پارامتر �SSo در Gowalla و Yelp به ترتیب 0.01 و 0.05 است.
از شکل 8 و شکل 9 نتیجه می گیریم که عامل ارتباط بهتر از عامل نزدیکی اجتماعی عمل می کند. دوستان متقابل بیشتر بین کاربر و دوستانش به این معنی است که رابطه نزدیک تری بین آنها وجود دارد. با این حال، شباهت در رفتارهای ورود دوستان ممکن است در قدرت نزدیکی اجتماعی آنها منعکس نشود. تحقیقات قبلی نشان داد که ترجیحات دوستان کاربر ممکن است متفاوت باشد [ 15 ، 52 ]. در این تحقیق متوجه می‌شویم که عوامل نزدیکی و ارتباط اجتماعی می‌تواند صحت توصیه‌ها را تا حدودی افزایش دهد.

5.4. تأثیر تعداد مکان های ورود

شکل 10 ، شکل 11 و شکل 12دقت توصیه روش های توصیه جغرافیایی را در مورد تعداد مختلف مکان های ورود کاربران نشان می دهد. تعداد مکان های ورود به پنج گروه تقسیم می شود. با افزایش تعداد، کاربران از مکان های بیشتری بازدید می کنند. کاربرانی که مکان های بیشتری را بازدید می کنند، «کاربران فعال» نامیده می شوند. با بازدید کاربران از مکان های بیشتر، دقت افزایش می یابد. این به این دلیل است که داده‌های ورود بیشتر برای این روش‌های توصیه در دسترس است. این روش ها امتیازات این کاربران فعال را برای مکان های جدید با دقت بیشتری تخمین می زنند. با این حال، با افزایش تعداد بازدید، فراخوان در نوسان است. دلیل آن این است که کاربرانی که مکان‌های زیادی را بازدید کرده‌اند، معمولاً از مکان‌های زیادی در مجموعه داده آزمایشی بازدید کرده‌اند. به طور کلی، WDQ-KDE بهتر از روش های دیگر در سه مجموعه داده عمل می کند.

5.5. اثر مدل تخمین چگالی هسته

برای تشخیص اثرات پهنای باند و عملکرد هسته بر روی توصیه مکان، به ترتیب یک کاربر را در مجموعه داده های Foursquare و Gowalla به طور تصادفی انتخاب می کنیم. شکل 13 و شکل 14 توزیع چگالی مدل های مختلف تخمین چگالی هسته را نشان می دهد. محور افقی نشان دهنده طول جغرافیایی و محور عمودی نشان دهنده عرض جغرافیایی است. نقاط نارنجی در شکل 13 و شکل 14 مکان هایی را که کاربران بازدید کرده اند را نشان می دهد. با توجه به معادله (7)، مقدار چگالی هسته در یک مکان معین نشان دهنده امتیاز مکان است. ما از سایه های مختلف آبی برای نشان دادن مقدار چگالی هسته، یعنی امتیاز مکان استفاده می کنیم. هر چه رنگ تیره تر باشد، تراکم آن بیشتر است.
همانطور که در شکل 13 نشان داده شده است ، این مکان ها در مقیاس کوچک توزیع شده اند و مقادیر چگالی و گرادیان های تخمینی از (a) به (d) افزایش می یابد. با این حال، منطقه پوشش حداقل خط کانتور کاهش می یابد. مکان های شکل 14 در یک منطقه بزرگتر توزیع شده و در سه خوشه جمع می شوند. این نشان می دهد که شکل 14d بزرگترین مقادیر چگالی تخمینی را دارد. نتایج نشان می دهد که 1) روش محاسبه پهنای باند بر اساس رابطه (3) دامنه امتیازات را بزرگ می کند و به طور قابل توجهی مقادیر چگالی را از مرکزی ترین به حاشیه کاهش می دهد. یعنی تغییر گرادیان چگالی آشکار است. 2) روش ما محدوده تشعشع را برای این مکان‌های پربازدید کاهش می‌دهد، و همچنین مقادیر اطراف این «نقاط فعال» را بزرگ‌تر می‌کند. این برای مواردی مناسب است که کاربر اغلب در شهرها یا کشورهای مختلف چک می کند. بنابراین، WDQ-KDE می تواند به طور موثر منطقه مورد علاقه کاربران را انتخاب کند.

6. نتیجه گیری و کار آینده

در این مقاله، ما یک روش توصیه مکان موثر به نام GeSSo را پیشنهاد کردیم. با GeSSo، ما عمدتاً تأثیرات جغرافیایی بر رفتارهای ورود کاربران در LBSN ها را بررسی کردیم و یک روش تخمین تراکم هسته دو بعدی شخصی سازی شده را مدل کردیم که به پراکندگی داده ها و مشکلات پرت می پردازد. علاوه بر این، ما یک روش مبتنی بر دوست برای سنجش شباهت بین کاربران بر اساس نزدیکی اجتماعی و ارتباط اجتماعی آنها طراحی کردیم. علاوه بر این، ترجیحات کاربر و تأثیرات جغرافیایی و اجتماعی با استفاده از قانون جمع در یک امتیاز یکپارچه ادغام می شوند. آزمایش‌ها روی مجموعه داده‌های واقعی نشان داد که GeSSo توصیه‌های مکان بهتری را نسبت به سایر تکنیک‌های توصیه‌ای که در آزمایش‌های ما ارزیابی شده‌اند ارائه می‌کند.
سه جهت برای مطالعه آینده وجود دارد: (1) با روش‌های مناسب، زمینه‌های بیشتری می‌توان در این روش ایجاد کرد، مانند زمینه‌های زمانی و مقوله‌ای [ 53 ]. (2) ما همچنین علاقه مند به کاوش ویژگی های جغرافیایی با استفاده از روش های تحلیل فضایی برای توصیه مکان هستیم. (3) رویکردهای همجوشی مبتنی بر یادگیری ماشین یا مبتنی بر فازی نرو، جهت گیری های مهم آینده برای کاوش هستند.

منابع

  1. کای، ال. خو، جی. لیو، جی. Pei, T. ادغام زمینه های مکانی و زمانی در یک مدل فاکتورسازی برای توصیه POI. بین المللی جی. جئوگر. Inf. علمی 2018 ، 32 ، 524-546. [ Google Scholar ] [ CrossRef ]
  2. بائو، جی. ژنگ، ی. ویلکی، دی. موکبل، ام. توصیه‌هایی در شبکه‌های اجتماعی مبتنی بر مکان: یک نظرسنجی. Geoinformatica 2015 ، 19 ، 525-565. [ Google Scholar ] [ CrossRef ]
  3. لو، ز. وانگ، اچ. مامولیس، ن. تو، دبلیو. Cheung, D. توصیه مکان شخصی شده با جمع آوری چندین توصیه کننده در تنوع. GeoInformatica 2017 ، 21 ، 1-26. [ Google Scholar ] [ CrossRef ]
  4. علیان نژادی، م. Crestani, F. شخصی سازی شده زمینه آگاه از نقطه مورد علاقه توصیه. ACM Trans. Inf. سیستم (TOIS) 2018 ، 36 ، 1-28. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. لیو، ی. فام، T.-AN; کنگ، جی. یوان، س. ارزیابی تجربی توصیه‌های نقطه‌نظر در شبکه‌های اجتماعی مبتنی بر مکان. Proc. VLDB Enddow. 2017 ، 10 ، 1010-1021. [ Google Scholar ] [ CrossRef ]
  6. وانگ، اف. منگ، ایکس. ژانگ، ی. ژانگ، سی. اولویت‌های کاربر استخراج مکان‌های جدید در شبکه‌های اجتماعی مبتنی بر مکان: رویکرد مدل ابری چند بعدی. سیم. شبکه 2018 ، 24 ، 113-125. [ Google Scholar ] [ CrossRef ]
  7. اوگاندل، تی جی؛ Chow, C.-Y.; ژانگ، J.-D. SoCaST: بهره برداری از اولویت های اجتماعی، طبقه ای و مکانی-زمانی برای توصیه های رویداد شخصی. در مجموعه مقالات چهاردهمین سمپوزیوم بین المللی سیستم های فراگیر، الگوریتم ها و شبکه ها در سال 2017 و یازدهمین کنفرانس بین المللی مرزهای علوم و فناوری رایانه و 2017 سومین سمپوزیوم بین المللی محاسبات خلاق (ISAN-FCST-ISCC)، اکستر، انگلستان، 2232 ژوئن 2017; صص 38-45. [ Google Scholar ]
  8. یو، ایکس. پان، ا. تانگ، L.-A. لی، ز. Han, J. Geo-Friends Recommendation در شبکه اجتماعی سایبری فیزیکی مبتنی بر GPS. در مجموعه مقالات کنفرانس بین المللی 2011 در مورد پیشرفت در تجزیه و تحلیل شبکه های اجتماعی و استخراج، Kaohsiung، تایوان، 25-27 ژوئیه 2011; صص 361-368. [ Google Scholar ]
  9. شوکین، جی. رعنا، سی. بررسی ویژگی‌های سیستم‌های توصیه‌گر اجتماعی. آرتیف. هوشمند Rev. 2020 , 53 , 965–988. [ Google Scholar ] [ CrossRef ]
  10. لیو، بی. فو، ی. یائو، ز. Xiong, H. یادگیری ترجیحات جغرافیایی برای توصیه نقطه مورد علاقه. در مجموعه مقالات نوزدهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، شیکاگو، IL، ایالات متحده، 11-14 اوت 2013. ص 1043-1051. [ Google Scholar ]
  11. ژانگ، J.-D. Chow, C.-Y.; Li, Y. LORE: بهره‌برداری از تأثیر متوالی برای توصیه‌های مکان. در مجموعه مقالات بیست و دومین کنفرانس بین المللی ACM SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، دالاس، تگزاس، ایالات متحده آمریکا، 4-7 نوامبر 2014. صص 103-112. [ Google Scholar ]
  12. سان، ی. یین، اچ. Ren, X. توصیه در محیط غنی از زمینه: رویکرد تحلیل شبکه اطلاعات. در مجموعه مقالات بیست و ششمین کنفرانس بین المللی در مورد همنشین وب جهانی، پرت، استرالیا، 3 تا 7 آوریل 2017؛ ص 941-945. [ Google Scholar ]
  13. رن، ایکس. آهنگ، م. Song, J. Context-Aware Point-of-Interest Recommendation در شبکه های اجتماعی مبتنی بر مکان. جیسوانجی خوئبائو چین. جی. کامپیوتر. 2017 ، 40 ، 824-841. [ Google Scholar ]
  14. کوی، کیو. تانگ، ی. وو، اس. وانگ، L. Distance2Pre: ترجیح فضایی شخصی برای پیش‌بینی نقطه‌ی علاقه بعدی. در کنفرانس اقیانوس آرام-آسیا در مورد کشف دانش و داده کاوی ؛ Springer: Cham، سوئیس، 2019; صص 289-301. [ Google Scholar ]
  15. بله، م. یین، پی. لی، دبلیو.-سی. لی، دی.-ال. بهره‌برداری از نفوذ جغرافیایی برای توصیه مشترک نقطه‌ای از علاقه. در مجموعه مقالات سی و چهارمین کنفرانس بین المللی ACM SIGIR در مورد تحقیق و توسعه در بازیابی اطلاعات، پکن، چین، 25-29 ژوئیه 2011. صص 325-334. [ Google Scholar ]
  16. ژانگ، J.-D. چاو، سی.-ای. iGSLR: توصیه موقعیت جغرافیایی اجتماعی شخصی شده: یک رویکرد تخمین چگالی هسته. در مجموعه مقالات بیست و یکمین کنفرانس بین المللی ACM SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، اورلاندو، فلوریدا، ایالات متحده آمریکا، 5 تا 8 نوامبر 2013. صص 334-343. [ Google Scholar ]
  17. لیان، دی. ژائو، سی. Xie، X. سان، جی. چن، ای. Rui, Y. GeoMF: مدل‌سازی جغرافیایی مشترک و فاکتورسازی ماتریسی برای توصیه نقطه‌نظر. در مجموعه مقالات بیستمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، نیویورک، نیویورک، ایالات متحده آمریکا، 24 تا 27 اوت 2014. صص 831-840. [ Google Scholar ]
  18. ژانگ، J.-D. چاو، سی.-ای. GeoSoCa: بهره‌برداری از همبستگی‌های جغرافیایی، اجتماعی و طبقه‌بندی برای توصیه‌های نقطه‌نظر. در مجموعه مقالات سی و هشتمین کنفرانس بین المللی ACM SIGIR در مورد تحقیق و توسعه در بازیابی اطلاعات، سانتیاگو، شیلی، 9 تا 13 اوت 2015. صص 443-452. [ Google Scholar ]
  19. ژانگ، J.-D. Chow, C.-Y.; Li, Y. iGeoRec: یک چارچوب توصیه موقعیت جغرافیایی شخصی و کارآمد. IEEE Trans. خدمت محاسبه کنید. 2015 ، 8 ، 701-714. [ Google Scholar ] [ CrossRef ]
  20. گوا، اچ. لی، ایکس. او، م. ژائو، ایکس. لیو، جی. Xu، G. CoSoLoRec: مدل عامل مشترک با محتوا، اجتماعی، مکان برای توصیه نقطه‌ای ناهمگن. در کنفرانس بین المللی دانش، مهندسی و مدیریت ؛ Springer: Cham, Switzerland, 2016; صص 613-627. [ Google Scholar ]
  21. ژانگ، J.-D. چاو، سی.-ای. TICRec: یک چارچوب احتمالی برای استفاده از همبستگی‌های تأثیر زمانی برای توصیه‌های مکان آگاه به زمان. IEEE Trans. خدمت محاسبه کنید. 2016 ، 9 ، 633-646. [ Google Scholar ] [ CrossRef ]
  22. گائو، آر. لی، جی. لی، ایکس. آهنگ، سی. ژو، ی. یک مدل توصیه‌ای شخصی‌شده نقطه‌ای از علاقه از طریق ادغام اطلاعات جغرافیایی-اجتماعی. کامپیوترهای عصبی 2018 ، 273 ، 159-170. [ Google Scholar ] [ CrossRef ]
  23. چنگ، سی. یانگ، اچ. کینگ، آی. لیو، MR فاکتورسازی ماتریس ذوب شده با نفوذ جغرافیایی و اجتماعی در شبکه های اجتماعی مبتنی بر مکان. Proc. Natl. Conf. آرتیف. هوشمند 2012 ، 1 ، 17-23. [ Google Scholar ]
  24. یوان، Q. کنگ، جی. ما، ز. سان، ا. Thalmann، NM توصیه نقطه مورد علاقه آگاه از زمان. در مجموعه مقالات سی و ششمین کنفرانس بین المللی ACM SIGIR در مورد تحقیق و توسعه در بازیابی اطلاعات، دوبلین، ایرلند، 28 ژوئیه تا 1 اوت 2013. صص 363-372. [ Google Scholar ]
  25. یین، اچ. سان، ی. کوی، بی. هو، ز. Chen, L. LCARS: یک سیستم توصیه‌کننده آگاه از محتوا. در مجموعه مقالات نوزدهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، شیکاگو، IL، ایالات متحده آمریکا، 11 تا 14 اوت 2013. [ Google Scholar ]
  26. ژانگ، J.-D. چاو، سی.-ای. CoRe: بهره‌برداری از تأثیر شخصی مختصات جغرافیایی دو بعدی برای توصیه‌های مکان. Inf. علمی 2015 ، 293 ، 163-181. [ Google Scholar ] [ CrossRef ]
  27. لیو، ی. وی، دبلیو. سان، ا. میائو، سی. بهره‌برداری از ویژگی‌های همسایگی جغرافیایی برای توصیه مکان. در مجموعه مقالات بیست و سومین کنفرانس بین المللی ACM در کنفرانس مدیریت اطلاعات و دانش، شانگهای، چین، 13 تا 14 ژوئیه 2017؛ صص 739-748. [ Google Scholar ]
  28. لی، ایکس. کنگ، جی. لی، X.-L. فام، T.-AN; کریشناسوامی، S. Rank-GeoFM: یک روش فاکتورسازی جغرافیایی مبتنی بر رتبه بندی برای توصیه نقطه مورد علاقه. در مجموعه مقالات سی و هشتمین کنفرانس بین المللی ACM SIGIR در مورد تحقیق و توسعه در بازیابی اطلاعات، سانتیاگو، شیلی، 9 تا 13 اوت 2015. صص 433-442. [ Google Scholar ]
  29. دینگ، آر. Chen, Z. RecNet: یک شبکه عصبی عمیق برای توصیه های شخصی شده POI در شبکه های اجتماعی مبتنی بر مکان. بین المللی جی. جئوگر. Inf. علمی 2018 ، 32 ، 1631-1648. [ Google Scholar ] [ CrossRef ]
  30. ژائو، پی. زو، اچ. لیو، ی. خو، جی. لی، ز. ژوانگ، اف. شنگ، وی. ژو، ایکس. بعد کجا برویم: یک شبکه فضایی-زمانی برای توصیه POI بعدی. Proc. AAAI Conf. آرتیف. هوشمند 2019 ، 33 ، 5877-5884. [ Google Scholar ] [ CrossRef ]
  31. لیو، کیو. وو، اس. وانگ، ال. Tan, T. پیش‌بینی مکان بعدی: یک مدل تکرارشونده با زمینه‌های مکانی و زمانی. در مجموعه مقالات سیامین کنفرانس AAAI در مورد هوش مصنوعی، فینیکس، AZ، ​​ایالات متحده آمریکا، 12 تا 17 فوریه 2016. [ Google Scholar ]
  32. کنگ، دی. Wu, F. HST-LSTM: یک شبکه حافظه بلند مدت کوتاه مدت مکانی-زمانی سلسله مراتبی برای پیش بینی مکان. در مجموعه مقالات بیست و هفتمین کنفرانس مشترک بین المللی هوش مصنوعی و بیست و سومین کنفرانس اروپایی هوش مصنوعی، استکهلم، سوئد، 13 تا 19 ژوئیه 2018؛ صص 2341–2347. [ Google Scholar ]
  33. لیان، دی. ژنگ، ک. Ge، Y. کائو، ال. چن، ای. Xie, X. GeoMF++: توصیه مکان مقیاس پذیر از طریق مدل سازی مشترک جغرافیایی و فاکتورسازی ماتریس. ACM Trans. Inf. سیستم 2018 ، 36 ، 1-29. [ Google Scholar ] [ CrossRef ]
  34. Guo, Q. توصیه نقطه مورد علاقه مبتنی بر نمودار در شبکه های اجتماعی مبتنی بر مکان. دکتری پایان نامه، دانشگاه فنی نانیانگ، سنگاپور، 2019. [ Google Scholar ]
  35. آناگنوستوپولوس، آ. کومار، آر. مهدیان، م. تأثیر و همبستگی در شبکه های اجتماعی. در مجموعه مقالات چهاردهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، لاس وگاس، NV، ایالات متحده، 24-27 اوت 2008. صص 7-15. [ Google Scholar ]
  36. کیو، جی. تانگ، جی. ما، اچ. دونگ، ی. وانگ، ک. Tang, J. DeepInf: مدل‌سازی مکان تأثیرگذاری در شبکه‌های اجتماعی بزرگ. در مجموعه مقالات بیست و چهارمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، لندن، بریتانیا، 19 تا 23 اوت 2018. [ Google Scholar ]
  37. ما، اچ. کینگ، آی. لیو، ام آر آموزش توصیه با گروه اعتماد اجتماعی. در مجموعه مقالات سی و دومین کنفرانس بین المللی ACM SIGIR در مورد تحقیق و توسعه در بازیابی اطلاعات، بوستون، MA، ایالات متحده، 19-23 ژوئیه 2009. ص 203-210. [ Google Scholar ]
  38. ما، اچ. ژو، TC; لیو، ام آر؛ King, I. بهبود سیستم‌های توصیه‌کننده با ترکیب اطلاعات زمینه‌ای اجتماعی. ACM Trans. Inf. سیستم 2011 ، 29 ، 1-23. [ Google Scholar ] [ CrossRef ]
  39. Lak, P. یک رویکرد جدید برای تعریف و مدل‌سازی ویژگی‌های متنی در سیستم‌های توصیه‌کننده. در مجموعه مقالات سی و نهمین کنفرانس بین المللی ACM SIGIR در مورد تحقیق و توسعه در بازیابی اطلاعات، پیزا، ایتالیا، 17 تا 21 ژوئیه 2016. پ. 1161. [ Google Scholar ]
  40. کنستاس، آی. استاتوپولوس، وی. Jose, JM در شبکه های اجتماعی و توصیه مشترک. در مجموعه مقالات سی و دومین کنفرانس بین المللی ACM SIGIR در مورد تحقیق و توسعه در بازیابی اطلاعات، بوستون، MA، ایالات متحده، 19-23 ژوئیه 2009. صص 195-202. [ Google Scholar ]
  41. چانی، ای جی؛ Blei، DM; الیاسی راد، تی. یک مدل احتمالی برای استفاده از شبکه های اجتماعی در توصیه آیتم های شخصی. در مجموعه مقالات نهمین کنفرانس ACM در سیستم های توصیه کننده، وین، اتریش، 16-20 سپتامبر 2015. صص 43-50. [ Google Scholar ]
  42. وانگ، ام. ژنگ، ایکس. یانگ، ی. ژانگ، ک. فیلتر کردن مشارکتی با قرار گرفتن در معرض اجتماعی: یک رویکرد مدولار به توصیه اجتماعی. در مجموعه مقالات سی و دومین کنفرانس AAAI در مورد هوش مصنوعی، نیواورلئان، لس آنجلس، ایالات متحده آمریکا، 2 تا 7 فوریه 2018. [ Google Scholar ]
  43. یانگ، بی. لی، ی. لیو، جی. لی، دبلیو. فیلتر مشارکتی اجتماعی توسط اعتماد. IEEE Trans. الگوی مقعدی ماخ هوشمند 2016 ، 39 ، 1633-1647. [ Google Scholar ] [ CrossRef ]
  44. هرلوکر، جی ال. کنستان، ج.ا. بورچرز، ا. Riedl, J. چارچوب الگوریتمی برای انجام فیلتر مشترک. در مجموعه مقالات بیست و دومین کنفرانس بین المللی سالانه ACM SIGIR در مورد تحقیق و توسعه در بازیابی اطلاعات، برکلی، کالیفرنیا، ایالات متحده آمریکا، 15-19 اوت 1999. ص 230-237. [ Google Scholar ]
  45. سیلورمن، تخمین چگالی BW برای آمار و تجزیه و تحلیل داده ها . CRC Press: Boca Raton، FL، USA، 1986. [ Google Scholar ]
  46. ما، اچ. یانگ، اچ. لیو، ام آر؛ King, I. SoRec: توصیه اجتماعی با استفاده از فاکتورسازی ماتریس احتمالی. در مجموعه مقالات هفدهمین کنفرانس ACM در مدیریت اطلاعات و دانش، دره ناپا، کالیفرنیا، ایالات متحده آمریکا، 26 تا 30 اکتبر 2008. ص 931-940. [ Google Scholar ]
  47. کائو، ی. Li, Y. یک سیستم توصیه مبتنی بر فازی هوشمند برای محصولات الکترونیکی مصرفی. سیستم خبره Appl. 2007 ، 33 ، 230-240. [ Google Scholar ] [ CrossRef ]
  48. یان، ی. فنگ، سی.-سی. وانگ، Y.-C. استفاده از نظریه مجموعه های فازی برای اطمینان از کیفیت اطلاعات جغرافیایی داوطلبانه جئوژورنال 2017 ، 82 ، 517–532. [ Google Scholar ] [ CrossRef ]
  49. وحیدی، ح. کلینکنبرگ، بی. Yan, W. Trust به عنوان شاخصی برای کیفیت ذاتی اطلاعات جغرافیایی داوطلبانه در برنامه های نظارت بر تنوع زیستی. GISci. Remote Sens. 2018 , 55 , 502–538. [ Google Scholar ] [ CrossRef ]
  50. یین، اچ. وانگ، دبلیو. وانگ، اچ. چن، ال. ژو، X. یادگیری عمیق مشارکتی سلسله مراتبی آگاه به فضایی برای توصیه POI. IEEE Trans. بدانید. مهندسی داده 2017 ، 29 ، 2537–2551. [ Google Scholar ] [ CrossRef ]
  51. ژانگ، اف. یوان، نیوجرسی؛ لیان، دی. Xie، X. ما، W.-Y. جاسازی پایگاه دانش مشترک برای سیستم های توصیه گر در مجموعه مقالات بیست و دومین کنفرانس بین المللی ACM SIGKDD در زمینه کشف دانش و داده کاوی، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 13 تا 17 اوت 2016؛ صص 353-362. [ Google Scholar ]
  52. ما، اچ. ژو، دی. لیو، سی. لیو، ام آر؛ King, I. سیستم‌های توصیه‌کننده با نظم‌دهی اجتماعی. در مجموعه مقالات چهارمین کنفرانس بین المللی ACM در جستجوی وب و داده کاوی، هنگ کنگ، چین، 9 تا 12 فوریه 2011. ص 287-296. [ Google Scholar ]
  53. حسینی، س. یین، اچ. ژو، ایکس. صادق، س. کنگاوری، محمدرضا; چونگ، ن.-ام. اعمال نفوذ چند جنبه ای مرتبط با زمان در توصیه مکان. وب جهانی 2019 ، 22 ، 1001–1028. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ijgi 09 00285 g001 550
شکل 1. نمای کلی از توصیه مکان.
Ijgi 09 00285 g002 550
شکل 2. توزیع فضایی مکان ها.
Ijgi 09 00285 g003 550
شکل 3. دقت توصیه با توجه به مقادیر بالای k در Gowalla.
Ijgi 09 00285 g004 550
شکل 4. دقت توصیه با توجه به مقادیر بالای k در Yelp.
Ijgi 09 00285 g005 550
شکل 5. عملکرد روش های مدل سازی جغرافیایی بر روی چهار ضلعی.
Ijgi 09 00285 g006 550
شکل 6. عملکرد روش های مدل سازی جغرافیایی بر روی Gowalla.
Ijgi 09 00285 g007 550
شکل 7. عملکرد روش های مدل سازی جغرافیایی بر روی Yelp.
Ijgi 09 00285 g008 550
شکل 8. عملکرد روش های مدل سازی اجتماعی بر روی Gowalla.
Ijgi 09 00285 g009 550
شکل 9. عملکرد روش های مدل سازی اجتماعی در Yelp.
Ijgi 09 00285 g010 550
شکل 10. عملکرد مدل های جغرافیایی برای تعداد مختلف مکان های ورود در Foursquare.
Ijgi 09 00285 g011 550
شکل 11. عملکرد مدل های جغرافیایی برای تعداد مختلف مکان های ورود در Gowalla.
Ijgi 09 00285 g012 550
شکل 12. عملکرد مدل های جغرافیایی برای تعداد مختلف مکان های ورود در Yelp.
Ijgi 09 00285 g013 550
شکل 13. توزیع امتیاز مدل های مختلف KDE برای کاربر از Foursquare.
Ijgi 09 00285 g014 550
شکل 14. توزیع امتیاز مدل های مختلف KED برای کاربر از Gowalla.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید