گنجاندن اولویت‌های مبتنی بر حافظه و چسبندگی نقطه‌ی علاقه در توصیه‌ها در شبکه‌های اجتماعی مبتنی بر مکان

در شبکه های اجتماعی مبتنی بر مکان (LBSN)، توصیه های نقطه مورد علاقه (POI) با توصیه مکان های جذابی که قبلاً از آنها بازدید نکرده اند، دسترسی به اطلاعات را برای افراد تسهیل می کند. برای به دست آوردن ترجیحات افراد در مورد POI در روش های پیشنهادی POI موجود، داده های ورود و عوامل زمینه ای مختلف به طور گسترده مورد توجه قرار می گیرند. در توصیه‌های POI مبتنی بر اثر روان‌شناختی، بر تضعیف ترجیحات افراد با توجه به POI مبتنی بر حافظه تأکید می‌شود، به عنوان مثال، این واقعیت که توجه بیشتری به POIهایی که اخیراً بررسی شده‌اند نسبت به مواردی که قبلاً بازدید شده‌اند، مورد تأکید قرار می‌گیرد. با این حال، اثر حافظه فقط تغییرات در مسیر ورود افراد را منعکس می کند و نمی تواند POI های مهمی را که بر الگوهای تحرک آنها غالب است، کشف کند. که به دفعات تکرار بازدید از یک فرد در یک POI مربوط می شود. برای حل این مشکل، در این مقاله، ما یک چارچوب پیشنهادی POI جدید با استفاده از ترجیحات مبتنی بر حافظه افراد و چسبندگی POI، به نام U-CF-Memory-Stickiness ایجاد کردیم. اول، ما از مکانیسم تضعیف ترجیح مبتنی بر حافظه برای تأکید بر تأثیرات روانشناختی شخصی و تکامل اولویت مبتنی بر حافظه در الگوهای تحرک انسان استفاده کردیم. دوم، ما فراوانی بازدید از POI را در نظر گرفتیم و مفهوم چسبندگی POI را برای شناسایی POI های مهمی که منعکس کننده علایق پایدار یک فرد با توجه به تصمیمات رفتار حرکتی آنها هستند، معرفی کردیم. در آخر، ما تأثیر ترجیحات مبتنی بر حافظه و چسبندگی POI را در یک چارچوب فیلتر مشترک مبتنی بر کاربر برای بهبود عملکرد توصیه‌های POI وارد کردیم. نتایج آزمایش‌هایی که ما روی یک مجموعه داده واقعی LBSN انجام دادیم نشان داد که روش ما بهتر از روش‌های دیگر عمل می‌کند.

کلید واژه ها:

شبکه های اجتماعی مبتنی بر مکان ؛ توصیه های مورد علاقه ترجیحات مبتنی بر حافظه ؛ چسبندگی نقطه مورد علاقه ; فیلتر مشارکتی

1. مقدمه

پیشرفت‌ها در دستگاه‌های ارتباطی سیار، سیستم موقعیت‌یابی جهانی، و فناوری‌های شبکه‌های بی‌سیم، توسعه شبکه‌های اجتماعی مبتنی بر مکان (LBSNs) مانند Foursquare و Yelp را ارتقا داده‌اند، که افراد را تشویق می‌کند تا مکان‌ها و تجربیات خود را با نقاط مورد علاقه (POI) بارگذاری کنند. مانند رستوران ها، جاذبه های گردشگری و سینماها [ 1 ]. فراوانی داده‌های مسیر مبتنی بر مکان، اطلاعات کافی برای تولید دانش معنادار برای استفاده در زمینه‌هایی مانند توصیه‌های POI شخصی شده [ 2 ]، تجزیه و تحلیل جریان ترافیک [ 3 ]، مدیریت شبکه جاده‌های شهری [ 4 ] و مدیریت فضای شهری [4] در اختیار ما قرار می‌دهد. 5]. در سال‌های اخیر، اکثر محققان بر توصیه‌های POI شخصی‌سازی شده برای درک بیشتر تغییرات مکان افراد و پیش‌بینی اینکه POI‌های هنوز بازدید نشده ممکن است برای آنها جالب باشد، تأکید کرده‌اند [ 6 ].

در سیستم‌های توصیه سنتی مانند توصیه‌های محصول یا توصیه‌های فیلم، کاربران به طور کلی رتبه‌بندی‌های عددی را برای آیتم‌ها ارائه می‌کنند که رتبه‌بندی‌های بالاتر نشان‌دهنده درجه بالاتری از رضایت کاربر است [ 7 ]. در مقابل، سیستم‌های توصیه POI معمولا ابتدا داده‌های بازخورد ضمنی [ 8 ، 9 ] را به دست می‌آورند و سپس سعی می‌کنند ترجیحات رفتاری شخصی افراد را استخراج کنند. داده‌های بازخورد ضمنی از کاربران معمولاً به‌عنوان مجموعه‌ای از متغیرهای دودویی در نظر گرفته می‌شوند، مثلاً اینکه آیا کاربر در یک POI ثبت نام کرده است یا خیر. بدیهی است که این روش‌ها تعداد مراجعه‌های افراد به یک POI را نادیده می‌گیرند و تصور می‌کنند که حتی بازدیدهای نادر از یک POI توسط یک فرد نشان می‌دهد که آنها به آن علاقه مند هستند [ 10 ، 11 ].]. با این حال، برخی از مطالعات استدلال کرده اند که الگوهای رفتاری افراد با توجه به تحرک با دفعات بازدید مرتبط است [ 12 ، 13 ] و POI هایی که افراد مکرر از آنها بازدید می کنند بر رفتارهای سفر آنها غالب است [ 14 ، 15 ]]. علاوه بر این، در بسیاری از موقعیت های دنیای واقعی، فعالیت های افراد اغلب به شدت تحت تأثیر عوامل زمینه ای مختلف قرار می گیرد. به عنوان مثال، یک عامل، سلیقه دوستان آنهاست، زیرا مردم بیشتر برای شام به رستورانی می روند که دوستانشان به آن علاقه دارند تا رستورانی که خودشان به آن علاقه دارند. در این مورد، تنها یک یا دو چک در رستوران توسط یک فرد نشان نمی‌دهد که آنها علاقه زیادی به آن دارند، در حالی که چندین بار چک کردن در یک رستوران توسط یک فرد نشان می‌دهد که آنها درجه بالایی از تشخیص را دارند. آی تی. برای حل این مشکلات، در این مقاله، مفهوم چسبندگی POI را به عنوان راهی برای بررسی اثرات فرکانس های مختلف بازدید از یک فرد در POI برای استفاده در ایجاد توصیه های POI معرفی می کنیم.

مطالعات مرتبط در مورد پویایی رفتار انسان نشان داده است که حرکت انسان معمولاً توسط انواع مختلفی از علایق هدایت می شود و پر از تنوع و پیچیدگی است [ 16 ، 17 ]. برای کشف تکامل پویای علایق انسانی، برخی از روش‌های پیشنهادی POI موجود، عوامل زمینه‌ای مختلف، به عنوان مثال، اطلاعات زمانی [ 18 ]، اطلاعات جغرافیایی [ 19 ] و روابط اجتماعی [ 20 ] را در نظر می‌گیرند. با این حال، اکثر مطالعات موجود اثرات روانشناسی فردی را نادیده می گیرند، به عنوان مثال، اثر حافظه، که به ویژگی های غیر پواسونی الگوهای حرکتی انسان مربوط می شود [ 21 ].]. به عنوان مثال، به دلیل ماهیت فیزیکی تعامل کاربر-POI و تغییرات مداوم در عوامل محیطی POI، ترجیحات سفر یک فرد با توجه به یک POI معین در طول زمان تغییر می کند. به طور خاص، زمانی که افراد قصد دارند از یک POI خاص بازدید کنند که قبلاً در آن ثبت نام کرده اند، تجربیات جالبی را در مورد آن به یاد می آورند. چنین روانشناسی شخصی به شدت با خاطرات افراد در رابطه با POI مرتبط است [ 22]. هر چه زمان بازدید تاریخی به زمان کنونی نزدیک‌تر باشد، خاطره روشن‌تر می‌شود. هرچه بازدید قبلی در زمان بیشتر باشد، به وضوح کمتر به خاطر سپرده خواهد شد. بنابراین، توصیه‌های POI باید با تجزیه و تحلیل سوابق ثبت‌نام تاریخی، کاهش ترجیحات سفر افراد برای POI مبتنی بر حافظه را در نظر بگیرند. خوشبختانه، مطالعات مربوطه [ 23 ] نشان داده اند که تکامل خاطرات افراد مشابه ترجیحات آنها است. برای بررسی اثر حافظه در الگوهای حرکتی انسان، به نظریه کلاسیک حافظه ابینگهاوس [ 24 ] متوسل شدیم، که استدلال می‌کرد که تکامل حافظه فرد از یک فرآیند منظم اما نامتعادل پیروی می‌کند [ 25 ].] و می توان آن را در قالب یک منحنی فراموشی توصیف کرد [ 26 ].

با الهام از دو ملاحظات بالا، در این مقاله، ما یک روش توصیه POI شخصی‌شده جدید را بر اساس تضعیف اولویت مبتنی بر حافظه افراد و چسبندگی POI، به نام U-CF-Memory-Stickiness، پیشنهاد می‌کنیم. ابتدا، ما اثر حافظه را در الگوهای تحرک انسان مطالعه می‌کنیم، که حاکی از تکامل پویای علاقه افراد به POI است. به طور خاص، ما مکانیسم تضعیف اولویت مبتنی بر حافظه را معرفی می‌کنیم [ 22] برای بهره برداری از اثرات روانی که بر رفتار سفر فرد تأثیر می گذارد. در مکانیسم، برای یک POI معین، یک رفتار ورود اخیر باید تأثیر بیشتری بر ترجیحات سفر یک فرد در آینده نزدیک داشته باشد تا رفتار ورود قبلی. با این حال، با توجه به سری زمانی بررسی‌های POI، مطالعه اثر حافظه رفتارهای سفر انسان تنها با تغییرات در مسیر ورود افراد منعکس می‌شود. برای شناسایی دقیق POI هایی که بر الگوهای تحرک انسانی غالب هستند، مفهوم چسبندگی POI را معرفی می کنیم که نشان دهنده بازدید مجدد و حفظ یک فرد در یک POI معین است. به عبارت دیگر، افراد به احتمال زیاد در POI هایی با چسبندگی POI بالا بررسی می کنند و کمتر احتمال دارد به طور مکرر از POI هایی با چسبندگی POI پایین بازدید کنند. در آخر، ما یک چارچوب فیلتر مشترک مبتنی بر کاربر را برای ترکیب تأثیر ترجیحات مبتنی بر حافظه یک فرد و تأثیر چسبندگی یک POI برای یک فرد پیشنهاد می‌کنیم. برای تأیید کارایی روش خود، یک مجموعه داده واقعی را از وب سایت Foursquare خزیدیم. نتایج آزمایش‌های مقایسه‌ای ما نشان داد که روش ما با استفاده از ترجیحات مبتنی بر حافظه و چسبندگی POI از چندین روش دیگر بهتر است.

مشارکت های اصلی کار ما به شرح زیر خلاصه می شود:

ما مفهوم چسبندگی POI را معرفی کردیم که به شدت به دفعات بازدید از POI مرتبط است و نشان دهنده بازدید مجدد و حفظ یک فرد در یک POI است. نتایج روش ما نشان می‌دهد که چسبندگی POI یک شاخص معنادار برای توصیه‌های POI در تشخیص POI‌های مهمی است که بازدیدهای مکرر یک فرد را از POI‌های غیرمهم جذب می‌کنند که در آن‌ها فرد فقط یک یا دو بار بررسی می‌کند.
ما یک چارچوب فیلتر مشترک مبتنی بر کاربر جدید برای توصیه‌های POI پیشنهاد کردیم که هم ترجیحات مبتنی بر حافظه و هم تأثیر چسبندگی POI را در نظر می‌گیرد. اثر حافظه بر تضعیف پویا ترجیحات سفر یک فرد تأکید می کند و چسبندگی POI علایق پایدار فرد را که بر تصمیمات رفتاری افراد در مورد تحرک غالب است، بررسی می کند.
نتایج آزمایش‌های ارزیابی ما نشان داد که روش پیشنهادی ما به طور قابل‌توجهی بهتر از سایر روش‌ها عمل می‌کند. بنابراین، استفاده از سری‌های زمانی و دفعات بازدید از داده‌های ورود به سیستم به جای آمار ساده، روشی مؤثر برای پردازش داده‌ها در شبکه‌های اجتماعی مبتنی بر مکان است.

بقیه مقاله ما به صورت زیر سازماندهی شده است: ما کارهای مرتبط را در بخش 2 مرور می کنیم . در بخش 3 ، ما برخی از کارهای مقدماتی را ارائه می دهیم. سپس، روش پیشنهادی POI پیشنهادی خود را با تضعیف اولویت مبتنی بر حافظه و چسبندگی POI به تفصیل در بخش 4 معرفی می‌کنیم. بخش 5 نتایج تجربی و تجزیه و تحلیل پارامتر مربوطه را نشان می دهد. در نهایت، بخش 6 شامل بحث بیشتر است و نتیجه گیری را ارائه می کند.

2. کارهای مرتبط

2.1. توصیه های POI مبتنی بر فیلترینگ مشارکتی

الگوریتم فیلتر مشارکتی به طور گسترده در توصیه های شخصی سازی شده سنتی [ 27 ] مورد استفاده قرار گرفته است، که فرض اساسی آن این است که رفتار کاربران منعکس کننده علاقه آنها به موارد است. در سال‌های اخیر، بسیاری از روش‌های فیلتر مشترک برای توصیه‌های POI پیشنهاد شده‌اند که POI را به عنوان آیتم‌ها در نظر می‌گیرند. در این روش‌ها، از داده‌های مسیر ورود افراد برای استخراج اولویت‌های سفر شخصی‌شده آنها با توجه به POI استفاده می‌شود [ 28 ].

روش‌های فیلتر مشارکتی معمولاً از دو دسته تشکیل می‌شوند: الگوریتم‌های مبتنی بر حافظه و الگوریتم‌های مبتنی بر مدل [ 27 ]. الگوریتم‌های فیلتر مشارکتی مبتنی بر حافظه را می‌توان به روش‌های مبتنی بر کاربر و مبتنی بر آیتم تقسیم کرد. از نظر توصیه‌های POI مبتنی بر کاربر، فرض اساسی این است که افرادی که اولویت‌های مشابهی برای POI دارند، تمایل دارند در همان POI بررسی کنند [ 8 ]. از نظر توصیه های POI مبتنی بر آیتم، فرض اساسی این است که افراد به POI های مشابه علاقه مند هستند، که می توان از طریق معیارهای شباهت مانند شباهت کسینوس [ 29 ] کشف کرد.]. با این حال، یه و همکاران. دریافتند که چون شباهت‌های POI محاسبه‌شده ممکن است نادرست باشند، رویکردهای مبتنی بر کاربر برای توصیه‌های POI مناسب‌تر از رویکردهای مبتنی بر آیتم هستند [ 29 ].

از نظر الگوریتم‌های پیشنهادی POI مبتنی بر مدل، تکنیک فاکتورسازی ماتریس برای کشف عوامل پنهان افراد و POI از سوابق ثبت‌نام تاریخی [ 28 ] استفاده می‌شود. به عنوان مثال، لیو و همکاران. عامل پواسون را در مدل فاکتورسازی ماتریس احتمالی برای یادگیری الگوهای تحرک افراد گنجاند [ 30 ]. بارال و همکاران یک مدل ترکیبی مبتنی بر فاکتورسازی ماتریسی را برای تجزیه و تحلیل نقش عوامل زمینه‌ای مختلف (به عنوان مثال، داده‌های ورود، زمان، جغرافیا) در توصیه‌های POI توسعه داد [ 31 ]. علاوه بر این، تکنیک مدل‌سازی احتمالی بیزی [ 32 ، 33 ] و مدل زنجیره مارکوف [ 34 ، 35 ]] نیز روش‌های معمولی مبتنی بر مدل برای ایجاد توصیه‌های POI هستند.

2.2. توصیه های POI با فاکتور زمانی پیشرفته

برخی از محققان اخیراً سعی کرده‌اند عملکرد توصیه‌های POI را با ترکیب داده‌های ورود خالص با اطلاعات زمینه‌ای مانند یک عامل زمانی بهبود بخشند [ 36 ]. چندین مطالعه از سوابق اعلام حضور با مهر زمانی برای یادگیری الگوهای سفر دوره ای افراد برای ایجاد توصیه های POI با فاکتورهای زمانی استفاده کردند. یوان و همکاران دریافتند که افراد در طول روز در بازه‌های زمانی مختلف، اولویت‌های متفاوتی را برای ورود نشان می‌دهند. برای مثال، در شب، مردم ترجیح می‌دهند به جای کتابخانه‌ها از بارها بازدید کنند [ 8 ]. بنابراین، آنها الگوهای روزانه رفتارهای ورود کاربران را با توجه به بعد ساعت مطالعه کردند. گائو و همکاران استدلال کرد که در مقایسه با دوره‌های زمانی غیرمتوالی، افراد ممکن است ترجیحات سفر مشابه بیشتری را در دوره‌های زمانی متوالی نشان دهند [37 ]. با این حال، از آنجایی که این روش‌ها رفتارهای سفر افراد را در بازه‌های زمانی مختلف به طور جداگانه مورد مطالعه قرار می‌دهند، آن‌ها از مشکل پراکندگی شدید رنج می‌برند. برای جلوگیری از از دست دادن اطلاعات زمان، ژانگ و همکاران. تراکم احتمال زمانی سوابق ورود و همبستگی ترجیحی افراد بین روزهای هفته و آخر هفته را بررسی کرد [ 38 ]. ژائو و همکاران یک مکانیسم نمایه سازی زمان سه تکه بر اساس ساعت ها، روزهای هفته و ماه ها برای ثبت ویژگی های زمانی رفتارهای ورود طراحی کرد [ 39 ].

چندین مطالعه توالی زمانی سوابق ثبت نام تاریخی را بررسی کردند [ 40 ، 41 ]. به عنوان مثال، برخی از آثار [ 42 ، 43 ] مدل‌های زنجیره مارکوف شخصی‌سازی شده را برای پیش‌بینی اینکه فرد می‌خواهد فردا یا چند روز آینده به کجا برود، ساخته‌اند. لیو و همکاران یک شبکه توجه برای یادگیری وابستگی زمانی کلی در توالی های ورود ایجاد کرد [ 44 ]. لو و همکاران ترکیب ساختارهای درختی با نمودارهای انتقال متوالی برای به دست آوردن نمایشی پنهان از ترجیحات سفر مبتنی بر زمانی افراد [ 45 ]]. با این حال، روش‌های مبتنی بر توالی بررسی نمی‌توانند POIهای جدیدی را به یک فرد خاص توصیه کنند، که تأثیر نامطلوبی بر تجربه کاربر دارد.

علاوه بر این، تغییر در اثرات روانی در طول زمان به طور قابل توجهی با ترجیحات سفر فرد برای POI مرتبط است. گان و همکاران یک مکانیسم تضعیف اولویت POI مبتنی بر حافظه برای استخراج تکامل پویای علاقه افراد به POI [ 22 ] ایجاد کرد.]. در این مکانیسم، برای یک POI معین، رفتارهای ورود اخیر تأثیر بیشتری بر ترجیحات سفر فرد در آینده نزدیک نسبت به رفتارهای ورود قبلی دارد. اگرچه روش توصیه POI با استفاده از تغییرات ترجیحی مبتنی بر حافظه افراد، عملکرد توصیه‌ها را تا حد زیادی بهبود بخشیده است، این روش تنها رکوردهای ورود به POI را که در یک سری زمانی به یکدیگر نزدیک‌تر هستند برجسته می‌کند و کشف نمی‌کند که کدام POI تأثیر بیشتری بر روی آن‌ها دارد. رفتار افراد با توجه به تحرک

2.3. تعداد دفعات بازدید در داده های اعلام حضور مبتنی بر مکان

با توجه به انبوه سوابق ورود، مهم است که علت اصلی هر ورود را به طور کامل کشف کنیم. به طور خاص، POI هایی که بررسی های نسبتاً بیشتری را از یک فرد جذب کرده اند، می توانند به عنوان یک پشتیبان مهم برای درک الگوهای تحرک آنها عمل کنند [ 46 ]. مک کرچر و همکاران در مورد هنگ کنگ دریافتند که بازدیدکنندگانی که برای اولین بار بازدید می کنند و بازدیدکنندگان مکرر تفاوت های اساسی با توجه به زمان بازدید و مقصد دارند [ 13 ]. یو و همکاران استدلال کرد که مکان هایی که به طور مکرر بازدید شده اند به نظر مهم تر از مکان های دیگری هستند که فقط یک یا دو بار بازدید شده اند [ 14 ].

اگرچه آثار فوق تأثیر دفعات بازدید را بر الگوهای تحرک انسان نشان داده‌اند، روش‌های پیشنهادی POI موجود به طور کامل فراوانی بازدید افراد در POI را بررسی نمی‌کنند. به عنوان مثال، کاتو و همکاران. به سادگی مسافران را به دو دسته، مسافران برای اولین بار و مسافران تکراری تقسیم کرد، و دو مؤلفه مختلف توصیه مکان دیدنی را به طور جداگانه طراحی کرد، که ممکن است منابع محاسباتی قابل توجهی را مصرف کند [ 47 ]. خو و همکاران فقط تأثیر فراوانی بازدید از POIها را در تابع هدف در نظر گرفت [ 48]. در این مقاله، از یک طرف، ما فرکانس بازدید را در ماتریس ورود کاربر-POI وارد کردیم. از سوی دیگر، ما مفهوم چسبندگی POI را برای درک کامل علاقه بالقوه افراد در پشت هر ورود معرفی کردیم.

3. مقدمات

در این بخش، روش سنتی فیلتر مشترک مبتنی بر کاربر را برای توصیه‌های POI به طور خلاصه شرح می‌دهیم [ 8 ]، یعنی U-CF. اجازه دهید

U

مجموعه ای از کاربران، که در آن

u, v \in U

، و اجازه دهید

P

مجموعه ای از POI باشد، که در آن

p \in P

. اگر یک کاربر

u

در POI ثبت نام کرده است

p

قبل، ما تنظیم کردیم

c_{u, p} = 1

; در غیر این صورت،

c_{u, p} = 0

برای یک کاربر هدف $u$ ، شباهت های بین کاربر را محاسبه می کنیم $u$ و سایر کاربران از طریق شباهت کسینوس، که به طور گسترده برای داده های بازخورد ضمنی استفاده می شود. به طور خاص، شباهت کسینوس $s_{u, v}$ بین کاربر $u$ و کاربر $v$ در رابطه (1) تعریف شده است.

س u ، v = \sum پ ج u , p ج v , p \sum پ ج 2 u , p ——-\sqrt \sum پ ج 2 v , p ——-\sqrt

(1)

سپس با توجه به نتیجه حاصل از رتبه بندی شباهت، بهینه را انتخاب می کنیم $k$ نزدیکترین همسایگان برای هر کاربر. در نهایت، از شباهت به عنوان وزنه ای برای پیش بینی امتیازات توصیه برای کاربر هدف استفاده می کنیم $u$ برای POI های بازدید نشده، که نشان دهنده امکان کاربر است $u$ چک کردن در POI $p$ . امتیاز توصیه ${\hat{r}}_{u, p}$ با استفاده از رابطه (2) محاسبه می شود.

r ˆ u, p = \sum v س u ، v ج v , p \sum v س u ، v

(2)

4. روش ها

4.1. مروری بر روش پیشنهادی ما

همانطور که در شکل 1 نشان داده شده است ، نمودار جریان روش پیشنهادی POI پیشنهادی ما با استفاده از ترجیحات مبتنی بر حافظه و چسبندگی POI، به نام U-CF-Memory-Stickiness، از دو جزء تشکیل شده است. یک جزء برای بررسی اثر حافظه در الگوهای حرکتی افراد استفاده می شود. این جزء عمدتاً شامل پنج مرحله متوالی است. ابتدا، ما از مکانیسم تضعیف اولویت مبتنی بر حافظه استفاده کردیم [ 22] برای یادگیری مقادیر حافظه بین اعلام حضورهای فعلی و اعلام حضورهای تاریخی از سوابق ورود با مهر زمانی. دوم، ما یک ماتریس ثبت نام کاربر-POI ساختیم که تأثیر فرکانس بازدید و اولویت سفر مبتنی بر حافظه را در نظر می گیرد. سوم، با توجه به ماتریس ورود کاربر POI مبتنی بر حافظه، ما از روش شباهت کسینوس برای محاسبه شباهت ترجیحات سفر بین افراد استفاده کردیم. چهارم، ما یک ماتریس شباهت کاربر-کاربر ساختیم که نشان دهنده شباهت الگوهای تحرک تاریخی افراد است. پنجم، بر اساس مقادیر شباهت، ما بالا را انتخاب کردیم

k

افراد به عنوان

k

-نزدیکترین محله برای هر فرد تنظیم شده است.

مؤلفه دیگر برای مطالعه تأثیر چسبندگی POI در تصمیمات سفر افراد استفاده می شود، که نشان دهنده بازدید مجدد و حفظ یک فرد در یک POI است. به طور خاص، ابتدا مفهوم چسبندگی POI را معرفی کردیم و مقدار چسبندگی POI را برای هر POI در مجموعه داده خود محاسبه کردیم. سپس، POI هایی با چسبندگی بالاتر از آستانه انتخاب کردیم

L

به عنوان مجموعه ای از POI که بر رفتارهای مسافرتی فرد تسلط دارند.

در نهایت، ما دو مؤلفه فوق را در یک چارچوب فیلتر مشترک مبتنی بر کاربر یکپارچه گنجانده ایم. با توجه به ترجیحات سفر از

k

-نزدیکترین همسایگان، ابتدا نمرات ورود فرد مورد نظر را در POIهای بازدید نشده پیش بینی کردیم. سپس، امتیازهای پیشنهادی پیش‌بینی‌شده را به ترتیب نزولی برای ایجاد رتبه‌های برتر رتبه‌بندی کردیم.

N

لیست توصیه ها برای هر فرد

4.2. گنجاندن اثر حافظه افراد

همانطور که در بخش 4.1 ذکر شد ، مطالعات قبلی معمولاً از داده های باینری در توصیه POI مبتنی بر فیلتر مشترک استفاده می کردند. بدیهی است که این روش‌ها تأثیر دفعات بازدید یک فرد در یک POI را نادیده می‌گرفتند، که به وضوح نشان می‌دهد که فرد چقدر بر POI تأکید می‌کند. هرچه تعداد دفعاتی که یک فرد به یک POI خاص مراجعه می کند، اهمیت POI برای او بیشتر می شود. برای تمایز بین POI های مهم و غیر مهم برای هر فرد، ما از تعداد بازدید افراد در POI به جای آمار ساده استفاده کردیم، به عنوان مثال، اینکه آیا افراد در POI ها ثبت نام کرده اند یا خیر، برای ساختن ماتریس ورود کاربر به POI.

با این حال، رفتارهای سفر افراد معمولاً تحت تأثیر تجربیات و خاطرات آن‌ها از POI قرار می‌گیرد و احتمال اینکه افراد بیشتر به سراغ POI‌های آشناتر بروند تا موارد ناآشنا [ 21 ]. این الگوی رفتاری که توسط حافظه هدایت می شود، به شدت با تکامل علاقه افراد به POI مرتبط است [ 22 ]. برای بررسی بیشتر تکامل ترجیحات سفر مبتنی بر حافظه افراد، ما تضعیف اولویت مبتنی بر حافظه را در مدل خود در نظر گرفتیم. تئوری حافظه ابینگهاوس استدلال می کند که تکامل حافظه یک فرد از یک فرآیند نامتعادل پیروی می کند و سرعت فراموشی در ابتدا بسیار سریع است اما سپس به تدریج در طول زمان کاهش می یابد [ 26 ]]. با در نظر گرفتن تکامل حافظه انسانی، ما یک مکانیسم تضعیف مبتنی بر حافظه برای استخراج ماتریس ورود کاربر-POI با ترجیحات مبتنی بر حافظه ایجاد کردیم که در کار قبلی ما به تفصیل شرح داده شد [ 22 ]. در این مکانیسم، برای یک POI معین، رفتارهای ورود اخیر تأثیر بیشتری بر ترجیحات سفر فرد در آینده نزدیک نسبت به رفتارهای ورود قبلی دارد. تابع تضعیف ترجیحات مبتنی بر حافظه افراد به صورت نشان داده شده است

f (د ، د 0) = ه - 1 اچ | د - د 0 |

(3)

جایی که $d_{0}$ نشان دهنده زمان ورود فعلی است، $d$ نشان دهنده زمان ورود تاریخی است، $H$ نشان دهنده آستانه زمانی بین $d_{0}$ و $d$ ، و $f (d, d_{0})$ نشان دهنده ضریب کاهش زمان (مقدار حافظه) بین است $d_{0}$ و $d$ . یک فاصله زمانی بزرگتر بین ورود فعلی و ورود تاریخی مربوط به یک عامل کاهش زمان کمتر در ورود تاریخی است، که شبیه به تکامل حافظه یک فرد است.

با توجه به ملاحظات بالا، ما تأثیر فرکانس ورود و ترجیحات سفر مبتنی بر حافظه فردی را در ماتریس ورود کاربر-POI گنجانده ایم. به طور خاص، ما ابتدا از عامل تضعیف زمان به عنوان وزنه ای برای به دست آوردن ترجیحات سفر افراد در زمان فعلی استفاده کردیم. مثلاً با توجه به زمان فعلی $d_{0}$ ، ارزش ورود $c_{u, p} (d, d_{0})$ کاربر $u$ در POI $p$ در زمان $d$ ابتدا به صورت نمایش داده می شود

ج u, p (د ، د 0) = ج u, p, d \cdot f (د ، د 0)

(4)

جایی که $c_{u, p, d}$ نشان می دهد که آیا کاربر $u$ از POI بازدید کرده است $p$ در زمان $d$ . اگر کاربر $u$ از POI بازدید کرده است $p$ در زمان $d$ ، تنظیم کردیم $c_{u, p, d} = 1$ ; در غیر این صورت، $c_{u, p, d} = 0$ . سپس، مقدار check-in ${\hat{c}}_{u, p}$ کاربر $u$ در POI $p$ در زمان فعلی $d_{0}$ به عنوان نشان داده شده است

ج ˆ u, p = \sum n u متر u, p, د 0 ج u, p (د ، د 0)

(5)

جایی که $n u m_{u, p, d_{0}}$ کل زمان ورود کاربر را نشان می دهد $u$ در POI $p$ قبل از زمان فعلی $d_{0}$ .

از آنجا که افراد مشابه تمایل دارند در POI یکسان بررسی کنند [ 8 ]، ما باید نزدیکترین همسایگان را برای هر فرد از ماتریس ورود کاربر–POI با تضعیف اولویت مبتنی بر حافظه کشف کنیم. به طور خاص، ما ابتدا شباهت های کاربر-کاربر را از طریق روش کسینوس محاسبه کردیم. به عنوان مثال، شباهت کسینوس $s i m (u, v)$ بین کاربر $u$ و $v$ با استفاده از رابطه (6) محاسبه می شود.

s i m (u ، v) = \sum پ ج ˆ u , p ج ˆ v , p \sum پ ج ˆ 2 u , p ——-\sqrt \sum پ ج ˆ 2 v , p ——-\sqrt

(6)

یک مقدار بزرگتر از $s i m (u, v)$ مربوط به شباهت بیشتر بین کاربران است $u$ و $v$ . سپس، با توجه به مقادیر شباهت ترجیحی مبتنی بر حافظه، ما بالا را انتخاب کردیم. $k$ کاربران به عنوان $k$ -نزدیکترین مجموعه محله کاربر هدف $u$ ، که با نشان داده می شود $n e i g h b o r (u, k)$ . محاسبه نزدیکترین مجموعه همسایگی در الگوریتم 1 توضیح داده شده است.

الگوریتم 1. محاسبه نزدیکترین مجموعه همسایگی

ورودی: (1) سوابق ورود با مهر زمانی، (2) تعداد همسایگان

k

خروجی:

n e i g h b o r (u_{i}, k)

از هر کاربر

u_{i} \in U

U = {u_{1}, u_{2}, ... u_{m}}

1: مقدار حافظه را محاسبه کنید

f (d, d_{0})

بین زمان ورود فعلی

d_{0}

و زمان ورود تاریخی

d

با استفاده از رابطه (3).

2: برای هر کاربر

u_{i}

انجام دادن

3: برای هر POI

p_{j} \in P

P = {p_{1}, p_{2}, ..., p_{n}}

انجام دادن

4: مقادیر ورود را محاسبه کنید

c_{u_{i}, p_{j}} (d, d_{0})

از

u_{i}

در

p_{j}

در زمان

d

با استفاده از معادله (4)

5: مقدار ورود را محاسبه کنید

{\hat{c}}_{u_{i}, p_{j}}

از

u_{i}

در

p_{j}

در زمان

d_{0}

با استفاده از معادله (5)

6: ماتریس ورود کاربر–POI

(u_{i}, p_{j}) \leftarrow {\overset{⌢}{c}}_{u_{i}, p_{j}}

7: پایان برای

8: پایان برای

9: برای هر کاربر

u_{i}

انجام دادن

10: یا هر کاربر

u_{g} \in U, g \neq i

انجام دادن

11: تشابه کسینوس را محاسبه کنید

s i m (u_{i}, u_{g})

بین کاربر

u_{i}

u_{g}

با استفاده از معادله (6)

12: ماتریس شباهت کاربر-کاربر

(u_{i}, u_{g}) \leftarrow

s i m (u_{i}, u_{g})

13: پایان برای

14: ماتریس شباهت کاربر-کاربر

(u_{i}, :) \leftarrow

ماتریس شباهت مرتب سازی

(u_{i}, :)

به ترتیب نزولی

15:

n e i g h b o r (u_{i}, k) \leftarrow

بالا گرفتن

k

از ماتریس شباهت کاربر-کاربر

(u_{i}, :)

16: پایان برای

4.3. ترکیب چسبندگی POI

مطالعات مربوطه نشان داده است که وقتی فردی به طور مکرر در یک POI چک می کند، POI ممکن است اهمیت بیشتری نسبت به سایر POI هایی داشته باشد که فقط یک یا دو بار از آنها بازدید کرده اند [ 14 ، 46 ]. به این معنا که تنها یک یا دو اعلام حضور در یک POI توسط یک فرد نشان دهنده علاقه فرد به POI نیست، در حالی که چندین بار بررسی در یک POI توسط یک فرد نشان می دهد که آنها ممکن است دارای درجه بالایی از POI باشند. رضایت از آن بنابراین، تاکید تحقیقات توصیه‌های POI باید بر روی دسته دوم POI باشد، که منعکس‌کننده علایق پایدار فرد در تصمیم‌گیری‌های رفتار سفر است [ 14 ، 15 ].]. برای تجزیه و تحلیل الگوهای تحرک انسان و کشف POI هایی که بازدیدهای مکرر افراد را به خود جلب می کردند، توزیع میانگین فرکانس ورود را برای همه POI در مجموعه داده خود ترسیم کردیم. همانطور که در شکل 2 نشان داده شده است ، با افزایش میانگین فرکانس ورود، تعداد POIهایی که نیاز فرکانس را برآورده می کنند کاهش می یابد، که همچنین نشان می دهد که رفتارهای تحرک افراد یک توزیع طولانی را نشان می دهد [ 16 ]. شکل 2همچنین نشان می‌دهد که اکثر افراد فقط یک یا دو بار در برخی از POI‌ها اعلام حضور می‌کنند، زیرا تعداد POI با میانگین تعداد دفعات ورود 1 بیشترین نسبت را به خود اختصاص می‌دهند. بنابراین، تعداد کمی از POI های مهم نشان دهنده الگوهای تحرک یک فرد است و استفاده از تعداد زیادی از POI های غیر مهم ممکن است تنها منجر به پیچیده شدن پیش بینی POI بعدی شود.

برای شناسایی POI های مهمی که بر رفتارهای سفر افراد غالب است، مفهوم چسبندگی POI را برای بررسی بیشتر ترجیحات اساسی در پشت هر ورود معرفی کردیم. چسبندگی اصطلاحی است که معمولاً برای توصیف فراوانی، عمق و مدت بازدید از یک وب سایت [ 17 ] یا برای نشان دادن تمایل اساسی افراد برای بازدید مجدد از یک شبکه اجتماعی استفاده می شود [ 49 ]. این مفهوم همچنین برای نشان دادن وفاداری کاربر به یک وب سایت [ 50 ] و تعهد عمیق به وب سایت [ 51 ] استفاده می شود.]. در مورد توصیه های POI، ما از چسبندگی POI برای نشان دادن بازدید مجدد توسط یک فرد و حفظ آن در یک POI در LBSN ها استفاده می کنیم. در این مقاله، مفهوم چسبندگی POI به عنوان یک شاخص مهم از ترجیحات افراد برای POI در نظر گرفته شده است. کاربران درجه ترجیح بیشتری برای این POI با چسبندگی POI بالا دارند و احتمال اینکه به طور مکرر در این مکان ها بررسی شوند، بیشتر است. در مقابل، کاربران درجه ترجیح کمتری برای آن دسته از POIهایی با چسبندگی POI پایین دارند و به طور مکرر از این مکان ها بازدید نخواهند کرد. چسبندگی POI POI $p$ با نشان داده می شود $s t i c k i n e s s (p)$ به شرح زیر است:

s t i c k i n e s s (p) = \sum تو \in U پ n u , p | U پ | ،

(7)

جایی که $U_{p}$ مجموعه ای از کاربرانی که در POI ثبت نام کرده اند را نشان می دهد $p$ ، $|U_{p}|$ نشان دهنده تعداد کل کاربرانی است که در POI ثبت نام کرده اند $p$ ، و $n_{u, p}$ نشان دهنده دفعات ورود کاربر است $u$ در POI $p$ .

برای گنجاندن چسبندگی POI در مدل خود، چسبندگی هر فرد را با توجه به هر POI با استفاده از معادله 7، مانند بالا، محاسبه کردیم. سپس، برای انتخاب POI هایی که بازدید مکرر افراد را به خود جلب می کردند و برای حذف مواردی که افراد به سختی به آنها مراجعه می کردند، POI هایی با چسبندگی بالاتر از آستانه انتخاب کردیم. $L$ از کل مجموعه داده ما همچنین مجموعه‌ای از آزمایش‌های اعتبارسنجی را برای آزمایش تأثیرات توصیه‌ها تحت مقادیر مختلف آستانه چسبندگی POI انجام دادیم. $L$ . محاسبه تأثیر چسبندگی POI در الگوریتم 2 توضیح داده شده است.

الگوریتم 2. محاسبه تأثیر چسبندگی POI

ورودی: (1) ثبت ورود با مهر زمانی، (2) آستانه چسبندگی POI

L

خروجی: مجموعه POI

P L

که شامل POI هایی است که نیاز چسبندگی را برآورده می کند

1: برای هر POI

p_{j} \in P

P = {p_{1}, p_{2}, ..., p_{n}}

انجام دادن

2: محاسبه

s t i c k i n e s s (p)

از POI

p_{j}

با استفاده از معادله (7)

3: اگر

s t i c k i n e s s (p) \geq

آستانه

L

سپس

P L

اضافه کردن

p_{j}

5: پایان برای

4.4. یک چارچوب پیشنهادی POI مبتنی بر کاربر

ما تکامل ترجیحات سفر افراد را از سری‌های زمانی بررسی‌های POI از طریق مکانیسم تضعیف مبتنی بر حافظه به دست آوردیم، که توجه بیشتری به رفتارهای ورود اخیر نسبت به رفتارهای قبلی دارد. با این حال، اثر حافظه فقط تغییر مسیر ورود افراد را منعکس می‌کند و نمی‌تواند POI‌های مهمی را که بر الگوهای حرکتی افراد غالب هستند، کشف کند. با توجه به تنوع و ناهمگونی علایق افراد، POI ها دارای پتانسیل های متفاوتی برای جلب بازدید افراد هستند، در نتیجه افراد در برخی از POI ها بارها و در برخی دیگر تنها یک یا دو بار مراجعه می کنند. بنابراین، چسبندگی POI باید در شناسایی POIهایی در نظر گرفته شود که بازدید و حفظ مجدد افراد را به خود جلب کرده است. همانطور که در شکل 3 نشان داده شده است، ما از یک نمونه اسباب بازی از سوابق سفر یک فرد بین 1 ژوئیه 2020 و 9 ژوئیه 2020 برای نشان دادن این پدیده استفاده می کنیم.

با توجه به ملاحظات بالا، ما یک روش توصیه POI مبتنی بر کاربر را پیشنهاد می‌کنیم که ترجیحات سفر افراد را با توجه به POI از جنبه‌های اثر حافظه و چسبندگی POI بررسی می‌کند. از یک طرف، ما جلوه حافظه را در ماتریس ورود کاربر-POI برای تجزیه و تحلیل تضعیف اولویت سفر مبتنی بر حافظه افراد قرار می دهیم. از سوی دیگر، هنگام پیش‌بینی مقادیر احتمالی اعلام حضور برای فرد، POIهایی با بازدیدهای تکراری زیاد انتخاب کردیم و POIهایی با بازدیدهای تکراری کم را از طریق نشانگر چسبندگی POI حذف کردیم تا POIهای مهمی را شناسایی کنیم که علایق پایدار را نشان می‌دهند. تصمیمات رفتار تحرکی یک فرد

با توجه به ترجیحات سفر مبتنی بر حافظه همسایگان مشابه و چسبندگی POI مربوطه، مقادیر ورود کاربر مورد نظر را محاسبه کردیم. $u$ در POIهایی که آنها برای نشان دادن احتمال اینکه کاربر هدف را نشان دهد، بازدید نکرده بودند $u$ در آینده نزدیک از این POI ها بازدید خواهد کرد. به طور خاص، برای هر کاربر هدف $u$ ، ابتدا POIهایی را که آنها بازدید نکرده بودند از مجموعه POIهایی که الزامات چسبندگی POI را برآورده می کردند، انتخاب کردیم. سپس، بر اساس ترجیحات سفر همسایگان مشابه آنها، نمرات ورود کاربر هدف را پیش بینی کردیم. $u$ برای این POI های بازدید نشده ما با استفاده از $s i m (u, v)$ به عنوان وزن نمرات ورود ${\hat{c}}_{v, p}$ از $k$ -نزدیک ترین همسایه ها برای به دست آوردن امتیازات مربوط به بررسی مبتنی بر حافظه کاربر هدف $u$ در POI $p$ ، که با نشان داده می شود $s c r o e (u, p)$ .

s c r o e (u, p) = 1 \sum v \in n e i g h b o r ( u , k ) من هستم ( u , v ) _\sum v \in n e i g h b o r (u, k) s i m (u, v) \cdot ج ˆ v, p

(8)

در نهایت، نمرات پیش‌بینی‌شده ورود را مرتب کردیم $s c r o e (u, p)$ از این POI های بازدید نشده به ترتیب نزولی و توصیه می شود $N$ POI به کاربر هدف $u$ . روش پیشنهادی یکپارچه POI پیشنهادی ما در الگوریتم 3 توضیح داده شده است.

الگوریتم 3. یک روش توصیه یکپارچه POI با استفاده از اثر حافظه و چسبندگی POI

ورودی: (1)

n e i g h b o r (u_{i}, k)

از هر کاربر

u_{i}

; (2) ماتریس ورود کاربر–POI. (3) ماتریس شباهت کاربر-کاربر. (4) مجموعه POI

P L

; (5) تعداد کل توصیه POI

N

خروجی: لیست POIهای نامزد برای هر کاربر

u_{i} \in U

U = {u_{1}, u_{2}, \dots u_{m}}

1: برای هر کاربر

u_{i}

انجام دادن

2: برای هر POI

p_{j} \in P L

انجام دادن

3: اگر

u_{i}

در چک در

p_{j}

سپس

4: احتمال ورود را محاسبه کنید

s c r o e (u_{i}, p_{j})

از

u_{i}

در

p_{j}

با استفاده از معادله (7)

5: مقادیر پیش‌بینی‌شده اعلام حضوری تنظیم شده است

V

از

u_{i}

اضافه کردن

s c r o e (u_{i}, p_{j})

6: پایان برای

V \leftarrow

مرتب سازی

V

به ترتیب نزولی

8: اوج بگیرید

N

از جانب

V

9: پایان برای

5. آزمایش ها و ارزیابی

5.1. مجموعه داده

ما آزمایش‌های گسترده‌ای را روی مجموعه داده‌های دنیای واقعی انجام دادیم که از Foursquare ( https://foursquare.com/ ) خزیده شده بود. مجموعه داده از پنج فیلد تشکیل شده است: شناسه کاربر (ID)، محل ورود، طول جغرافیایی محل، عرض جغرافیایی محل و زمان ورود. برای جلوگیری از پراکندگی مجموعه داده، ما روی سوابق اعلام حضور که بین آوریل 2012 و نوامبر 2013 در نیویورک ایجاد شده بودند، تمرکز کردیم. علاوه بر این، کاربران و POI هایی با کمتر از 10 اعلام حضور حذف شدند. آمار تفصیلی در جدول 1 ارائه شده است.

5.2. معیارهای ارزیابی

ما سه معیار ارزیابی کلاسیک را اتخاذ کردیم، یعنی دقت، یادآوری، و مقدار F ، که اغلب برای ارزیابی دقت بالا استفاده می‌شود. $N$ توصیه ها [ 8 ، 31 ، 52 ]. این سه معیار با نشان داده می شوند $P R E @ N$ ، $R E C @ N$ ، و $F @ N$ ، به ترتیب، در کجا $N$ تعداد نتایج توصیه را نشان می دهد. دقت، نسبت POIهای توصیه شده را که واقعاً از آنها بازدید می شود، اندازه گیری می کند $N$ POI های توصیه شده فراخوان نسبت POI های توصیه شده را که در واقع خارج از POI های واقعی در مجموعه آزمایشی بازدید شده اند، اندازه گیری می کند. مقدار F به طور جامع دقت و فراخوانی الگوریتم را در نظر می گیرد. اجازه دهید $R (u)$ POI های توصیه شده و $T (u)$ POI های واقعی در مجموعه آزمایشی باشند. این $P R E @ N$ به عنوان … تعریف شده است

پ R E @ N = \sum تو | R ( u ) \cap T ( u ) | \sum تو | R ( u ) | .

(9)

این $R E C @ N$ به عنوان … تعریف شده است

R E سی @ N = \sum تو | R ( u ) \cap T ( u ) | \sum تو | تی ( u ) | .

(10)

این $F @ N$ به عنوان … تعریف شده است

اف @ N = 2 * p r e @ N * r e c @ N p r e @ N + r e c @ N

(11)

یک بالاتر

P R E @ N

، یک بالاتر

R E C @ N

، و بالاتر

F @ N

با عملکرد توصیه بهتر مطابقت دارد.

علاوه بر این، از آنجایی که توصیه POI به کیفیت لیست بسیار حساس است، ما یک معیار رتبه‌بندی پرکاربرد را اتخاذ کردیم، سود تجمعی تنزیل شده نرمال شده (NDCG) [ 53 ]. NDCG نرمال‌سازی اندازه‌گیری سود تجمعی تنزیل‌شده (DCG) است که مجموع وزنی درجه ارتباط اقلام رتبه‌بندی‌شده است. وزن تابع کاهشی رتبه (موقعیت) جسم است. را $N D C G @ N$ به عنوان … تعریف شده است

ن D سی G @ N = D سی G @ N من D سی G @ N ،

(12)

دی سی G @ N = \sum من = 1 ن 2 r e ل من - 1 ورود به سیستم 2 ( من + 1 ) ،

(13)

من دی سی G @ N = \sum i = 1 | R E L ن | 2 r e ل من - 1 ورود به سیستم 2 ( من + 1 ) ،

(14)

جایی که $N$ تعداد نتایج توصیه را نشان می دهد، $r e l_{i}$ نشان دهنده ارتباط موقعیت است $i$ ، و $|R E L_{N}|$ مجموعه ای از بالا را نشان می دهد $N$ نتایجی که به ترتیب نزولی مرتبط مرتب شده اند، که مجموعه ای است که نتایج را به روشی بهینه مرتب می کند. یک بالاتر $N D C G @ N$ با عملکرد بهتر توصیه مطابقت دارد.

5.3. روش های پایه

برای تأیید کارایی روش U-CF-Memory-Stickiness پیشنهادی ما، روش‌های مقایسه زیر را اتخاذ کردیم که به طور خلاصه توضیح می‌دهیم:

U-CF: روش U-CF روش توصیه POI فیلترینگ مشترک مبتنی بر کاربر (CF) است که در بخش 3 توضیح داده شده است.
LRT [ 37 ] : LRT یک چارچوب توصیه مکان با اثرات زمانی است. از آنجایی که رفتارهای ورود افراد با زمان تغییر می‌کند، این روش هر فرد را با بردارهای پنهان مختلف برای بازه‌های زمانی مختلف مدل‌سازی کرد و نمرات پیش‌بینی‌شده برای همه زمان‌ها را به عنوان امتیازهای توصیه خلاصه کرد. در این مقاله، الگوهای هفتگی (روز هفته) ترجیحات ورود موقت افراد را در نظر گرفتیم.
LORE [ 43 ] : LORE یک روش توصیه مکان با تأثیر متوالی است. این روش تأثیر متوالی بر رفتارهای ورود افراد را بررسی کرد و احتمال بازدید فردی از یک POI جدید را بر اساس زنجیره مارکوف افزودنی (AMC) استخراج کرد.
U-CF-Memory [ 22 ] : روش U-CF-Memory روش توصیه POI با تضعیف اولویت مبتنی بر حافظه است که در کار قبلی ما به تفصیل ارائه شد.
چسبندگی U-CF: روش U-CF-Stickiness یک روش جدید توصیه CF POI مبتنی بر کاربر با چسبندگی POI است که فقط چسبندگی افراد در POI را در روش سنتی CF مبتنی بر کاربر قرار می دهد.
U-CF-Memory-Stickiness: روش U-CF-Memory-Stickiness روش پیشنهادی یکپارچه POI پیشنهادی ما است که تأثیر ترجیحات مبتنی بر حافظه یک فرد و تأثیر چسبندگی POI را برای یک فرد در نظر می گیرد.

5.4. جزئیات آزمایش

برای هر فرد، 64 درصد اول سوابق ثبت نام زمانی را به عنوان مجموعه آموزشی، 16 درصد میانی را به عنوان مجموعه اعتبارسنجی و 20 درصد آخر را به عنوان مجموعه آزمایشی انتخاب کردیم. مجموعه آموزشی برای به دست آوردن شباهت های ترجیحات سفر در بین افراد مورد استفاده قرار گرفت که شامل هر کاربر و POI بود. ما فراپارامترهای همه مدل‌ها را در مجموعه اعتبارسنجی تنظیم کردیم و عملکرد آنها را در مجموعه آزمایش مقایسه کردیم. با توجه به نتایج مجموعه اعتبار سنجی، تعداد k محله روی 250 تنظیم شد. مقدار پیش فرض آستانه زمانی H روی 300 روز تنظیم شد، همانطور که در کار قبلی ما [ 22 ] بحث شد. مقدار بهینه آستانه چسبندگی POI Lروی 1.6 تنظیم شد. نتایج توصیه های دقیق تحت آستانه های چسبندگی POI مختلف L در بخش 5.6 ارائه شده است.

5.5. بهبود عملکرد توصیه

در این بخش، نتایج توصیه‌های روش خود و روش‌های مقایسه را ارائه می‌کنیم. همانطور که در شکل 4 و جدول 2 نشان داده شده است ، مقدار N را 5، 10، 15، 20، 25 و 30 در نظر گرفتیم.

5.5.1. روش‌های ترکیب تأثیر زمانی

نتایج تجربی نشان می‌دهد که همه روش‌های POI زمانی (LRT، LORE، و U-CF-Memory) عملکرد بهتری از U-CF داشتند. این به این دلیل است که ترجیحات افراد در رابطه با POI ها با گذشت زمان متفاوت خواهد بود و عامل زمان نقش مهمی در تصمیم گیری افراد برای سفر ایفا می کند. به عنوان مثال، با توجه به

P R E @ 10

، U-CF-Memory دقت بالاتری معادل 3.12% دریافت کرد که عملکرد بهتری نسبت به U-CF (2.19%) با 42.47% داشت. با توجه به

R E C @ 10

، U-CF-Memory فراخوانی بالاتری معادل 10.63% دریافت کرد که با 81.38% از U-CF (9.83%) بهتر بود. با توجه به

F @ 10

، U-CF-Memory به مقدار F بالاتر 4.83% پی برد که 22.9% از U-CF (3.93%) بهتر عمل کرد. با توجه به

N D C G @ 10

، U-CF-Memory مقدار بالاتر 7.08٪ را دریافت کرد، با عملکرد بهتر از U-CF (4.76٪) 48.74٪. محدودیت های اصلی U-CF این است که فقط از داده های ورود باینری استفاده می کند و اثر حافظه فرد را نادیده می گیرد. در مقابل، U-CF-Memory نه تنها از فرکانس ورود افراد در POI برای تمایز بین POI های مهم و غیر مهم استفاده می کند، بلکه مکانیسم تضعیف اولویت سفر مبتنی بر حافظه را نیز برای تأکید بر سوابق ورود نزدیک به فعلی معرفی می کند. زمان.

علاوه بر این، روش U-CF-Memory از سایر روش‌های تقویت‌شده زمانی (LRT و LORE) در چهار معیار ارزیابی بهتر عمل می‌کند. این به این دلیل است که LRT و LORE نسبت به پراکندگی مجموعه داده بسیار حساس هستند و بنابراین از عملکرد ضعیف با مجموعه داده ما رنج می برند. همانطور که در شکل 4 نشان داده شده است ، مشاهده دیگر این است که وقتی طول لیست توصیه ها کوچک است ( N= 5)، روش U-CF-Memory به بهترین عملکرد دست می یابد. با افزایش طول لیست توصیه‌ها، عملکرد سه روش زمانی سازگار است. ما فکر می‌کنیم دلیل آن این است که روش U-CF-Memory تضعیف ترجیحات سفر مبتنی بر حافظه افراد و تغییر در تأثیرات روانی افراد در طول زمان را در نظر می‌گیرد و بنابراین، عملکرد توصیه بهتری را در پیش‌بینی POI بعدی به دست می‌آورد.

5.5.2. روش‌های ترکیب چسبندگی POI

در مقایسه با U-CF، روش U-CF-Stickiness پیشنهادی ما دقت توصیه بسیار بهتری را در چهار معیار ارزیابی درک می‌کند. به عنوان مثال، از نظر

P R E @ 10

U-CF-Stickiness دقت بالاتر 4.21% را دریافت کرد که 92.24% از U-CF (2.19%) بهتر بود. به لحاظ

R E C @ 10

U-CF-Stickiness فراخوانی بالاتری معادل 20.42% دریافت کرد که نسبت به U-CF (9.83%) با 107.73% عملکرد بهتری داشت. به لحاظ

F @ 10

، U-CF-Stickiness به مقدار F بالاتر 6.57% پی برد که 67.18% از U-CF (3.93%) بهتر عمل کرد. به لحاظ

N D C G @ 10

، U-CF-Stickiness مقدار بالاتر 12.67% را دریافت کرد، با عملکرد بهتر از U-CF (4.76%) با 166.18%. این نتایج تجربی نشان می‌دهد که تعداد زیادی از POIهای بی‌اهمیت با فرکانس‌های تکرار کم، منجر به پیچیدگی و ناکارآمدی توصیه‌های POI می‌شود، زیرا الگوریتم توصیه دقیقاً علاقه افراد به POI را شناسایی نمی‌کند. در مقابل، روش U-CF-Stickiness از طریق نشانگر چسبندگی POI، این POI ها را که افراد به سختی به آن ها بازگشتند، حذف کرد تا الگوریتم توصیه بتواند بر روی POI های مهمی که بر رفتارهای حرکتی افراد غالب هستند تمرکز کند.

مشاهدات دیگر این است که در مقایسه با خط پایه U-CF، روش U-CF-Stickiness دقت بهتری نسبت به روش U-CF-Memory به دست می آورد. دلیل این امر این است که روش U-CF-Stickiness از نشانگر چسبندگی POI برای انتخاب POIهایی با نرخ بازدید مجدد و حفظ فردی بالا استفاده کرد و مواردی را که فقط یک یا دو بار بررسی شده بودند حذف کرد. افراد درجه ترجیح بیشتری برای POI با چسبندگی بالا دارند که بر رفتارهای مسافرتی افراد غالب است. در مقابل، اگرچه روش U-CF-Memory تکامل علایق افراد را در نظر می گرفت، اما هنوز تعداد زیادی POI با چسبندگی POI کم در هنگام توصیه POI به یک فرد، که منجر به عملکرد ضعیف می شد، را شامل می شد.

5.5.3. روش یکپارچه

در بین هر چهار روش، روش U-CF-Memory-Stickiness یکپارچه پیشنهادی ما بهترین عملکرد را در همه این معیارها به دست آورد. به عنوان مثال، با توجه به

P R E @ 10

روش U-CF-Memory-Stickiness بالاترین مقدار 4.46% را بدست آورد که به ترتیب 42.95% و 5.94% از U-CF-Memory و U-CF-Stickiness بهتر عمل کرد. با توجه به

R E C @ 10

روش U-CF-Memory-Stickiness بالاترین مقدار 23.33% را بدست آورد که به ترتیب 119.47% و 14.2% از U-CF-Memory و U-CF-Stickiness بهتر عمل کرد. با توجه به

F @ 10

روش U-CF-Memory-Stickiness بالاترین مقدار 7.49% را بدست آورد که به ترتیب 55.07% و 14.00% از U-CF-Memory و U-CF-Stickiness بهتر عمل کرد. با توجه به

N D C G @ 10

روش U-CF-Memory-Stickiness بالاترین مقدار 13.24% را بدست آورد که به ترتیب 87.01% و 4.50% از U-CF-Memory و U-CF-Stickiness بهتر عمل کرد. عملکرد برتر روش یکپارچه U-CF-Memory-Stickiness به این دلیل بود که این روش تأثیر ترجیحات مبتنی بر حافظه یک فرد و تأثیر چسبندگی POI را برای آنها در همان زمان در نظر می گیرد. اول، ما فرکانس ورود و اثر حافظه را به جای متغیرهای باینری ساده در نظر گرفتیم تا ماتریس ورود کاربر-POI را با اولویت‌های مبتنی بر حافظه بسازیم، که منعکس‌کننده تکامل علاقه به الگوهای تحرک افراد است. دوم، هنگام توصیه POI های بازدید نشده به هر فردی،

علاوه بر این، این نتایج تجربی نشان می‌دهد که روش یکپارچه پیشنهادی ما U-CF-Memory-Stickiness به طور مداوم از سایر روش‌های چندگانه در تمام مقادیر N در چهار معیار ارزیابی بهتر عمل می‌کند. بنابراین، انتخاب مقدار N بر مقایسه روش‌های مختلف تأثیری ندارد.

5.6. تأثیر آستانه چسبندگی POI L

ما همچنین تأثیر توصیه آستانه چسبندگی POI را مطالعه کردیم

L

در مجموعه اعتبارسنجی مقدار آستانه چسبندگی POI

L

میانگین آستانه فرکانس بازدید را در روش U-CF-Stickiness و U-CF-Memory-Stickiness روش کنترل می کند. مقدار کمتری برای آستانه

L

به این معنی است که روش توصیه، POI های بیشتری را با میانگین فرکانس بازدید پایین در نظر می گیرد. ما طرح ریزی کردیم

P R E @ 10

R E C @ 10

، و

F @ 10

تحت آستانه های مختلف چسبندگی POI

L

در شکل 5 ، جایی که آستانه چسبندگی POI را تغییر دادیم

L

از 1.0 تا 2.0

همانطور که در شکل 5 نشان داده شده است ، از نظر دقت، منحنی های هر دو روش به اوج خود در

L = 1.6

. افزایش در

L

از 1.0 به 1.6 ارزش دقت را ارتقا داد، در حالی که افزایش در

L

از 1.6 به 2.0 ارزش دقت را کاهش داد. از نظر یادآوری، منحنی های هر دو روش به اوج خود رسیدند

L = 1.8

. افزایش در

L

از 1.0 به 1.8 ارزش فراخوان را ارتقا داد، در حالی که افزایش در

L

از 1.8 به 2.0 ارزش فراخوان را کاهش داد. معیار ارزیابی F- value گرایشی شبیه به دقت را نشان داد، با یک پیک منفرد در

L = 1.6

. با در نظر گرفتن سه معیار، به این نتیجه رسیدیم که مقدار کمتر یا بالاتر از

L

ممکن است عملکرد توصیه POI را کاهش دهد. علاوه بر این، U-CF-Stickiness و U-CF-Memory-Stickiness زمانی که آستانه چسبندگی POI قوی بودند

L

روی 1.6 تنظیم شد.

6. بحث و نتیجه گیری

در این مقاله، ما یک چارچوب فیلتر مشترک مبتنی بر کاربر جدید با تضعیف اولویت مبتنی بر حافظه و چسبندگی POI، به نام U-CF-Memory-Stickiness، برای top- N پیشنهاد کردیم.وظایف توصیه POI چارچوب ما به جای داده‌های باینری، به اثر حافظه و چسبندگی POI سوابق ورود علاقه‌مند است. به طور خاص، ما مکانیسم تضعیف مبتنی بر حافظه را برای مطالعه اثرات روانشناختی بر رفتارهای سفر یک فرد و استخراج الگوهای تغییرات در ترجیحات سفر افراد معرفی کردیم. با این حال، اثر حافظه نمی‌تواند POI‌های مهمی را که بر الگوهای حرکتی افراد غالب هستند، که نقش مهمی در تصمیم‌گیری‌های سفر افراد بازی می‌کنند، ثبت کند. بنابراین، ما مفهوم چسبندگی POI را به عنوان تابعی از میانگین فرکانس های ورود افراد در POI معرفی کردیم، که نشان دهنده ترجیحات سفر پایدار افراد برای POI در LBSN ها است. با توجه به ملاحظات فوق،

ما مجموعه‌ای از آزمایش‌های اعتبارسنجی و ارزیابی را بر روی مجموعه داده‌های دنیای واقعی که از وب‌سایت Foursquare خزیده شده بود، انجام دادیم. ابتدا، نتایج آزمایش‌ها نشان داد که ترکیب تأثیر چسبندگی POI در روش CF مبتنی بر کاربر، عملکرد توصیه‌های POI را بهبود می‌بخشد، به این معنی که چسبندگی POI یک شاخص مفید برای تمایز بین POI‌های مهمی است که بازدیدهای مکرر افراد را جلب می‌کنند و POI‌های غیر مهم. که یک فرد فقط یک یا دو بار چک این می کند. دوم، نتایج آزمایش‌ها نشان داد که روش یکپارچه پیشنهادی ما، U-CF-Memory-Stickiness، از همه روش‌های دیگر در چهار معیار ارزیابی بهتر عمل می‌کند. که نشان می دهد که ترکیب اثر حافظه و چسبندگی POI وسیله ای موثر برای استخراج ترجیحات سفر پویا و پایدار افراد برای POI است. به طور خاص، ساخت ماتریس ورود کاربر-POI تأثیر تضعیف اولویت مبتنی بر حافظه و فرکانس بازدید را در نظر گرفت. پیش‌بینی مقادیر اعلام ورود برای افراد هدف فقط بر اساس POIهایی با چسبندگی POI بالاتر از آستانه بود.

L

با این حال، رویکرد ما محدودیت هایی دارد. ابتدا POI ها را با چسبندگی کمتر از آستانه حذف کردیم

L

، که ممکن است منجر به از بین رفتن برخی از اطلاعات اولویت شده باشد. مفهوم چسبندگی POI نشان دهنده بازدید مجدد و حفظ یک فرد در یک POI است و به شدت با ترجیحات بالقوه سفر افراد در رابطه با POI مرتبط است. احتمال بیشتری وجود دارد که افراد به POI هایی با چسبندگی POI بالا مراجعه کنند و به طور مکرر از آن POI هایی با چسبندگی POI پایین بازدید نخواهند کرد. بنابراین، ترجیحات سفر به طور قابل توجهی در میان افرادی با مقادیر مختلف چسبندگی برای POI وجود دارد. با توجه به ناهمگونی سبک‌های شناخت افراد، الگوریتم توصیه باید آستانه‌های چسبندگی متفاوتی را برای هر فرد اتخاذ کند. با این حال، مشکل اصلی این است که کمی کردن سبک‌های شناختی ناهمگون افراد دشوار است. دوم، روش ما تحلیل عاملی جغرافیایی را در نظر نگرفت. با توجه به تعاملات فیزیکی بین افراد و POI ها، عامل جغرافیایی یک بخش مهم از اطلاعات زمینه ای برای توصیه POI است. به عنوان مثال، مردم تمایل دارند در یک منطقه محلی حرکت کنند. به این معنا که POI هایی که افراد قبلاً از آنها بازدید کرده اند ممکن است یک الگوی خوشه مرکزی را نشان دهند. بنابراین، محدودیت جغرافیایی منطقه ای بر الگوهای تحرک مردم تأثیر خواهد داشت. سوم، روش ما فاقد تحلیل تأثیر اجتماعی است. افراد تمایل دارند در POI هایی که اکیداً توسط دوستانشان توصیه شده است که ترجیحات سفر مشابهی دارند بررسی کنند. بدیهی است که ترجیحات دوستان آنها ممکن است نقش مهمی در تصمیم گیری افراد در سفر داشته باشد. با این حال، چگونگی پیش‌بینی روابط اجتماعی بین افراد یک موضوع چالش برانگیز برای توصیه POI است. عامل جغرافیایی بخش مهمی از اطلاعات زمینه ای برای توصیه POI است. به عنوان مثال، مردم تمایل دارند در یک منطقه محلی حرکت کنند. به این معنا که POI هایی که افراد قبلاً از آنها بازدید کرده اند ممکن است یک الگوی خوشه مرکزی را نشان دهند. بنابراین، محدودیت جغرافیایی منطقه ای بر الگوهای تحرک مردم تأثیر خواهد داشت. سوم، روش ما فاقد تحلیل تأثیر اجتماعی است. افراد تمایل دارند در POI هایی که اکیداً توسط دوستانشان توصیه شده است که ترجیحات سفر مشابهی دارند بررسی کنند. بدیهی است که ترجیحات دوستان آنها ممکن است نقش مهمی در تصمیم گیری افراد در سفر داشته باشد. با این حال، چگونگی پیش‌بینی روابط اجتماعی بین افراد یک موضوع چالش برانگیز برای توصیه POI است. عامل جغرافیایی بخش مهمی از اطلاعات زمینه ای برای توصیه POI است. به عنوان مثال، مردم تمایل دارند در یک منطقه محلی حرکت کنند. به این معنا که POI هایی که افراد قبلاً از آنها بازدید کرده اند ممکن است یک الگوی خوشه مرکزی را نشان دهند. بنابراین، محدودیت جغرافیایی منطقه ای بر الگوهای تحرک مردم تأثیر خواهد داشت. سوم، روش ما فاقد تحلیل تأثیر اجتماعی است. افراد تمایل دارند در POI هایی که اکیداً توسط دوستانشان توصیه شده است که ترجیحات سفر مشابهی دارند بررسی کنند. بدیهی است که ترجیحات دوستان آنها ممکن است نقش مهمی در تصمیم گیری افراد در سفر داشته باشد. با این حال، چگونگی پیش‌بینی روابط اجتماعی بین افراد یک موضوع چالش برانگیز برای توصیه POI است. مردم تمایل دارند در یک منطقه محلی حرکت کنند. به این معنا که POI هایی که افراد قبلاً از آنها بازدید کرده اند ممکن است یک الگوی خوشه مرکزی را نشان دهند. بنابراین، محدودیت جغرافیایی منطقه ای بر الگوهای تحرک مردم تأثیر خواهد داشت. سوم، روش ما فاقد تحلیل تأثیر اجتماعی است. افراد تمایل دارند در POI هایی که اکیداً توسط دوستانشان توصیه شده است که ترجیحات سفر مشابهی دارند بررسی کنند. بدیهی است که ترجیحات دوستان آنها ممکن است نقش مهمی در تصمیم گیری افراد در سفر داشته باشد. با این حال، چگونگی پیش‌بینی روابط اجتماعی بین افراد یک موضوع چالش برانگیز برای توصیه POI است. مردم تمایل دارند در یک منطقه محلی حرکت کنند. به این معنا که POI هایی که افراد قبلاً از آنها بازدید کرده اند ممکن است یک الگوی خوشه مرکزی را نشان دهند. بنابراین، محدودیت جغرافیایی منطقه ای بر الگوهای تحرک مردم تأثیر خواهد داشت. سوم، روش ما فاقد تحلیل تأثیر اجتماعی است. افراد تمایل دارند در POI هایی که اکیداً توسط دوستانشان توصیه شده است که ترجیحات سفر مشابهی دارند بررسی کنند. بدیهی است که ترجیحات دوستان آنها ممکن است نقش مهمی در تصمیم گیری افراد در سفر داشته باشد. با این حال، چگونگی پیش‌بینی روابط اجتماعی بین افراد یک موضوع چالش برانگیز برای توصیه POI است. محدودیت جغرافیایی منطقه ای بر الگوهای تحرک مردم تأثیر خواهد گذاشت. سوم، روش ما فاقد تحلیل تأثیر اجتماعی است. افراد تمایل دارند در POI هایی که اکیداً توسط دوستانشان توصیه شده است که ترجیحات سفر مشابهی دارند بررسی کنند. بدیهی است که ترجیحات دوستان آنها ممکن است نقش مهمی در تصمیم گیری افراد در سفر داشته باشد. با این حال، چگونگی پیش‌بینی روابط اجتماعی بین افراد یک موضوع چالش برانگیز برای توصیه POI است. محدودیت جغرافیایی منطقه ای بر الگوهای تحرک مردم تأثیر خواهد گذاشت. سوم، روش ما فاقد تحلیل تأثیر اجتماعی است. افراد تمایل دارند در POI هایی که اکیداً توسط دوستانشان توصیه شده است که ترجیحات سفر مشابهی دارند بررسی کنند. بدیهی است که ترجیحات دوستان آنها ممکن است نقش مهمی در تصمیم گیری افراد در سفر داشته باشد. با این حال، چگونگی پیش‌بینی روابط اجتماعی بین افراد یک موضوع چالش برانگیز برای توصیه POI است.

در آینده روش پیشنهادی را از چند جنبه بیشتر بررسی خواهیم کرد. ابتدا، ما قصد داریم سطوح مختلف چسبندگی POI را برای تولید -N بالا در نظر بگیریملیست های توصیه یکی از روش‌های ممکن یادگیری وزن متناظر برای مقادیر مختلف چسبندگی POI از طریق مکانیسم توجه و سپس استفاده از شبکه‌های عصبی عمیق برای گنجاندن آن در مقادیر بررسی هر فرد در POI‌های بازدید نشده است. در این روش، پارامترهای وزن را می توان از طریق یک فرآیند پس انتشار تنظیم کرد و بنابراین، فرآیند یادگیری تطبیقی خواهد بود. دوم، ما بیشتر تلاش خواهیم کرد تا تأثیر ترجیحات مبتنی بر حافظه یک فرد و تأثیر چسبندگی یک POI برای یک فرد را در چنین الگوریتم‌های توصیه پایه چندگانه مانند حداقل مربعات متناوب (ALS) و مدل خطی پراکنده (SLIM) بگنجانیم. سوم، بر اساس مقوله و مختصات جغرافیایی POIهایی که بازدید شده است، الگوهای خوشه‌ای مسیرهای تحرک انسانی را مطالعه خواهیم کرد. ما در نظر داریم ویژگی‌های جغرافیایی و احتمال ورود به هر خوشه از POI را برای به دست آوردن محدودیت‌های منطقه‌ای محلی و الگوهای ترجیحی جغرافیایی افراد تجزیه و تحلیل کنیم. چهارم، ما قصد داریم اولویت‌های سفر و برچسب‌های اجتماعی دوستان اجتماعی را در چارچوب CF برای پیش‌بینی رفتارهای سفر افراد هدف بگنجانیم. برای انعکاس سطوح مختلف اعتماد اجتماعی بین دوستان اجتماعی، از یک شبکه عصبی مبتنی بر نمودار برای ایجاد پیوندهای اجتماعی بین افراد استفاده خواهیم کرد. در نهایت، ما توجه بیشتری به وظیفه توصیه‌های پی در پی شخصی‌سازی شده POI خواهیم داشت، که بر این موضوع تمرکز می‌کنند که فرد می‌خواهد فردا یا چند روز آینده به کجا برود.

منابع

ژو، ایکس. ماسکولو، سی. ژائو، زی. شبکه‌های حافظه تقویت‌شده با موضوع برای توصیه شخصی‌شده نقطه‌نظر. در مجموعه مقالات KDD’19: مجموعه مقالات بیست و پنجمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی. انجمن ماشین‌های محاسباتی (ACM): نیویورک، نیویورک، ایالات متحده آمریکا، 2019؛ صفحات 3018–3028. [ Google Scholar ]
لیو، سی. لیو، جی. خو، اس. وانگ، جی. لیو، سی. چن، تی. جیانگ، تی. یک شبکه کانولوشنال متسع فضایی-زمانی برای توصیه نقطه مورد علاقه. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 113. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
چانگ، ایکس. لی، اچ. رانگ، جی. ژائو، ایکس. Li، A. تجزیه و تحلیل ثبات ترافیک و ظرفیت برای جریان ترافیک مختلط با جوخه های وسایل نقلیه متصل هوشمند. فیزیک یک آمار مکانیک. Appl. 2020 , 557 , 124829. [ Google Scholar ] [ CrossRef ]
ژو، ال. ژانگ، اس. یو، جی. چن، ایکس (مایکل) شبکه‌های عصبی تانسور عمیق فضایی-زمانی برای پیش‌بینی سرعت شبکه شهری در مقیاس بزرگ. IEEE Trans. هوشمند ترانسپ سیستم 2020 ، 21 ، 3718–3729. [ Google Scholar ] [ CrossRef ]
هایکینهایمو، وی. تنکانن، اچ. برگروث، سی. جرو، او. هیپالا، تی. Toivonen, T. درک استفاده از فضاهای سبز شهری از اطلاعات جغرافیایی تولید شده توسط کاربر. Landsc. طرح شهری. 2020 ، 201 ، 103845. [ Google Scholar ] [ CrossRef ]
لی، ام. لو، اف. ژانگ، اچ. چن، جی. پیش‌بینی مکان‌های آینده اجسام متحرک با شبکه‌های فازی-LSTM عمیق. ترانسپ ترانسپ. علمی 2018 ، 16 ، 119-136. [ Google Scholar ] [ CrossRef ]
ژانگ، T.-W. یو، اس. وانگ، ال. یانگ، جی. الگوریتم توصیه اجتماعی بر اساس تجزیه ماتریس گرادیان تصادفی در شبکه اجتماعی. J. محیط. هوشمند اومانیز. محاسبه کنید. 2019 ، 11 ، 601–608. [ Google Scholar ] [ CrossRef ]
یوان، Q. کنگ، جی. ما، ز. سان، ا. Magnenat-Thalmann، N. توصیه زمان آگاه از نقطه علاقه. در مجموعه مقالات سی و ششمین کنفرانس بین المللی ACM SIGIR در مورد تحقیق و توسعه در بازیابی اطلاعات – SIGIR ’13، دوبلین، ایرلند، 28 ژوئیه تا 1 اوت 2013. صص 363-372. [ Google Scholar ]
هان، پی. شانگ، اس. سان، ا. ژائو، پی. ژنگ، ک. Kalnis، P. AUC-MF: توصیه نقطه مورد علاقه با AUC Maximization. در مجموعه مقالات سی و پنجمین کنفرانس بین المللی مهندسی داده IEEE 2019، ماکائو، چین، 8 تا 12 آوریل 2019؛ صفحات 1558-1561. [ Google Scholar ]
یانگ، سی. بای، ال. ژانگ، سی. یوان، Q. هان، جی. پل زدن فیلتر مشارکتی و یادگیری نیمه نظارت شده: یک رویکرد عصبی برای توصیه POI. در KDD’17: مجموعه مقالات بیست و سومین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی . انجمن ماشین‌های محاسباتی (ACM): نیویورک، نیویورک، ایالات متحده آمریکا، 2017؛ ص 1245-1254. [ Google Scholar ]
تانگ، ال. کای، دی. دوان، ز. ما، جی. هان، م. Wang, H. کشف جامعه سفر برای توصیه POI در شبکه های اجتماعی مبتنی بر مکان. پیچیدگی 2019 ، 2019 ، 1-8. [ Google Scholar ] [ CrossRef ]
Mak، BKL; جیم، سی وای پیوند دادن ویژگی‌های جمعیتی-اجتماعی کاربران پارک و ترجیحات مربوط به بازدید برای بهبود پارک‌های شهری. شهرها 2019 ، 92 ، 97–111. [ Google Scholar ] [ CrossRef ]
مک کرچر، بی. شوال، ن. نگ، ای. Birenboim، A. رفتار بازدیدکنندگان اول و تکراری: ردیابی GPS و تجزیه و تحلیل GIS در هنگ کنگ. تور. Geogr. 2012 ، 14 ، 147-161. [ Google Scholar ] [ CrossRef ]
یو، سی. شیائو، بی. یائو، دی. دینگ، ایکس. جین، اچ. استفاده از ویژگی‌های اعلام حضور برای پارتیشن‌بندی مکان‌ها برای کاربران فردی در شبکه‌های اجتماعی مبتنی بر مکان. Inf. فیوژن 2017 ، 37 ، 86-97. [ Google Scholar ] [ CrossRef ]
گان، م. گائو، ال. هان، ی. آیا الگوی سفر روزانه ترجیح مردم را فاش می کند؟ در مجموعه مقالات پنجاهمین کنفرانس بین المللی هاوایی در علوم سیستم (2017)، روستای هیلتون وایکولا، HI، ایالات متحده آمریکا، 4 تا 7 ژانویه 2017. صص 1-10. [ Google Scholar ]
لی، ی. لیو، بی. وانگ، سی. مطالعه تکامل رفتار علاقه کاربر آنلاین. در مجموعه مقالات پانزدهمین کنفرانس بین المللی هوش محاسباتی و امنیت (CIS) 2019، ماکائو، چین، 13 تا 16 دسامبر 2019؛ صص 166-171. [ Google Scholar ]
شائو، ز. ژانگ، ال. چن، ک. ژانگ، سی. بررسی رضایت و چسبندگی کاربر در سایت‌های شبکه‌های اجتماعی از یک لنز مقرون به صرفه فناوری: کشف اثر تعدیل‌کننده تجربه کاربر. Ind. Manag. سیستم داده 2020 ، 120 ، 1331-1360. [ Google Scholar ] [ CrossRef ]
راجا، DRK; پوشپا، اس. راجا، ک. توصیه مبتنی بر تازگی با استفاده از فاکتورسازی ماتریس یکپارچه و بهینه‌سازی خوشه‌بندی آگاهانه زمانی. بین المللی J. Commun. سیستم 2020 , 33 , e3851. [ Google Scholar ] [ CrossRef ]
ممکن است.؛ گان، ام. کاوش چندین اطلاعات مکانی-زمانی برای توصیه نقطه مورد علاقه. محاسبات نرم. 2020 ، 24 ، 18733-18747. [ Google Scholar ] [ CrossRef ]
خزاعی، ا. علیمحمدی، ع. توصیه موقعیت مکانی گروه محور آگاه به زمینه در شبکه های اجتماعی مبتنی بر مکان. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 406. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
هان، X.-P. وانگ، ب. تأثیر فاصله و حافظه در پیدایش الگوی حرکتی مقیاس‌پذیر انسان. فیزیک Procedia 2010 ، 3 ، 1907-1911. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
گان، م. Gao, L. کشف ترجیحات مبتنی بر حافظه برای توصیه POI در شبکه های اجتماعی مبتنی بر مکان. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 279. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
پارک، اس.-م. بایک، D.-K. کیم، ی.-جی. تحلیل احساسات کاربر بر اساس منحنی فراموشی در محیط‌های موبایل. در مجموعه مقالات پانزدهمین کنفرانس بین المللی IEEE 2016 در زمینه انفورماتیک شناختی و محاسبات شناختی (ICCI*CC)، پالو آلتو، کالیفرنیا، ایالات متحده آمریکا، 22 تا 23 اوت 2016؛ ص 207-211. [ Google Scholar ]
Loftus, GR ارزیابی منحنی های فراموشی. J. Exp. روانی فرا گرفتن. مم شناخت. 1985 ، 11 ، 397-406. [ Google Scholar ] [ CrossRef ]
زنگ، ال. Lin, L. یک سیستم یادگیری تعاملی واژگان بر اساس فهرست های فراوانی کلمات و منحنی فراموشی ابینگهاوس. در مجموعه مقالات کارگاه 2011 در مورد رسانه های دیجیتال و مدیریت محتوای دیجیتال، هانگژو، چین، 15-16 مه 2011; صص 313-317. [ Google Scholar ] [ CrossRef ]
اورل، ال. Heathcote، A. شکل منحنی فراموشی و سرنوشت خاطرات. جی. ریاضی. روانی 2011 ، 55 ، 25-35. [ Google Scholar ] [ CrossRef ]
بوبادیلا، جی. اورتگا، اف. هرناندو، ا. Gutiérrez, A. بررسی سیستم های توصیه کننده. بدانید. سیستم مبتنی بر 2013 ، 46 ، 109-132. [ Google Scholar ] [ CrossRef ]
یو، ی. چن، ایکس. بررسی توصیه‌های نقطه‌نظر در شبکه‌های اجتماعی مبتنی بر مکان. در مجموعه مقالات بیست و نهمین کنفرانس AAAI در مورد هوش مصنوعی، آستین، TX، ایالات متحده، 25-30 ژانویه 2015. صص 53-60. [ Google Scholar ]
بله، م. یین، پی. لی، دبلیو.-سی. لی، دی.-ال. بهره‌برداری از نفوذ جغرافیایی برای توصیه‌های نقطه‌نظر مشترک. در مجموعه مقالات سی و چهارمین کنفرانس بین المللی ACM SIGIR در مورد تحقیق و توسعه در بازیابی اطلاعات. انجمن ماشین های محاسباتی: پکن، چین، 2011; صص 325-334. [ Google Scholar ] [ CrossRef ]
لیو، بی. شیونگ، اچ. پاپادیمیتریو، اس. فو، ی. یائو، زی. یک مدل عامل احتمالی جغرافیایی عمومی برای توصیه نقطه مورد علاقه. IEEE Trans. بدانید. مهندسی داده 2015 ، 27 ، 1167-1179. [ Google Scholar ] [ CrossRef ]
بارال، ر. لی، تی. بهره برداری از نقش جنبه ها در سیستم های توصیه گر POI شخصی. حداقل داده بدانید. کشف کنید. 2017 ، 32 ، 320-343. [ Google Scholar ] [ CrossRef ]
گائو، آر. لی، جی. لی، ایکس. آهنگ، سی. چانگ، جی. لیو، دی. وانگ، سی. STSCR: بررسی تأثیر متوالی مکانی-زمانی و اطلاعات اجتماعی برای توصیه مکان. محاسبات عصبی 2018 ، 319 ، 118-133. [ Google Scholar ] [ CrossRef ]
هوانگ، ال. ممکن است.؛ لیو، ی. Sangaiah، AK تعبیه بیزی چندوجهی برای توصیه نقطه‌نظر در شبکه‌های سایبری فیزیکی-اجتماعی مبتنی بر مکان. آینده. ژنر. محاسبه کنید. سیستم 2020 ، 108 ، 1119-1128. [ Google Scholar ] [ CrossRef ]
سانچز، پی. Bellogín، A. آگاهی از زمان و توالی در معیارهای تشابه برای توصیه. Inf. روند. مدیریت 2020 , 57 , 102228. [ Google Scholar ] [ CrossRef ]
ژانگ، ی. شی، ز. زو، دبلیو. یو، ال. لیانگ، اس. Li, X. زنجیره های مارکوف شخصی شده مشترک با تعبیه شبکه اجتماعی برای توصیه شروع سرد. محاسبات عصبی 2020 ، 386 ، 208-220 . [ Google Scholar ] [ CrossRef ]
چن، جی. ژانگ، دبلیو. ژانگ، پی. یینگ، پی. نیو، ک. Zou, M. بهره برداری از توصیه های مکانی و زمانی برای نقطه مورد علاقه. پیچیدگی 2018 ، 2018 ، 1-16. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
گائو، اچ. تانگ، جی. هو، ایکس. لیو، اچ. بررسی اثرات زمانی برای توصیه مکان در شبکه‌های اجتماعی مبتنی بر مکان. در مجموعه مقالات هفتمین کنفرانس ACM در مورد سیستم های توصیه کننده، هنگ کنگ، چین، 12 تا 16 اکتبر 2013. صص 93-100. [ Google Scholar ]
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. 2015 ، 9 ، 633-646. [ Google Scholar ] [ CrossRef ]
ژائو، اس. ژائو، تی. یانگ، اچ. لیو، ام آر؛ King, I. STELLAR: رتبه‌بندی پنهان مکانی-زمانی برای توصیه‌های پی در پی نقطه‌ی علاقه. در مجموعه مقالات سی امین کنفرانس AAAI در مورد هوش مصنوعی، فینیکس، AZ، ایالات متحده آمریکا، 12 تا 17 فوریه 2016; صص 315-321. [ Google Scholar ]
دینگ، آر. چن، ز. Li, X. جاسازی متریک فاصله زمانی-مکانی برای توصیه POI خاص زمان. IEEE Access 2018 ، 6 ، 67035–67045. [ Google Scholar ] [ CrossRef ]
هوانگ، جی. لیو، ی. چن، ی. جیا، سی. توصیه پویا از توالی POI در پاسخ به مسیر تاریخی. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 433. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
چنگ، سی. یانگ، اچ. لیو، ام آر؛ King, I. جایی که دوست دارید در مرحله بعد بروید: توصیه نقطه مورد علاقه پی در پی. در مجموعه مقالات بیست و سومین کنفرانس مشترک بین المللی هوش مصنوعی، پکن، چین، 3 تا 9 اوت 2013. صص 2605-2611. [ Google Scholar ]
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 ]
لیو، تی. لیائو، جی. وو، زی. وانگ، ی. وانگ، جی. بهره‌برداری از توجه آگاهی جغرافیایی-زمانی برای توصیه‌های مورد علاقه بعدی. محاسبات عصبی 2020 ، 400 ، 227-237 . [ Google Scholar ] [ CrossRef ]
لو، ی.-اس. هوانگ، اس.-اچ. GLR: یک مدل نمایش نهفته مبتنی بر نمودار برای توصیه های پی در پی POI. آینده. ژنر. محاسبه کنید. سیستم 2020 ، 102 ، 230-244. [ Google Scholar ] [ CrossRef ]
یو، سی. لیو، ی. یائو، دی. جین، اچ. لو، اف. چن، اچ. دینگ، کیو. ویژگی‌های ثبت نام کاربر ماینینگ برای طبقه‌بندی مکان در شبکه‌های اجتماعی مبتنی بر مکان. در مجموعه مقالات سمپوزیوم IEEE 2015 در زمینه کامپیوتر و ارتباطات (ISCC)، لارناکا، قبرس، 6 تا 9 ژوئیه 2015؛ صص 385-390. [ Google Scholar ]
کاتو، ی. Yamamoto, K. یک سیستم توصیه مکان دیدنی که تعداد بازدید کاربران را در نظر می گیرد. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 411. [ Google Scholar ] [ CrossRef ]
خو، ی. لی، ی. یانگ، دبلیو. Zhang, J. یک مدل پیشنهادی POI تأثیرگذار چند عاملی بر اساس فاکتورسازی ماتریس. در مجموعه مقالات دهمین کنفرانس بین المللی 2018 در زمینه هوش محاسباتی پیشرفته (ICACI)، شیامن، چین، 29 تا 31 مارس 2018؛ صص 514-519. [ Google Scholar ]
المنسترلی، دی. علی، ف. Steedman، C. رفتار چسبندگی اعضای جامعه سفر مجازی: چگونه و چه زمانی ایجاد می شود. بین المللی جی. هاسپ. مدیریت 2020 , 88 , 102535. [ Google Scholar ] [ CrossRef ]
لین، JC-C. چسبندگی آنلاین: مقدمات و تأثیر آن بر قصد خرید. رفتار Inf. تکنولوژی 2007 ، 26 ، 507-516. [ Google Scholar ] [ CrossRef ]
لی، دی. براون، GJ; Wetherbe, JC چرا کاربران اینترنت به یک وب سایت خاص می چسبند؟ چشم انداز رابطه. بین المللی جی. الکترون. بازرگانی 2006 ، 10 ، 105-141. [ Google Scholar ] [ CrossRef ]
خو، جی. تانگ، ز. مک.؛ لیو، ی. دانشمند، م. الگوریتم توصیه فیلتر مشارکتی بر اساس اعتماد کاربر و زمینه زمانی. جی الکتر. محاسبه کنید. مهندس 2019 ، 2019 ، 1-12. [ Google Scholar ] [ CrossRef ]
وانگ، ی. وانگ، ال. لی، ی. او، دی. چن، دبلیو. لیو، تی.-ای. تجزیه و تحلیل نظری معیارهای رتبه بندی NDCG. در مجموعه مقالات بیست و ششمین کنفرانس تئوری یادگیری، COLT 2013، پرینستون، نیوجرسی، ایالات متحده آمریکا، 12 تا 14 ژوئن 2013. صص 25-54. [ Google Scholar ]

شکل 1. فلوچارت توصیه نقطه مورد علاقه (POI) با اولویت مبتنی بر حافظه و چسبندگی POI.

شکل 2. توزیع میانگین فرکانس ورود برای همه POI (توجه داشته باشید که ما فقط POIهایی را با میانگین فرکانس ورود بین 1 تا 7 نشان می دهیم، زیرا POIهای بعدی روند مشابهی را نشان می دهند.)

شکل 3.یک نمونه اسباب بازی از مسیر سفر یک فرد بین 1 ژوئیه 2020 و 9 ژوئیه 2020. بر اساس مکانیسم کاهش اولویت مبتنی بر حافظه، با توجه به زمان فعلی (به عنوان مثال، 1 اوت 2020)، ارزش ورود در P7 بالاترین در بین تمام POI ها است. با این حال، مقدار چسبندگی POI فرد در P7 کمترین است. به عبارت دیگر، فرد به طور مکرر به P7 مراجعه نمی کند و درجه ترجیح کمتری برای P7 دارد. بنابراین، P7 نمی تواند بر رفتارهای مسافرتی فرد تسلط داشته باشد. با توجه به تاثیر چسبندگی POI، فرد دارای بیشترین چسبندگی و فرکانس بازدید در P1، دومین چسبندگی و فرکانس بازدید در P2 و کمترین چسبندگی و فرکانس بازدید در سایر POIها است. بدیهی است که P1 بیشترین نقش را در تصمیمات سفر افراد دارد و پس از آن P2،

شکل 4. مقایسه عملکرد توصیه تحت N مختلف . ( الف ) دقت (

P R E @ N

). ( ب ) یادآوری (

R E C @ N

). ( C ) مقدار F (

F @ N

). ( D ) سود تجمعی تنزیل شده عادی شده (

N D C G @ N

شکل 5. عملکرد توصیه تحت مقادیر مختلف آستانه چسبندگی POI

L

(در یک مقدار برش رتبه N = 10). ( الف ) دقت با مقادیر L مختلف . ( ب ) با مقادیر L مختلف به یاد آورید . ( ج ) مقدار F با مقادیر L مختلف .

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

کلید واژه ها:

1. مقدمه

2. کارهای مرتبط

2.1. توصیه های POI مبتنی بر فیلترینگ مشارکتی

2.2. توصیه های POI با فاکتور زمانی پیشرفته

2.3. تعداد دفعات بازدید در داده های اعلام حضور مبتنی بر مکان

3. مقدمات

4. روش ها

4.1. مروری بر روش پیشنهادی ما

4.2. گنجاندن اثر حافظه افراد

4.3. ترکیب چسبندگی POI

4.4. یک چارچوب پیشنهادی POI مبتنی بر کاربر

5. آزمایش ها و ارزیابی

5.1. مجموعه داده

5.2. معیارهای ارزیابی

5.3. روش های پایه

5.4. جزئیات آزمایش

5.5. بهبود عملکرد توصیه

5.5.1. روش‌های ترکیب تأثیر زمانی

5.5.2. روش‌های ترکیب چسبندگی POI

5.5.3. روش یکپارچه

5.6. تأثیر آستانه چسبندگی POI L

6. بحث و نتیجه گیری

منابع

قبلیتوصیف فضایی اتحادهای خطوط هوایی اصلی: تحلیل شبکه

بعدیراه حل بلاک چین برای ایمن سازی معاملات املاک: مطالعه موردی برای صربستان

مطالب مرتبط ...

آموزش مقاله نویسی در رشته ادبیات فارسی

تأثیر همسایگی درونیابی DEM بر عوامل زمین

رگرسیون وزنی جغرافیایی تطبیقی ​​غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

خبرنامه

خبرنامه

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

دسترسی سریع

رگرسیون وزنی جغرافیایی تطبیقی غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب