Рекомендация на основе местоположения - Location-based recommendation
Рекомендация на основе местоположения - это система рекомендаций, которая включает информацию о местоположении, например, с мобильного устройства, в алгоритмы, чтобы попытаться предоставить пользователям более актуальные рекомендации. Сюда могут входить рекомендации по ресторанам, музеям или другим достопримечательностям или событиям рядом с местонахождением пользователя.
Эти службы используют преимущества все более широкого использования смартфонов, которые хранят и предоставляют информацию о местоположении своих пользователей вместе с социальными сетями на основе определения местоположения (LBSN), такими как Foursquare , Gowalla , Swarm и Yelp . Помимо сервисов геосоциальных сетей, традиционные социальные сети, такие как Facebook и Twitter , используют информацию о местоположении своих пользователей, чтобы показывать и рекомендовать предстоящие события, публикации и местные тенденции.
Помимо ценности для пользователей, эта информация полезна сторонним компаниям для рекламы продуктов, отелей, мест, а также для прогнозирования спроса на услуги, например, количества такси, необходимых в определенной части города.
Фон
Рекомендательные системы - это системы фильтрации информации, которые пытаются предсказать рейтинг или предпочтение, которое даст пользователь, на основе оценок, которые поставили аналогичные пользователи, и оценок, которые пользователь дал в предыдущих случаях. Эти системы становятся все более популярными и используются для фильмов, музыки, новостей, книг, исследовательских статей, поисковых запросов, социальных тегов и продуктов в целом.
Рекомендуем новые места
Основная цель рекомендации новых мест - предложить пользователю посетить неизведанные места, такие как рестораны, музеи, национальные парки или другие достопримечательности . Этот тип рекомендаций весьма ценен, особенно для тех, кто едет в новый город и хочет получить от поездки максимум удовольствия. Социальные сети на основе местоположения или сторонние рекламные компании готовы предоставить рекомендации не только на основе предыдущих проверок и предпочтений, но и с помощью социальных ссылок, чтобы предложить непосещенные достопримечательности. Неявная цель рекомендаций этого типа - облегчить пользователю поиск интересного места.
Одно из первых исследований в этой области было проведено в 2011 году. Идея этой работы заключалась в том, чтобы усилить социальное влияние и влияние местоположения и предоставить рекомендации. Авторы предлагают три типа оценок:
- Похожие пользователи: эта оценка пропорциональна схожести поведения пользователей при посещении мест. Математически оценка сходства между двумя пользователями рассчитывается следующим образом:
- Похожие друзья: эта оценка рассчитывается по косинусу сходства пользователей на основе их общих связей (например, дружбы) в социальных сетях. Это сходство пропорционально количеству общих друзей двух пользователей. Он рассчитывается как:
- Географическое расстояние: эта оценка обратно пропорциональна расстоянию между целевым местом и типичными местами, которые часто посещает пользователь. Другие исследования показали, что общее распределение расстояний похоже на распределение по степенному закону . Приведенная ниже формула рассчитывает вероятность регистрации пользователя на месте в зависимости от его удаленности от всех отметок пользователя .
Сумма этих трех оценок определяется как:
Рекомендуем следующее место
Предоставление последовательности рекомендаций становится все более сложным, и прежде чем давать какие-либо предложения, необходимо учитывать каждое место, время, погоду, доступность и т. Д. Они обычно известны как контекстно-зависимые рекомендации и, как правило, содержат информацию о местах, которые другие люди (возможно, друзья пользователя) посетили после первоначального посещения того места, где была получена первая рекомендация пользователя.
Рекомендации мероприятий и окрестностей
В разных местах проводится огромное количество временных мероприятий. Обнаружение и рекомендация событий, которые были бы интересны пользователю, - это задача, требующая значительного профилирования как истории предпочтений пользователя, так и его социального круга.
Общественные мероприятия
Исследователи на конференции Института инженеров по электротехнике и радиоэлектронике (IEEE) в 2010 году обсудили необходимость надежного детального набора данных о предыдущем посещении пользователей, чтобы обеспечить обнаружение социальных событий. Район проживания пользователя и посещаемые мероприятия оценивались по мобильным данным пользователей. Были разработаны и протестированы шесть различных стратегий для рекомендации мероприятий:
- Популярные мероприятия: самое посещаемое мероприятие.
- Географически близкие события: события, близкие к зоне проживания пользователя. Исходный счет события может быть скорректирован с коэффициентом, обратно пропорциональным расстоянию до события.
- Популярные мероприятия в районе: самые посещаемые мероприятия в определенных районах.
- TF-IDF (термин «частота - обратная частота документов»): вдохновленный популярным подходом к поиску информации , рекомендует события, которые могут не быть широко популярными, но очень популярными в определенной местности.
- K-ближайшие местоположения: популярные мероприятия в районах, близких к месту проживания пользователя. Сходство двух окрестностей и может быть определена как:
- K-ближайшие события: вычисляется подобие событий, и рекомендуются K-события, которые похожи на те, которые ранее нравились пользователю.
Рекомендации
- ↑ Е, Мао; Инь, Пэйфэн; Ли, Ван-Цзянь; Ли, Дик-Лун (01.01.2011). Использование географического влияния для совместной рекомендации по интересующим местам . Материалы 34-й Международной конференции ACM SIGIR по исследованиям и разработкам в области информационного поиска . СИГИР '11. Нью-Йорк, Нью-Йорк, США: ACM. С. 325–334. DOI : 10.1145 / 2009916.2009962 . ISBN 9781450307574 . S2CID 4237425 .
-
^ Noulas, Анастасий; Сцеллато, Сальваторе; Масколо, Сесилия; Понтил, Массимилиано (01.01.2011). «Эмпирическое исследование географических моделей активности пользователей в Foursquare» : 570–573. Цитировать журнал требует
|journal=
( помощь ) - ^ Brockmann, D .; Hufnagel, L .; Гейзель, Т. (26 января 2006 г.). «Законы масштабирования человеческих путешествий». Природа . 439 (7075): 462–465. arXiv : cond-mat / 0605511 . Bibcode : 2006Natur.439..462B . DOI : 10,1038 / природа04292 . ISSN 1476-4687 . PMID 16437114 . S2CID 4330122 .
- ^ Quercia, D .; Lathia, N .; Calabrese, F .; Лоренцо, Дж. Ди; Кроукрофт, Дж. (01.12.2010). Рекомендации социальных мероприятий на основе данных о местоположении мобильного телефона . 2010 Международная конференция IEEE по интеллектуальному анализу данных . С. 971–976. CiteSeerX 10.1.1.469.1876 . DOI : 10.1109 / ICDM.2010.152 . ISBN 978-1-4244-9131-5 . S2CID 238273 .