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:
  $${\ displaystyle sim_ {использование} (u, v) = {\ sideset {} {_ {j \ in I}} \ Sigma s (u, j) \ times s (v, j) \ over {\ sqrt {\ sideset {} {_ {j \ in I}} \ Sigma (s (u, j)) ^ {2}}} {\ sqrt {\ sideset {} {_ {j \ in I}} \ Sigma (s ( v, j)) ^ {2}}}}}$$

  
  Где обозначает вероятность посещения места пользователем . Это значение может быть вычислено на основе идеи совместной фильтрации на основе пользователей, как показано ниже: ${\ textstyle s (и, я)}$${\ textstyle i}$${\ textstyle u}$
  $${\ displaystyle s (u, i) = {\ sideset {} {_ {v \ in U}} \ Sigma sim (u, v) \ times sim (v, i) \ over \ sideset {} {_ {v \ in U}} \ Sigma sim (u, v)}}$$

  
• 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:
  $${\ displaystyle sim_ {social} (u, v) = {\ eta \ cdot | F_ {u} \ cap F_ {v} | \ over | F_ {u} \ cup F_ {v} |} + {(1- \ eta) \ cdot | I_ {u} \ cap I_ {v} | \ over | I_ {u} \ чашка I_ {v} |}}$$

  
  Где представляет набор друзей, а это набор мест пользователя (т.е. места, которые посетил пользователь). Параметр настройки , который находится между 0 и 1, контролирует важность социального сходства и сходства посещений двух пользователей. ${\ textstyle F_ {u}}$${\ textstyle I_ {u}}$${\ textstyle u}$${\ textstyle \ eta}$
• Географическое расстояние: эта оценка обратно пропорциональна расстоянию между целевым местом и типичными местами, которые часто посещает пользователь. Другие исследования показали, что общее распределение расстояний похоже на распределение по степенному закону . Приведенная ниже формула рассчитывает вероятность регистрации пользователя на месте в зависимости от его удаленности от всех отметок пользователя . ${\ textstyle u}$${\ textstyle i}$${\ textstyle u}$
  $${\ displaystyle s_ {geo} (u, i) = Pr (u, i) = \ prod _ {k \ in I_ {u}} f (расстояние (i, k))}$$

  

Сумма этих трех оценок определяется как:

Где три термина соответствуют системам рекомендаций, основанным на предпочтениях пользователей, социальном влиянии и географическом влиянии, соответственно. Два весовых параметра и обозначают относительную важность социального и географического влияния по сравнению с предпочтениями пользователей. ${\ textstyle \ alpha}$${\ textstyle \ beta}$ ${\ textstyle (0 \ Leq (\ альфа + \ бета) \ Leq 1)}$

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: ${\ textstyle i}$${\ textstyle k}$
  $${\ displaystyle sim (i, k) = {\ sideset {} {_ {e}} \ Sigma (n_ {i, e} \ cdot n_ {k, e}) \ over {\ sqrt {\ sideset {} { _ {e}} \ Sigma (n_ {i, e} ^ {2})}} {\ sqrt {\ sideset {} {_ {e}} \ Sigma (n_ {k, e} ^ {2})} }} {2N_ {i \ cup k} \ over N_ {i} + N_ {k}}}$$

  
  где представляет количество людей, живущих по соседству, которые посетили мероприятие . Мера подобия взвешивается и которые представляют собой ряд событий людей , живущих в районах и приняла участие. Точно так же представляет количество проживающих или проживающих пользователей . Имея сходство окрестностей, можно предсказать оценку пользователя событию на основе средневзвешенного значения сходства значений аналогичных местоположений: ${\ textstyle n_ {я, j}}$${\ textstyle i}$${\ textstyle e}$${\ textstyle N_ {i}}$${\ textstyle N_ {k}}$${\ textstyle i}$${\ textstyle k}$${\ textstyle N_ {я \ чашка k}}$${\ textstyle i}$${\ textstyle k}$${\ textstyle i}$${\ textstyle j}$
  $${\ displaystyle score_ {i, j} = {\ sideset {} {_ {k}} \ Sigma n_ {k, j} \ times sim (i, k) \ over \ sideset {} {_ {k}} \ Sigma sim (i, k)}}$$

  
  Баллы каждой пары событий можно предсказать, и те события, которые будут рекомендованы пользователям, имеют наивысшие значения.
• K-ближайшие события: вычисляется подобие событий, и рекомендуются K-события, которые похожи на те, которые ранее нравились пользователю.
  $${\ displaystyle score_ {i, j} = {\ sideset {} {_ {q}} \ Sigma n_ {i, q} \ times sim (j, q) \ over \ sideset {} {_ {q}} \ Sigma sim (j, q)}}$$

  

Рекомендации