ارائه سيستم توصيه گر زمانمند، ترجيح آگاه و مكان آگاه در شبكه‌ اجتماعي مكان مبنا

Time-Location-preference aware Recommender system in LBSN

رشد سریع شبكه‌های اجتماعی مكان‌مبنا به‌واسطه‌ی جذب میلیون‌ها كاربر، نشان از محبوبیت زیاد آن‌ها در مدت‌زمانی كوتاه دارد. با تجزیه‌و‌تحلیل داده‌های این شبكه‌ها درزمینه‌ی مكانی، زمانی و اجتماعی، می‌توان سرویس‌های ﻣﺘﻨﻮع ﻣﻜﺎن‌ﻣﺒﻨﺎ اراﺋﻪ كرد. سیستم‌های توصیه‌گر ازجمله سرویس‌های مكان‌مبنای محبوب این شبكه‌ها محسوب می‌شود. سیستم‌های توصیه‌گر، با بهره‌گیری از تكنیك‌های آماری و تكنیك‌های كشف دانش، به توصیه مكان‌های جدید و كاهش مشكلات ناشی از حجم زیاد داده‌ها می‌پردازند. هدف پژوهش حاضر، ارائه روشی نوین برای توصیه مكان‌های جدید به كاربران بر اساس پیشینه مكانی آن‌ها است. روش ارائه‌شده، مجموعه‌ای از مكان‌های نزدیك به موقعیت كاربر را با در نظر گرفتن شرایط زمانی، فاصله جغرافیایی بین كاربران و همچنین ترجیحات مكانی كاربر كه به‌طور خودكار از پیشینه مكانی او به دست می‌آید، پیشنهاد می‌دهد. در این روش، از پالایش محتوای اطلاعاتی، در راستای برآورد میزان علاقه كاربر به مكان‌های بازدید شده استفاده می‌شود. از پالایش مشاركتی نیز برای محاسبه مشابهت بین كاربران و پیش‌بینی میزان علاقه كاربر هدف به مكان جدید، بر اساس تجمیع امتیازات داده‌شده توسط كاربران مشابه، استفاده می‌شود. درنهایت تركیب این دو روش، امكان ارائهk مكان دیدنی را در فاصله D_2 از كاربر سواره در بازه زمانی فعلی فراهم می‌‌سازد. در این مقاله از داده‌های نقطه-مكان شبكه Gowalla مربوط به شهر پكن چین در بازه زمانی بین اكتبر 2011 تا نوامبر 2011 استفاده‌شده است. به‌منظور بررسی عملكرد روش پیشنهادی، نتایج به‌دست‌آمده ازاین‌روش، با نتایج دو روش پایه در سیستم توصیه‌گر مقایسه شد. درنهایت توصیه مكان توسط این روش، نسبت به روش‌های توصیه كاربر آگاه بر اساس پالایش مشاركتی به روش باینری و GM-FCF، به ترتیب حدود 15 و12 درصد افزایش دقت را نشان می‌دهد.

The rapid growth of location-based social networks through attracting millions users, reveal the high popularity in the short time period. A result of the location based social network services, access to a large collection of data that can extract the spatial history, social relationships structure, movement behavior and characteristics of users. Social, spatial and temporal data analysis leads to create a wide range of location based services. By using statistical and knowledge discovery techniques for advising unvisited locations to users and decreasing large data volume problems, recommendation systems have become the popular services of these networks. Recommendation system is an approach to deal with the problems caused by large amount and growing volume of information and helps user to approach his/her goal among the enormous amount of information. In this paper, we design the novel GEO-FIF method to recommend unvisited places to tourists based on their location history. This time, location and preference aware recommendation system, offer a set of locations near to the userʹs current position with regard to the time term and the geographical distance between end user and other users as well user preferences that is extracted from visited locations. In the first stage, we survey the impact of the distance between users on common visited locations. Then we measure users’ interest into the locations by creating a user – location matrix within the period of one day and utilizing the content based filtering that for each user calculates a score for each place. In the next step by having the current position of the user, collection of places is limited according to their distance from the user. This is in addition to speed up processing and computing, increase recommendation accuracy. Finally, by using an innovative function, we estimate the similarity of the target user and other users based on the combination of the distance between them and the given score to places by other users. The score of a place for the target user is calculated by accumulative scores given by other users. In fact, we utilize collaborative filtering method to measure the similarity between users and predict the user interest to a new location based on accumulative scores of similar users. Finally combining these methods provides k unvisited locations within specific distance to user’s real-time location and its current time period. In this paper, Gowalla check-in data for Beijing, China were used in the period between October 2011 and November 2011. To evaluate the performance of the proposed method, the results of this method were compared with the results of two basic recommendation system methods in terms of rank accuracy indicator which is most common method for assessing recommender systems. The proposed method increases precision 15 and 12 percent in compared to user-based collaborative filtering using binary methods and GM-FCF, respectively.