Рекомендации на основе местоположения

Рекомендации на основе местоположения — это система рекомендаций , которая включает информацию о местоположении, например, с мобильного устройства, в алгоритмы, чтобы попытаться предоставить пользователям более релевантные рекомендации. Сюда могут входить рекомендации по ресторанам, музеям или другим достопримечательностям или событиям поблизости от местоположения пользователя.

Эти сервисы используют преимущества растущего использования смартфонов, которые хранят и предоставляют информацию о местоположении своих пользователей вместе с социальными сетями на основе местоположения (LBSN), такими как Foursquare , Gowalla , Swarm и Yelp . Помимо сервисов геосоциальных сетей, традиционные онлайн-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 ценна для сторонних компаний для рекламы продуктов, отелей, мест и 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 предпочтения, которые даст пользователь, на основе оценок, которые дали аналогичные пользователи, и оценок, которые пользователь давал 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.

Рекомендую новые места

Основная цель рекомендации новых мест — предложить пользователю посетить непосещенные места, такие как рестораны, музеи, национальные парки или другие достопримечательности . Рекомендации такого типа весьма ценны, особенно для тех, кто путешествует в новый город и хочет получить от поездки самые лучшие впечатления. Социальные сети, основанные на местоположении, или сторонние рекламные компании готовы предоставить рекомендации не только на основе предыдущих проверок и предпочтений, но также с использованием социальных ссылок, чтобы предложить непосещенные точки интереса. Неявная цель рекомендаций такого типа — снять с пользователя бремя поиска интересного места.

Одно из первых исследований в этой области было проведено в 2011 году. Идея этой работы заключалась в использовании социального влияния и влияния местоположения и предоставлении рекомендаций. Авторы предлагают три типа оценок:

• Похожие пользователи: этот балл пропорционален сходству поведения пользователей при посещении мест. Математически показатель сходства между двумя пользователями рассчитывается следующим образом: $$sim_{usage}(u,v)={\sideset {}{_{j\in I}}\Sigma s(u,j)\times s(v,j) \over {\sqrt {\sideset {}{_{j\in I}}\Sigma (s(u,j))^{2}}}{\sqrt {\sideset {}{_{j\in I}}\Sigma (s(v,j))^{2}}}}$$Где ${\textstyle s(u,i)}$ обозначает вероятность посещения места ${\textstyle i}$ пользователем ${\textstyle u}$. Это значение можно вычислить на основе идеи совместной фильтрации на основе пользователей , как показано ниже: $$s(u,i)={\sideset {}{_{v\in U}}\Sigma sim(u,v)\times sim(v,i) \over \sideset {}{_{v\in U}}\Sigma sim(u,v)}$$
• Похожие друзья: этот показатель рассчитывается на основе косинусного сходства пользователей на основе их взаимных связей (т. е. дружбы) в социальных сетях. Это сходство пропорционально количеству общих друзей у двух пользователей. Он рассчитывается как: $$sim_{social}(u,v)={\eta \cdot |F_{u}\cap F_{v}| \over |F_{u}\cup F_{v}|}+{(1-\eta )\cdot |I_{u}\cap I_{v}| \over |I_{u}\cup I_{v}|}$$Где ${\textstyle F_{u}}$представляют собой группу друзей и ${\textstyle I_{u}}$это набор мест пользователя ${\textstyle u}$ (т.е. места, которые посетил пользователь). Параметр настройки ${\textstyle \eta }$, который находится в диапазоне от 0 до 1, контролирует важность социального сходства и сходства посещений двух пользователей.
• Географическое расстояние: этот показатель обратно пропорционален расстоянию между целевым местом и типичными местами, которые пользователь часто посещает. Другие исследования показали, что общее распределение расстояний аналогично распределению по степенному закону . Приведенная ниже формула рассчитывает вероятность регистрации пользователя. ${\textstyle u}$ на месте ${\textstyle i}$ в зависимости от удаленности от всех регистраций пользователя ${\textstyle u}$. $$s_{geo}(u,i)=Pr(u,i)=\prod _{k\in I_{u}}f(distance(i,k))$$

Совокупность этих трех баллов определяется как: $$S(u,i)=(1-\alpha -\beta )sim_{usage}(u,i)+\alpha \cdot sim_{social}+\beta s_{geo}(u,i)$$Где эти три термина соответствуют рекомендательным системам, основанным на предпочтениях пользователя, социальном влиянии и географическом влиянии соответственно. Два весовых параметра ${\textstyle \alpha }$ и ${\textstyle \beta }$ ${\textstyle (0\leq (\alpha +\beta )\leq 1)}$ обозначают относительную важность социального влияния и географического влияния по сравнению с предпочтениями пользователей.

Рекомендую следующее место

Предоставление последовательности рекомендаций становится все более сложным и должно учитывать каждое место, время, погоду, доступность и т. д., прежде чем предлагать какие-либо предложения. Они обычно называются контекстно-зависимыми рекомендациями и, как правило, предоставляют места, которые другие люди (возможно, друзья пользователя) посетили после первоначального посещения места, где была получена первая рекомендация пользователя.

Рекомендовать события и районы

В разных местах проводится огромное количество временных мероприятий. Обнаружение и рекомендация событий, которые были бы интересны пользователю, является задачей, требующей значительного профилирования, как истории предпочтений пользователя в отношении событий, так и его социального круга.

Социальные мероприятия

Исследователи на конференции Института инженеров по электротехнике и электронике (IEEE) 2010 года обсудили необходимость надежного детального набора данных о предыдущей посещаемости пользователей, чтобы обеспечить обнаружение социальных событий. Район проживания пользователя и посещаемые мероприятия оценивались на основе мобильных данных пользователя. Для рекомендации мероприятий было разработано и протестировано шесть различных стратегий:

• Популярные мероприятия: самое посещаемое мероприятие.
• Географически близкие события: события, близкие к месту проживания пользователя. Исходный результат события можно скорректировать с помощью коэффициента, обратно пропорционального расстоянию до события.
• Популярные мероприятия в районе: самые посещаемые мероприятия в определенных районах.
• TF-IDF (частота термина – обратная частота документов): вдохновленный популярным подходом к поиску информации , рекомендует мероприятия, которые, возможно, не пользуются широкой популярностью, но очень популярны в данном регионе.
• K-ближайшие локации: популярные события в районах, аналогичных месту проживания пользователя. Сходство двух кварталов ${\textstyle i}$ и ${\textstyle k}$ можно определить как: $$sim(i,k)={\sideset {}{_{e}}\Sigma (n_{i,e}\cdot n_{k,e}) \over {\sqrt {\sideset {}{_{e}}\Sigma (n_{i,e}^{2})}}{\sqrt {\sideset {}{_{e}}\Sigma (n_{k,e}^{2})}}}{2N_{i\cup k} \over N_{i}+N_{k}}$$где ${\textstyle n_{i,j}}$ представляет количество людей, живущих по соседству ${\textstyle i}$ кто присутствовал на мероприятии ${\textstyle e}$. Мера сходства взвешивается ${\textstyle N_{i}}$ и ${\textstyle N_{k}}$ которые представляют собой количество событий, в которых люди живут в окрестностях ${\textstyle i}$ и ${\textstyle k}$ присутствовали. Сходным образом, ${\textstyle N_{i\cup k}}$представляет количество пользователей, живущих в ${\textstyle i}$ или пользователи, живущие в ${\textstyle k}$. Имея сходство окрестностей, можно предсказать оценку пользователя. ${\textstyle i}$ на мероприятие ${\textstyle j}$ на основе взвешенного по сходству среднего значения похожих местоположений: $$score_{i,j}={\sideset {}{_{k}}\Sigma n_{k,j}\times sim(i,k) \over \sideset {}{_{k}}\Sigma sim(i,k)}$$Можно спрогнозировать баллы каждой пары событий и рекомендовать пользователям те события, которые имеют самые высокие значения.
• K-ближайшие события: вычисляется сходство событий и рекомендуются лучшие K-события, похожие на те, которые ранее нравились пользователю. $$score_{i,j}={\sideset {}{_{q}}\Sigma n_{i,q}\times sim(j,q) \over \sideset {}{_{q}}\Sigma sim(j,q)}$$