Recomendações de pontos de interesse baseadas no histórico e localizações de check-ins em redes sociais baseadas em localização.
As Redes Sociais Baseadas em Localização (RSBL) surgiram com o propósito de permitir que os usuários possam compartilhar com sua rede de amigos informações a respeito dos pontos de interesse (POIs) que eles visitaram. Neste contexto, a capacidade de recomendar novos lugares para que os usuários poss...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2014 |
| País: | Brasil |
| Institución: | Universidade Católica de Brasília (UCB) |
| Repositorio: | Repositório Institucional da UCB |
| Idioma: | portugués |
| OAI Identifier: | oai:localhost:riufcg/375 |
| Acceso en línea: | http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/375 |
| Access Level: | acceso abierto |
| Palabra clave: | Redes sociais baseadas em localização - RSBL Sistema de recomendação. Foursquare Recomender system Pontos de Interesse - POIs Recomendação baseada em Regressão Linear Recomendação baseada em proximidade Recomendação baseada em Múltiplos centros Gaussianos Difusão baseada em filtragem colaborativa Recommendation based on Linear Regression Ciência da Computação. |
| Sumario: | As Redes Sociais Baseadas em Localização (RSBL) surgiram com o propósito de permitir que os usuários possam compartilhar com sua rede de amigos informações a respeito dos pontos de interesse (POIs) que eles visitaram. Neste contexto, a capacidade de recomendar novos lugares para que os usuários possam visitar é importante, pois pode, eventualmente, melhorar a experiência destes usuários ao utilizar o sistema. O contexto geogr´afico certamente influencia os usu´arios na hora de escolher os locais a serem visitados. Sendo assim, inicialmente analisamos este contexto de forma isolada, através de recomendadores de POIs puramente baseados em informacões geográficas. Além disso, propomos um novo recomendador puramente geográfico baseado em Kernels Gaussianos. Os resultados dos nossos experimentos demonstraram que o modelo proposto consegue alcançar uma maior acurácia que os recomendadores puramente geográficos presentes no estado-da-arte na maioria dos casos avaliados. Porém esta mesma análise demonstrou que o contexto geográfico isoladamente não é capaz de gerar recomendações com alta acurácia de forma geral. Logo, ao modelar um recomendador de POIs é necessário combinar as informações geográficas com outros contextos a fim de melhorar sua acurácia. Sendo assim, também propomos um novo recomendador de POIs que consegue capturar as preferências de usuários (de forma similar às técnicas de filtragem colaborativa) e informações geográficas em um único modelo baseado em difusão de grafos. Este recomendador visa aprender um ranking personalizado de lugares a serem recomendados para cada usuário levando em consideração os lugares visitados por outros usuários com preferências similares, as distâncias entre os lugares visitados e os lugares candidatos à recomendação, e as regiões as quais o usuário visita mais frequentemente. Os nossos experimentos mostraram que este modelo consegue ser mais eficiente que os modelos de recomendações de POIs presentes no estado-da-arte, além de conseguir alcançar uma acurácia igual ou superior às abordagens comparadas. todos os experimentos foram realizados utilizando dados reais de uma das RSBL mais populares atualmente: o Foursquare. |
|---|