Konum Önerisi için Zaman Tabanlı Uzman Destekli İşbirliğine Dayalı Filtreleme

Özet

Konuma dayalı sosyal ağlar, son on yılda,kullanıcının konum geçmişlerine dayanarak tercihlerini araştırmamız için bizeyeni bir platform sağlayarak önemli ölçüde gelişti. Konuma dayalı sosyalağların çoğu, kullanıcıların varlıklarını açıklayabilecekleri,yorumlayabilecekleri veya ipucu bırakabilecekleri bir kategori hiyerarşisialtına yerleştirilen çeşitli mekanlar sağlar. Coğrafi bilgili konum önerileribirçok araştırmacının ilgisini çekmesine rağmen, araştırma projelerinin çoğundazamanın kullanıcının tercihleri üzerindeki etkisi göz ardı edilmiştir. Birkullanıcı, günün farklı saatlerinde ziyaret etmek için farklı mekanları tercihedebileceğinden, belirli bir kategoride aynı miktarda giriş yapan ikikullanıcı, o mekanda bulunma zamanına bağlı olarak daha az benzer olabilir. Ayrıca,geleneksel işbirliğine dayalı filtreleme teknikleri, tüm kullanıcılarıntercihlerini göz önünde bulundururken, yalnızca kategori uzmanlarınıntercihlerini göz önünde bulundurarak, o kategorideki bir mekanı önermek, öneriperformansını daha da artırabilir. Bu amaçla, mekânları önermek içinölçeklenebilir zamana dayalı yeni bir uzman destekli işbirliğine dayalıfiltreleme yaklaşımı önerilmiştir. Bu yeni yaklaşımda öncelikle, belirli birkategoride yapılan giriş kayıtlarının çeşitliliği göz önünde bulundurularakkategorilere göre kullanıcıların uzmanlığı araştırılır ve her kategori içinuzmanların en üst m tanesi seçilir. Daha sonra, her bir kullanıcı-mekan çiftiiçin tercih puanı, günün zaman aralığı ile ilgili olarak hesaplanır. Girişkayıt saati bilgilerini farklı aşamalarda dikkate alan üç algoritmageliştirilmiştir. İlk algoritma, önceden tanımlanmış her bir zaman aralığı içinkullanıcılar arasındaki benzerlik değerlerini hesaplar. İkinci algoritma, bubelirli bir zaman aralığında kullanıcı-mekan giriş frekans matrisini dikkatealır. Üçüncü algoritma hem benzerlik değerlerinden hem de zaman aralığınınkullanıcı-mekan giriş frekansı matrisinden faydalanır. Son olarak, en üst-ksıradaki konumlar kullanıcıya öneri olarak sunulur. Önerilen algoritmalar ikibüyük ölçekli Foursquare veri kümesi ile değerlendirilmiş ve temelyaklaşımlarla karşılaştırılmıştır.

Abstract

Location based social networks have evolved significantly during the last decade providing us a new platform to investigate user’s preferences based on their location histories. Most of the location based social networks provide a variety of venues placed under a hierarchy of categories where users are able to declare their presence, comment or leave tips. Though, location recommendations with geographical information have been a subject of interest to many researchers, the effect of time on user’s preferences has been omitted in most of the research projects. As a user may prefer different venues to visit during different hours of a day, two users having the same number of check-ins at a particular category may be less similar depending on the time of their presence. Moreover, while raditional collaborative filtering techniques consider preferences of all users, considering only preferences of category experts while recommending a venue of that particular category can further improve the recommendation performance. To this end, a novel scalable time-based expert-supported collaborative filtering approach to recommend venues is proposed. In this new approach, first, expertise of users is investigated with respect to categories by considering the variety of check-ins made at that particular category and top-m of the experts are selected for each category. Later, preference score for each user-venue pair is calculated regarding the time interval of the day. Three algorithms are developed that consider checkin time information at different stages. First algorithm calculates similarity values between users for each predefined time interval. Second algorithm considers user-venue check-in frequency matrix at that particular time interval. Third algorithm utilizes both from the similarity values and user-venue check-in frequency matrix of the time interval. Finally, the top-k ranked locations are provided to the user as recommendations. Proposed algorithms are evaluated with two large-scale Foursquare datasets and compared with baseline approaches.