Recomendación basada en la ubicación

La recomendación basada en la ubicación es un sistema que incorpora información de localización, como la de un dispositivo móvil, en sus algoritmos para ofrecer recomendaciones más relevantes a los usuarios. Esto podría incluir recomendaciones de restaurantes, museos u otros puntos de interés o eventos cercanos a la ubicación del usuario.

Estos servicios aprovechan el creciente uso de teléfonos inteligentes que almacenan y proporcionan la información de ubicación de sus usuarios, junto con redes sociales basadas en la ubicación (LBSN, por sus siglas en inglés), como Foursquare , Gowalla , Swarm y Yelp . Además de los servicios de redes geosociales, las redes sociales tradicionales en línea, como Facebook y Twitter, utilizan la información de ubicación de sus usuarios para mostrar y recomendar próximos eventos, publicaciones y tendencias locales.

Además de su valor para los usuarios, esta información es valiosa para que empresas externas anuncien productos, hoteles y lugares, y para pronosticar la demanda de servicios, como la cantidad de taxis necesarios en una zona de la ciudad.

Fondo

Los sistemas de recomendación son sistemas de filtrado de información que intentan predecir la calificación o preferencia que un usuario otorgaría, basándose en las calificaciones de usuarios similares y en las calificaciones que el usuario ha dado en ocasiones anteriores. Estos sistemas se han vuelto cada vez más populares y se utilizan para películas, música, noticias, libros, artículos de investigación, consultas de búsqueda, etiquetas sociales y productos en general.

Recomendar nuevos lugares

El objetivo principal de recomendar lugares nuevos es sugerir al usuario sitios poco conocidos, como restaurantes, museos, parques nacionales u otros puntos de interés . Este tipo de recomendación es muy valiosa, sobre todo para quienes viajan a una ciudad nueva y desean disfrutar al máximo de su viaje. Las redes sociales geolocalizadas o las empresas de publicidad de terceros ofrecen recomendaciones basadas no solo en las preferencias y registros de visitas anteriores, sino también utilizando enlaces sociales para sugerir puntos de interés desconocidos. El objetivo implícito de este tipo de recomendaciones es facilitar al usuario la búsqueda de lugares interesantes.

Uno de los primeros estudios en esta área se realizó en 2011. La idea detrás de este trabajo era aprovechar la influencia social y la influencia de la ubicación y brindar recomendaciones. Los autores proporcionan tres tipos de puntuaciones: ^{[ 1 ]}

Usuarios similares: esta puntuación es proporcional a la similitud en el comportamiento de los usuarios al visitar lugares. Matemáticamente, la puntuación de similitud entre dos usuarios se calcula de la siguiente manera: $sim_{usage}(u,v)={\sideset {}{_{j\in I}}\Sigma s(u,j)\times s(v,j) \over {\sqrt {\sideset {}{_{j\in I}}\Sigma (s(u,j))^{2}}}{\sqrt {\sideset {}{_{j\in I}}\Sigma (s(v,j))^{2}}}}$ Dónde ${\textstyle s(u,i)}$ denota la probabilidad de visitar el lugar ${\textstyle i}$ por usuario ${\textstyle u}$ Este valor podría calcularse basándose en la idea de filtrado colaborativo basado en el usuario, como se muestra a continuación: $s(u,i)={\sideset {}{_{v\in U}}\Sigma sim(u,v)\times sim(v,i) \over \sideset {}{_{v\in U}}\Sigma sim(u,v)}$
Amigos similares: esta puntuación se calcula mediante la similitud del coseno de los usuarios en función de sus conexiones mutuas (es decir, amistades) en las redes sociales. Esta similitud es proporcional al número de amigos que dos usuarios tienen en común. Se calcula de la siguiente manera: $sim_{social}(u,v)={\eta \cdot |F_{u}\cap F_{v}| \over |F_{u}\cup F_{v}|}+{(1-\eta )\cdot |I_{u}\cap I_{v}| \over |I_{u}\cup I_{v}|}$ Dónde ${\textstyle F_{u}}$ representan el conjunto de amigos y ${\textstyle I_{u}}$ es el lugar establecido por el usuario ${\textstyle u}$ (es decir: lugares que visitó el usuario). El parámetro de ajuste ${\textstyle \eta }$ , que se encuentra entre 0 y 1, controla la importancia de la similitud social y la similitud de visitas de dos usuarios.
Distancia geográfica: Esta puntuación es inversamente proporcional a la distancia entre el lugar objetivo y los lugares típicos que un usuario visita con frecuencia. Otros estudios han demostrado que la distribución general de las distancias es similar a una distribución de ley de potencias . ^{[ 2 ]}^{[ 3 ]} La siguiente fórmula calcula la probabilidad de registro para el usuario ${\textstyle u}$ en su lugar ${\textstyle i}$ según su distancia de todos los registros de entrada del usuario ${\textstyle u}$ . $s_{geo}(u,i)=Pr(u,i)=\prod _{k\in I_{u}}f(distance(i,k))$

La suma de estas tres puntuaciones se define como: $S(u,i)=(1-\alpha -\beta )sim_{usage}(u,i)+\alpha \cdot sim_{social}+\beta s_{geo}(u,i)$ Donde los tres términos corresponden a sistemas de recomendación basados en la preferencia del usuario, la influencia social y la influencia geográfica, respectivamente. Los dos parámetros de ponderación ${\textstyle \alpha }$ y ${\textstyle \beta }$ ${\textstyle (0\leq (\alpha +\beta )\leq 1)}$ denotan la importancia relativa de la influencia social y la influencia geográfica en comparación con la preferencia del usuario.

Recomendar el siguiente lugar

Ofrecer una secuencia de recomendaciones se vuelve cada vez más complejo y debe tener en cuenta cada ubicación, la hora, el clima, la accesibilidad, etc., antes de sugerir cualquier opción. Estas recomendaciones se conocen generalmente como recomendaciones contextuales y suelen mostrar lugares que otras personas (posiblemente amigos del usuario) visitaron después de una visita inicial a la ubicación de la primera recomendación del usuario.

Recomendar eventos y barrios

Se celebran numerosos eventos temporales en diferentes lugares. Detectar y recomendar eventos que puedan ser de interés para un usuario es una tarea que requiere un análisis exhaustivo, tanto del historial de preferencias de eventos del usuario como de las de su círculo social.

Eventos sociales

En una conferencia del Instituto de Ingenieros Eléctricos y Electrónicos (IEEE) de 2010, los investigadores debatieron la necesidad de un conjunto de datos fiable y detallado sobre la asistencia previa de los usuarios para la detección de eventos sociales. ^{[ 4 ]} El área de residencia del usuario y los eventos a los que asistió se estimaron a partir de los datos móviles del usuario. Se diseñaron y probaron seis estrategias diferentes para la recomendación de eventos:

Eventos populares: el evento con mayor asistencia.
Eventos geográficamente cercanos: eventos próximos a la zona de residencia del usuario. La puntuación bruta de un evento podría ajustarse mediante un factor inversamente proporcional a la distancia al evento.
Eventos populares en la zona: los eventos con mayor asistencia en determinados barrios.
TF-IDF (frecuencia de término-frecuencia inversa de documento): inspirado en el enfoque popular de recuperación de información , recomienda eventos que pueden no ser muy populares, pero que son muy populares dentro de un área local.
Las K ubicaciones más cercanas: eventos populares en vecindarios similares al área de residencia del usuario. La similitud entre dos vecindarios ${\textstyle i}$ y ${\textstyle k}$ podría definirse como: $sim(i,k)={\sideset {}{_{e}}\Sigma (n_{i,e}\cdot n_{k,e}) \over {\sqrt {\sideset {}{_{e}}\Sigma (n_{i,e}^{2})}}{\sqrt {\sideset {}{_{e}}\Sigma (n_{k,e}^{2})}}}{2N_{i\cup k} \over N_{i}+N_{k}}$ dónde ${\textstyle n_{i,j}}$ representa el número de personas que viven en el vecindario ${\textstyle i}$ quienes asistieron al evento ${\textstyle e}$ . La medida de similitud se pondera por ${\textstyle N_{i}}$ y ${\textstyle N_{k}}$ que representan el número de eventos que las personas que viven en los vecindarios ${\textstyle i}$ y ${\textstyle k}$ han asistido. De manera similar, ${\textstyle N_{i\cup k}}$ representa el número de usuarios que viven en ${\textstyle i}$ o usuarios que viven en ${\textstyle k}$ Al tener similitud entre vecindarios, se puede predecir la puntuación del usuario. ${\textstyle i}$ a un evento ${\textstyle j}$ basado en un promedio ponderado por similitud de los valores de ubicaciones similares: $score_{i,j}={\sideset {}{_{k}}\Sigma n_{k,j}\times sim(i,k) \over \sideset {}{_{k}}\Sigma sim(i,k)}$ Se pueden predecir las puntuaciones de cada par de eventos y recomendar a los usuarios aquellos eventos con los valores más altos.
Los K eventos más cercanos: se calcula la similitud entre los eventos y se recomiendan los K eventos principales que sean similares a los que el usuario disfrutó anteriormente. $score_{i,j}={\sideset {}{_{q}}\Sigma n_{i,q}\times sim(j,q) \over \sideset {}{_{q}}\Sigma sim(j,q)}$

Referencias

↑ Ye, Mao; Yin, Peifeng; Lee, Wang-Chien; Lee, Dik-Lun (2011-01-01). "Aprovechamiento de la influencia geográfica para la recomendación colaborativa de puntos de interés". Actas de la 34.ª conferencia internacional ACM SIGIR sobre investigación y desarrollo en recuperación de información . SIGIR '11. Nueva York, NY, EE. UU.: ACM. págs. 325–334 . doi : 10.1145/2009916.2009962 . ISBN 9781450307574. S2CID 4237425 .
↑ Noulas, Anastasios; Scellato, Salvatore; Mascolo, Cecilia; Pontil, Massimiliano (2011). "Un estudio empírico de los patrones de actividad geográfica de los usuarios en Foursquare" . Actas de la Quinta Conferencia Internacional AAAI sobre Weblogs y Redes Sociales (ICWSM 2011) . AAAI Press. págs. 570–573 .
↑ Brockmann, D.; Hufnagel, L.; Geisel, T. (2006-01-26). "Las leyes de escala de los viajes humanos". Nature . 439 (7075): 462– 465. arXiv : cond-mat/0605511 . Bibcode : 2006Natur.439..462B . doi : 10.1038/nature04292 . PMID 16437114 . S2CID 4330122 .
↑ Quercia, D.; Lathia, N.; Calabrese, F.; Lorenzo, G. Di; Crowcroft, J. (1 de diciembre de 2010). "Recomendación de eventos sociales a partir de datos de localización de teléfonos móviles". Conferencia Internacional IEEE de Minería de Datos de 2010. págs. 971–976 . CiteSeerX 10.1.1.469.1876 . doi : 10.1109/ICDM.2010.152 . ISBN 978-1-4244-9131-5. S2CID 238273 .

Lecturas adicionales

Sistemas de recomendación basados en la ubicación (LBRS): una revisión.
Recomendación basada en la ubicación y en las preferencias mediante datos dispersos de redes geosociales.
KI-Sichtbarkeit messen und optimieren (en alemán)

[1] Ye, Mao; Yin, Peifeng; Lee, Wang-Chien; Lee, Dik-Lun (2011-01-01). "Aprovechamiento de la influencia geográfica para la recomendación colaborativa de puntos de interés". Actas de la 34.ª conferencia internacional ACM SIGIR sobre investigación y desarrollo en recuperación de información . SIGIR '11. Nueva York, NY, EE. UU.: ACM. págs. 325–334 . doi : 10.1145/2009916.2009962 . ISBN 9781450307574. S2CID 4237425 .

[2] Noulas, Anastasios; Scellato, Salvatore; Mascolo, Cecilia; Pontil, Massimiliano (2011). "Un estudio empírico de los patrones de actividad geográfica de los usuarios en Foursquare" . Actas de la Quinta Conferencia Internacional AAAI sobre Weblogs y Redes Sociales (ICWSM 2011) . AAAI Press. págs. 570–573 .

[3] Brockmann, D.; Hufnagel, L.; Geisel, T. (2006-01-26). "Las leyes de escala de los viajes humanos". Nature . 439 (7075): 462– 465. arXiv : cond-mat/0605511 . Bibcode : 2006Natur.439..462B . doi : 10.1038/nature04292 . PMID 16437114 . S2CID 4330122 .

[4] Quercia, D.; Lathia, N.; Calabrese, F.; Lorenzo, G. Di; Crowcroft, J. (1 de diciembre de 2010). "Recomendación de eventos sociales a partir de datos de localización de teléfonos móviles". Conferencia Internacional IEEE de Minería de Datos de 2010. págs. 971–976 . CiteSeerX 10.1.1.469.1876 . doi : 10.1109/ICDM.2010.152 . ISBN 978-1-4244-9131-5. S2CID 238273 .

[ 1 ]

[ 2 ]

[ 3 ]

[ 4 ]