فهرس المقالات LBSN

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - مدل توصیه مکان‌های مورد علاقه با توجه به الگوی رفتاری افراد بر اساس لیست دوستان بر پایه یادگیری عمیق
  صدف صفوی مهرداد جلالی
  رشد سریع شبکه‌های اجتماعی مبتنی بر مکان، فرصتی عالی برای ارائه خدمات توصیه مکان‌های مورد علاقه به صورت هدفمند می‌باشد. یک وظیفه مهم برای توصیه دقیق نقاط جذاب و مورد علاقه کاربران در شبکه‌های اجتماعی مبتنی بر مکان، با توجه به چالش‌های متون غنی و پراکندگی داده‌ها، بررسی و أکثر

  رشد سریع شبکه‌های اجتماعی مبتنی بر مکان، فرصتی عالی برای ارائه خدمات توصیه مکان‌های مورد علاقه به صورت هدفمند می‌باشد. یک وظیفه مهم برای توصیه دقیق نقاط جذاب و مورد علاقه کاربران در شبکه‌های اجتماعی مبتنی بر مکان، با توجه به چالش‌های متون غنی و پراکندگی داده‌ها، بررسی ویژگی‌های معنادار کاربران و نقاط مورد علاقه است. در این مقاله، یک روش جدید برای توصیه ترتیب دقیق بهترین نقاط مورد علاقه کاربران ارائه شده که ترکیبی از رویکردهای شبکه عصبی کانولوشن، خوشه‌بندی و دوستی می‌باشد. برای یافتن شباهت در رفتار دوستان صمیمی، از روش خوشه‌بندی انتقال میانگین استفاده می‌کنیم و فقط تأثیر الگوی رفتاری شبیه‌ترین دوست را به نسبت همه دوستان کاربر در نظر می‌گیریم. چارچوب جدید شبکه عصبی کانولوشن پیشنهادی با ۱۰ لایه می‌تواند طول و عرض جغرافیایی و شناسه مکان‌های مناسب بعدی را پیش‌بینی کرده و سپس بر اساس کوتاه‌ترین فاصله از الگوی رفتاری دوست مشابه، مکان‌های پیشنهادی را انتخاب کند. این رویکرد ترکیبی، در دو مجموعه داده شبکه‌های اجتماعی مبتنی بر مکان ارزیابی شده و نتایج تجربی نشان می‌دهد که استراتژی ما از روش‌های پیشرفته توصیه نقاط مورد علاقه دقیق‌تر عمل می‌کند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - Developing A Contextual Combinational Approach for Predictive Analysis of Users Mobile Phone Trajectory Data in LBSNs
  Fatemeh  Ghanaati Gholamhossein Ekbatanifard Kamrad Khoshhal Roudposhti
  10.52547/jist.32593.11.41.12
  Today, smartphones, due to their ubiquity, have become indispensable in human daily life. Progress in the technology of mobile phones has recently resulted in the emergence of several popular services such as location-based social networks (LBSNs) and predicting the nex أکثر

  Today, smartphones, due to their ubiquity, have become indispensable in human daily life. Progress in the technology of mobile phones has recently resulted in the emergence of several popular services such as location-based social networks (LBSNs) and predicting the next Point of Interest (POI), which is an important task in these services. The gathered trajectory data in LBSNs include various contextual information such as geographical and temporal contextual information (GTCI) that play a crucial role in the next POI recommendations. Various methods, including collaborating filtering (CF) and recurrent neural networks, incorporated the contextual information of the user’ trajectory data to predict the next POIs. CF methods do not consider the effect of sequential data on modeling, while the next POI prediction problem is inherently a time sequence problem. Although recurrent models have been proposed for sequential data modeling, they have limitations such as similarly considering the effect of contextual information. Nonetheless, they have a separate impact as well. In the current study, a geographical temporal contextual information-extended attention gated recurrent unit (GTCI-EAGRU) architecture was proposed to separately consider the influence of geographical and temporal contextual information on the next POI recommendations. In this research, the GRU model was developed using three separate attention gates to consider the contextual information of the user trajectory data in the recurrent layer GTCI-EAGRU architecture, including timestamp, geographical, and temporal contextual attention gates. Inspired by the assumption of the matrix factorization method in CF approaches, a ranked list of POI recommendations was provided for each user. Moreover, a comprehensive evaluation was conducted by utilizing large-scale real-world datasets based on three LBSNs, including Gowalla, Brightkite, and Foursquare. The results revealed that the performance of GTCI-EAGRU was higher than that of competitive baseline methods in terms of Acc@10, on average, by 42.11% in three datasets. تفاصيل المقالة