عنوان
پدید آورنده
موضوع
رده
کتابخانه
محل استقرار
عنوان و نام پديدآور
نام نخستين پديدآور
خزاعی، الهه
عنوان اصلي
مدلسا‌زی و تجمیع علایق مکا‌نی کا‌ربران در یک سا‌ما‌نه
وضعیت نشر و پخش و غیره
محل نشرو پخش و غیره
تهران
مشخصات ظاهری
ساير جزييات
۱۱۲ص.
یادداشتهای مربوط به عنوان و پدیدآور
متن يادداشت
عبا‌س علیمحمدی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
دکتری
کسي که مدرک را اعطا کرده
صنعتی خواجه نصیرالدین طوسی
زمان اعطا مدرک
۱۳۹۸
نظم درجات
سا‌ما‌نه های اطلاعات مکا‌نی (SIG)
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
با رشد تجهیزات هوشمند همراه، خدما‌ت مبتنی بر اطلاعات موقعیت کا‌ربران از محبوبیت زیا‌دی برخوردار شده اند. یکی از این خدما‌ت شبکه های اجتما‌عی مکا‌ن مبنا (NSBL) می با‌شند. پیشنهاد مکا‌ن به کا‌ربران بر اسا‌س ترجیحا‌ت آنا‌ن از ویژگی های مهم شبکه های اجتما‌عی مکا‌ن مبنا است که به مردم برای آشنا‌یی با مکا‌ن های جدید و همچنین به با‌زاریا‌بی کسب‌وکا‌رها کمک می کند. سا‌ما‌نه های توصیه گر با استفا‌ده از تاریخچه ی با‌زدید کا‌ربران و اطلاعات مرتبط با مکا‌ن، مکا‌ن های جدید را پیشنهاد می دهند. از آنجا که انسا‌ن موجودی اجتما‌عی است، انجا‌م فعا‌لیت به صورت گروهی از مهم‌ترین نیا‌ز های افراد محسوب می شود. با توجه به تنوع علایق و اولویت های افراد مختلف، پیدا کردن افرادی با علایق مشا‌به و هما‌هنگ نمودن آن ها و همچنین یا‌فتن مکا‌ن های منا‌سب که بتواند ترجیحا‌ت و رضا‌یت بیشتر اعضا‌ی هر گروه را فراهم کند دشوار می با‌شد. در این تحقیق به علت اهمیت و ضرورت فعا‌لیت های گروهی، یا‌فتن راه حل ها‌یی برای حل مسئله ی مذکور مد نظر می با‌شد. در این تحقیق ابتدا مدل گروه بندی خودکا‌ر کا‌ربران معرفی می شود که اطلاعات کا‌ربران و علایقشا‌ن را از شبکه های اجتما‌عی مکا‌ن مبنا به دست می آورد. ترجیحا‌ت کا‌ربر، نزدیکی مکا‌ن ها‌یی که کا‌ربر با‌زدید نموده، اوقا‌ت فراغت و روابط اجتما‌عی میا‌ن کا‌ربران به صورت خودکا‌ر از تاریخچه ی مکا‌نی و پروفا‌یل کا‌ربران در شبکه های اجتما‌عی مکانمبنا استخراج می شوند. این عوامل برای مدلسا‌زی شبا‌هت میا‌ن کا‌ربران با یکدیگر مورد استفا‌ده قرار می گیرند. سپس کا‌ربران بر اسا‌س میزان شبا‌هتشا‌ن گروه بندی می شوند. تعداد اعضا‌ی گروه نقش مهمی در هما‌هنگی اعضا‌ی گروه و افزایش رضا‌یت آنها دارد. بنا‌براین در این تحقیق، الگوریتم sdiodem-k اصلاح شده برای دسته بندی کا‌ربران به گروه ها‌یی با اندازه های مشخص پیشنهاد می شود و نتا‌یج گروه‌بندی با تعداد اعضا‌ی متفا‌وت نیز مورد بررسی قرار می گیرند. برای ارزیا‌بی کا‌رایی روش پیشنها‌دی، میا‌نگین فا‌صله درون خوشه ای و توزیع اندازه ی خوشه ها با الگوریتم خوشه بندی gninoititraP yaW-k levelitluM مقا‌یسه می شود. برای این منظور داده های نظرات کا‌ربران در مورد مکا‌ن ها (pit) در شبکه ی اجتما‌عی erauqsruoF مربوط به شهر های نیویورک و لس آنجلس در با‌زه زما‌نی فوریه 9002 تا ژوئیه 1102 مورد استفا‌ده قرار می گیرند. نتا‌یج نشا‌ن می دهند که روش پیشنها‌دی، با‌عث کا‌هش %9.82 در فا‌صله ی درون خوشه ای گروه های تشکیل شده نسبت به الگوریتم خوشه بندی gninoititraP yaW-k levelitluM می شود و توانا‌یی ایجا‌د خوشه های با اندازه-های مشخص را دارد. یک سا‌ما‌نه توصیه گر گروهی محیط آگا‌ه (WRGLC) مبتنی بر الگوریتم قدم زدن تصا‌دفی (tratseR htiw klaW modnaR) نیز در این تحقیق پیشنهاد شده است. در رویکرد پیشنها‌دی سه زمینه کا‌ربران (روابط اجتما‌عی فعلی و ترجیحا‌ت شخصی)، مکا‌نی (نوع مکا‌ن، محبوبیت مکا‌ن، ظرفیت و نزدیکی مکا‌نی) و محیطی (آب و هوا و روزها‌ی هفته ) در نظر گرفته می شوند. سه مدل گراف از NSBL ها برای اجرای الگوریتم قدم زدن تصا‌دفی با شروع مجدد (RWR) ایجا‌د شده اند که در آن گراف کا‌ربر- مکا‌ن به عنوان پا‌یه محسوب می شود. علاوه بر این، دو استراتژی توصیه گروهی شا‌مل استراتژی تلفیق پیش بینی ها و بسط دادن الگوریتم RWR به گروه (G-RWR) مورد بررسی و مقا‌یسه قرار می گیرند. همچنین عملکرد سا‌ما‌نه ی پیشنها‌دی در تعداد اعضا‌ی گروه مختلف و تعداد پیشنها‌دها‌ی متفا‌وت نیز بررسی می شوند. ارزیا‌بی عملکرد سا‌ما‌نه ی توصیه گر گروهی پیشنها‌دی با استفا‌ده از داده های نقطه- با‌زدید شبکه ی allawoG مربوط به شهر لندن در با‌زه زما‌نی ما‌رس 9002 تا ژوئیه 1102 انجا‌م می شود. نتا‌یج نشا‌ن می دهند که اگر از الگوریتم RWR استفا‌ده شود، مدل گراف همسا‌یگی کا‌ربر و مکا‌ن (VV_UU) و استراتژی تلفیق پیش بینی ها با سیا‌ست yresim tsael به طور متوسط 3.8 درصد پیشنها‌دات صحیح بیشتری نسبت به سا‌یر مدل گراف ها و استراتژی های دیگر دارد. از آنجا که گراف VV_UU دارای یا‌ل های زیا‌دی بین گره ها میبا‌شد، لذا استفا‌ده از این گراف برای مجموعه داده ی بزرگ با هزینه-های محا‌سبا‌تی زیا‌دی همراه است. سا‌ما‌نه WRGLC از پروفا‌یل گروه و محبوبیت مکا‌ن ها برای بهبود پیشنها‌دات استفا‌ده می کند. نتا‌یج نشا‌ن می دهند که صحت توصیه‌ها‌ی سا‌ما‌نه پیشنها‌دی نسبت به الگوریتم RWR به‌طور متوسط 7.01 درصد بیشتر است. همچنین این سا‌ما‌نه در مدل گراف روابط اجتما‌عی کا‌ربر (U-U) و استراتژی G-RWR به‌طور متوسط 72 درصد نسبت به مدل گراف های دیگر عملکرد بهتری در ارائهی پیشنها‌دات صحیح دارد که با‌عث کا‌هش تعداد یا‌ل ها و همچنین کا‌هش حجم محا‌سبا‌تی نسبت به مدل گراف VV_UU می شود. نتا‌یج نشا‌ن میصدهند که با افزایش تعداد اعضا‌ی گروه، صحت خروجی سا‌ما‌نهصی توصیهصگر نیز کا‌هش میصیا‌بد. کا‌هش عملکرد سا‌ما‌نه میصتواند مربوط به پیچیدگی ایجا‌د تصمیمصگیری گروهی با افزایش اندازهصی گروه به علت افزایش تنوع علایق و اولویتصها‌ی مختلف افراد با‌شد. همچنین نتیجهصگیری میصشود که با افزایش تعداد پیشنها‌دات درصد صحت پیشنها‌دات نسبت به دادهصی تست کا‌ربران افزایش میصیا‌بد. پس از تخمین امتیا‌ز گروه به مکا‌نصها، بر اسا‌س شرایط آب و هوایی، روز هفته و همچنین ظرفیت مکا‌نصها در با‌زهصها‌ی زما‌نی مختلف به هر گروهص چند مکا‌نص در با‌زهصها‌ی زما‌نی مختلف پیشنهاد میصشود. اعضا‌ی گروهصها میصتوانند مکا‌نصها‌ی پیشنها‌دی و با‌زهصها‌ی زما‌نی را رتبهصبندی نما‌یند و سا‌ما‌نه پس از تجمیع نظرات اعضا، مکا‌ن و زمان منا‌سب را به گروه پیشنهاد میصکند. همچنین اگر گروهی تا روز قبل از ملاقا‌ت رتبهصبندی پیشنها‌دات را انجا‌م ندهد، سا‌ما‌نه به صورت خودکا‌ر برای گروهصها‌ی با‌قیما‌نده، مکا‌ن بهینه در هر با‌زهصی زما‌نی را پیشنهاد میصدهد. تخصیص خودکا‌ر مکا‌نصها به گروهصها به دو صورت بدون در نظر گرفتن ظرفیت مکا‌ن و با در نظر گرفتن ظرفیت مکا‌نصها انجا‌م میصشود. در حا‌لت اول تخصیص با استفا‌ده از الگوریتم مجا‌رستا‌نی انجا‌م میصشود و در حا‌لت دوم که مسئلهصی تخصیص تعمیم یا‌فته است از الگوریتمصها‌ی تقریبی hcraes ubaT ،gnilaenna detalumiS و hcraes doohrobhgien elbairaV استفا‌ده میصشود. هزینه در این تخصیصصها از امتیا‌ز گروهص به مکا‌نصها به دست میص‌آید. نتا‌یج نشا‌ن میصدهند که میزان هزینهصی تخصیص با استفا‌ده از الگوریتم مجا‌رستا‌نی بیشتر از الگوریتمصها‌ی به کا‌ر برده شده در مسئلهصی تخصیص تعمیم یا‌فته است. زیرا در الگوریتم مجا‌رستا‌نی به هر مکا‌ن یک گروه تخصیص داده میصشود. شا‌ید مکا‌نی با‌شد که برای چند گروه منا‌سب با‌شد ولی فقط یکی از آن گروهصها به آن مکا‌ن تخصیص داده میصشود و بقیهصی گروهصها به مکا‌نصها‌ی دیگری تخصیص داده میصشوند. همچنین نتا‌یج در مجموعه دادهصها‌ی تست مورد استفا‌ده نشا‌ن میصدهند که الگوریتم hcraes doohrobhgien elbairaV در مسئلهصی تخصیص تعمیم یا‌فته کمترین هزینهصی تخصیص را ایجا‌د میصکند.
متن يادداشت
With the growth of smart mobile devices, location-based services have received great interest. One of these services is location-based social networks )LBSNs(. Location recommendation to users, based on their preferences, is an important attribute for LBSN that help people discover new locations as well as businesses to find potential customers. Recommender systems exploit users location history and location information for recommending them new places. Because human beings are social by nature, group activities are important in individuals lives. Due to different interests and priorities of individuals, it is difficult to determine and coordinate group members and to find places which are ideal for all members of a group. Thus in this research, due to the importance and necessity of group activities, solutions for solving these problems are suggested. First, an automatic user grouping model is introduced that obtains information about users and their preferences through an LBSN. The preferences of the users, proximity of the places the users have visited in terms of spatial range, users free days, and the social relationships among users are extracted automatically from location histories and users profiles in the LBSN. These factors are combined to determine the similarities among users. The users are partitioned into groups based on these similarities. Group size is the key to coordinating group members and enhancing their satisfaction. Therefore, a modified k-medoids method is developed to cluster users into groups with specific sizes and the results of the grouping with different members size are investigated. To evaluate the efficiency of the proposed method, its mean intra-cluster distance and its distribution of cluster sizes are compared to Multilevel k-Way Partitioning algorithm. The results showed that the proposed method can efficiently divide users into groups with a given group size. For this purpose, tips dataset of Foursquare social network is used. This used database is collected from New York and Los Angeles cities in time intervals between February 2009 and July 2011. The results showed that the proposed method reduces the amount of intra-cluster distance in forming groups by 28.9 percent relative to the multilevel k-way partitioning algorithm and has the ability to create clusters of defined size. In this research, a context-aware location recommendation system for groups based on a random walk approach is proposed. The proposed approach considers three different contexts, namely users contexts )i.e., current social relations, personal preferences(, location context )i.e., category, popularity, capacity, and spatial proximity(, and environmental context )i.e., weather, days of week(. Three graph models of LBSNs are constructed to perform random walk with restart )RWR( algorithm in which user-location graph is considered as the basis. In addition, two group recommendation strategies are used. One is aggregated prediction strategy and the other is derived from extending the RWR to group. The performance of the proposed system is also investigated in different group size and varying number of recommendations. Gowalla's check-in dataset relating to London city in time intervals between March 2009 and January 2011 is used to assess the efficiency of the proposed group recommender system.The results show that when using RWR algorithm, user and location neighborhood graph )UU-VV( with aggregated prediction strategy and least misery policy yields an average 8.3 percent more true recommendations compared to other graph models and strategies. As the UU-VV graph has more links between nodes, computational expense increases for a large dataset. CLGRW utilizes the group profile and location popularity to enhance the recommendations. The results show that the proposed system provided an average 10.7 percent more true recommendation in relation to RWR algorithm. Using a user-relationship graph )U-U( with RWR-G strategy also provides an average of 27 percent better performance compared to other graph models and strategies in providing true recommendations. Compared to using UU-VV graph model, U-U graph model reduces number of edges and computational expenses. In addition, the results indicate that an increase in group size leads to a decrease of the performance of all the approaches. This can be related to the complexity of making group recommendations, due to an increase in the diversity of interests and priorities of individuals in larger groups. The result also shows that, by increasing the number of recommendations, percentage of the true recommendations is increasing. After estimating the group's score to the locations based on the weather conditions, the day of the week as well as the capacity of the locations in different time intervals, several locations were suggested to each group in different time intervals. Group members can rank the recommended locations and time intervals, and after aggregation of members' remarks, the system will provide the suitable location and time for the group. Also, if the group does not rank the recommended location until the day before the meeting, the system automatically recommends the optimal location for the remaining groups in each time interval. Automatic group location allocation is done in two ways: without considering the location capacity and taking into account location capacity. In first way, allocation is done with Hungarian algorithm and second way is generalized assignment problem that is solved by various approximate algorithms. Cost of allocations is gaining from group score to locations. Results show that the amount of allocation costs associated with using Hungarian algorithm is more than algorithms used in generalized assignment problem; because in Hungarian algorithm, each location is allocated by one group. For some groups, a common location may be suitable but only one of those groups may allocate to this location and other groups is allocated to other locations. The finding in used test datasets also show that Variable neighborhood search, approximate algorithm for generalized assignment problem, has less allocation cost. Keywords: Location-based social networks )LBSNs(; group recommender system; context-aware; random walk with restart; Clustering; user preference; social relationship effect; spatial proximity
موضوع (اسم عام یاعبارت اسمی عام)
تقسیم فرعی موضوعی
شبکه های اجتما‌عی مکانمبنا (NSBL)خوشه بندی
تقسیم فرعی موضوعی
سا‌ما‌نه توصیه گر گروهی
تقسیم فرعی موضوعی
محیط آگا‌ه
تقسیم فرعی موضوعی
،الگوریتم قدم زدن تصا‌دفی
تقسیم فرعی موضوعی
ترجیحا‌ت کا‌ربر
تقسیم فرعی موضوعی
روابط اجتما‌عی
تقسیم فرعی موضوعی
نزدیکی مکا‌نی
تقسیم فرعی موضوعی
مهندسی عمران نقشه‌برداری
عنصر شناسه ای
نقشه برداری
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
کد نقش
پ
عنصر شناسه اي
الهه خزاعی
نام شخص - ( مسئولیت معنوی درجه دوم )
عنصر شناسه اي
استاد راهنما: علیمحمدی، عبا‌س
اطلاعات رکورد کتابشناسی
کد کاربرگه
۰۳۵۴
نوع ماده
CF
اطلاعات دسترسی رکورد
سطح دسترسي
دانشکده نقشه برداری
