MÔ HÌNH dự đoán địa điểm NGƯỜI DÙNG TRÊN MẠNG xã hội

111Equation Chapter Section HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG KHOA CÔNG NGHỆ THÔNG TIN ĐỒ ÁN TỐT NGHIỆP ĐẠI HỌC MÔ HÌNH DỰ ĐOÁN ĐỊA ĐIỂM NGƯỜI DÙNG TRÊN MẠNG XÃ HỘI Giảng viên hướng dẫn : PGS.TS TRẦN ĐÌNH QUẾ Sinh viên thực hiện: TRẦN MẠNH NGHĨA Lớp : D10CNPM1 Khoá : 2010-2015 Hệ : Chính quy Hà Nội, tháng 11 /2014 MỤC LỤC DANH MỤC CÁC TỪ VIẾT TẮT Từ viết tắt GMM Từ đầy đủ Gaussian Mixture Model EM Expectation Maximization ML Maximum Likelihood MAP PY Maximum A Posteriori Probability Pit-man Yor Process HPY Hierachical Pit-man Yor Process OMM Order-k Markov Model DANH SÁCH CÁC BẢNG DANH SÁCH CÁC HÌNH VẼ LỜI MỞ ĐẦU Ngày nay, với phổ biến mạng Internet, máy tính cá nhân thiết bị cầm tay mạng xã hội trở thành phần thiếu xã hội Mạng xã hội phản ánh xây dựng dựa giới thực người với người thông qua website để người dùng chia sẻ ý tưởng, hành động, kiện, sở thích Internet [12] Do thiết bị di động thông minh trở thành phổ biến nên mạng xã hội ngày trở nên quan trọng sống người Cùng với phát triển mạng xã hội vị trí làm tăng số lượng người dùng mạng xã hội Những trang mạng xã hội địa điểm dựa công nghệ GPS, Web 2.0 thiết bị di động cho phép người dùng chia sẻ vị trí họ (thường gọi “check-in”), tìm kiếm địa điểm yêu thích địa điểm giảm giá, bình luận địa điểm cụ thể, kết nối với bạn bè… Mạng xã hội dựa vị trí thu hẹp khoảng cách giới thực mạng xã hội trực tuyến Số lượng lớn nguồn liệu địa lý mối quan hệ xã hội mạng xã hội vị trí cung cấp hội chưa có để tìm hiểu nghiên cứu hành vi di chuyển người thông qua việc phân tích liệu từ đặc điểm thời gian, lịch sử di chuyển ảnh hưởng xã hội tạo điều kiện cho việc phát triển loại hình dịch vụ dựa vị trí tư vấn địa điểm, phòng tránh thiên tai [2] Sự sẵn có nhiều nguồn thông tin thể nhìn khác để nghiên cứu hành vi di chuyển người dùng từ khía cạnh thời gian-không gian, xã hộithời gian, xã hội-không gian, thời gian-không gian-xã hội [1] Đã có nhiều nghiên cứu [1, 9, 3, 2] mô hình dự đoán địa điểm người dùng mạng xã hội dạng ảnh hưởng xã hội với lịch sử di chuyển người dùng là: mô hình hỗn hợp Gaussian, mô hình Markov bậc k, mô hình Fusion, mô hình phân cấp Pit-man Yor Các nghiên cứu hành động xác thực vị trí (check-in) phụ thuộc vào yếu tố thời gian, lịch sử di chuyển ảnh hưởng xã hội Mục đích đồ án tìm hiểu mô hình dự đoán địa điểm người dùng mạng xã hội dựa lịch sử di chuyển, mối quan hệ bạn bè họ Nội dung đồ án bao gồm: • Khảo sát ba mô hình: o Mô hình hỗn hợp Gaussian việc phân tích nhãn thời gian hành động xác thực vị trí người dùng o Mô hình Fussion việc phân tích lịch sử di chuyển ảnh hưởng xã hội, địa lý o Mô hình phân cấp Pit-man Yor việc phân tích lịch sử di chuyển người dùng kết hợp với ảnh hưởng xã hội • Tìm hiểu cách kết hợp mô hình phân tích thời gian (mô hình hỗn hợp Gaussian) mô hình phân tích lịch sử di chuyển người dùng với ảnh hưởng xã hội (mô hình phân cấp Pit-man Yor, mô hình Fussion) Sau so sánh đánh giá việc kết hợp với mô hình riêng lẻ (mô hình Fussion, mô hình phân cấp Pit-man Yor) • Xây dựng ứng dụng minh họa dự đoán địa điểm cho người dùng Ngoài phần mở đầu kết luận cấu trúc đồ án chia làm ba chương: Chương – Giới thiệu mạng xã hội vị trí toán dự đoán địa điểm Nội dung chương trình bày giới thiệu mạng xã hội vị trí phát biểu toán dự đoán địa điểm Từ trình bày kỹ thuật áp dụng cho phương pháp dự đoán địa điểm Chương – Một số mô hình dự đoán địa điểm người dùng mạng xã hội vị trí Nội dung chương tìm hiểu mô hình phân tích nhãn thời gian (mô hình hỗn hợp Gaussian) mô hình phân tích lịch sử di chuyển người dùng ảnh hưởng xã hội (mô hình phân cấp Pit-man Yor mô hình Fussion) việc dự đoán địa điểm người dùng mạng xã hội vị trí Chương – Cài đặt thực nghiệm Nội dung chương trình bày bước thực nghiệm để đánh giá hiệu việc dự đoán địa điểm trình bày chương Xây dựng ứng dụng minh họa dự đoán địa điểm cho người dùng ĐỒ ÁN TỐT NGHIỆP CHƯƠNG – GIỚI THIỆU … CHƯƠNG - GIỚI THIỆU VỀ MẠNG XÃ HỘI VỊ TRÍ VÀ BÀI TOÁN DỰ ĐOÁN ĐỊA ĐIỂM 1.1 Giới thiệu mạng xã hội vị trí Mạng xã hội (social network) hay gọi mạng xã hội ảo dịch vụ kết nối thành viên sở thích Internet lại với với nhiều mục đích khác không phân biệt không gian thời gian Mạng xã hội tạo để tự thân lan rộng cộng đồng thông qua tương tác thành viên cộng đồng Mọi thành viên mạng xã hội kết nối với người mắt xích để tạo lên mạng lưới rộng lớn truyền tải thông tin Mạng xã hội vị trí bao gồm ba tầng thông tin riêng biệt là: tầng xã hội, tầng địa lý, tầng thời gian (mô tả hình 1.1) Hình 1.1: Tầng thông tin mạng xã hội vị trí [1] • Tầng địa lý: bao gồm lịch sử di chuyển người dùng, người dùng qua địa điểm đó, người dùng để lại lịch sử hành trình cách xác thực vị trí (check-in) địa điểm mạng xã hội vị trí • Tầng xã hội: bao gồm mối quan hệ xã hội người dùng mạng xã hội vị trí • Tầng thời gian: nhãn thời gian hành động xác thực vị trí Tầng thời gian đưa vào mạng xã hội vị trí đưa vào số thứ tự tạo kết nối cho hành động xác thực vị trí theo trật tự thời gian cho việc tạo vị trí lộ trình người dùng Một số trang mạng xã hội vị trí tiếng như: SVTH: Trần Mạnh Nghĩa – D10CNPM1 ĐỒ ÁN TỐT NGHIỆP CHƯƠNG – GIỚI THIỆU … • Foursquare: trang mạng xã hội vị trí phổ biến nay, mắt vào tháng năm 2009 Dennis Crowley Naveen Selvadurai, theo Foursquare họ có khoảng 55 triệu người dùng toàn giới khắp giới với việc thu thập liệu 60 triệu địa điểm bao gồm nhà hàng, cửa hàng mua sắm, khách sạn tỷ hành động xác thực vị trí Hình 1.2: Giao diện Foursquare • Facebook Places: mạng xã hội vị trí nơi mà người dùng chia sẻ địa điểm việc xác thực vị trí Người dùng xác thực vị trí cách thêm địa điểm vào suy nghĩ Hình 1.3: Giao diện Facebook Place SVTH: Trần Mạnh Nghĩa – D10CNPM1 ĐỒ ÁN TỐT NGHIỆP CHƯƠNG – GIỚI THIỆU … 1.2 Bài toán dự đoán địa điểm Việc dự đoán địa điểm người dùng mạng xã hội vị trí phụ thuộc vào yếu tố thời gian, lịch sử di chuyển, ảnh hưởng xã hội người dùng Trong đó: • Thời gian: nhãn thời gian hành động xác thực vị trí Thời gian gán với hành động di chuyển người dùng số thứ tự tạo kết nối hành động theo trật tự thời gian giúp cho việc tạo lịch sử di chuyển người dùng • Không gian: bao gồm lịch sử di chuyển người dùng • Ảnh hưởng xã hội: mối quan hệ xã hội người dùng thường ảnh hưởng phần tới hành vi di chuyển người dùng Vì toán dự đoán địa điểm là: ước lượng xác suất ghé thăm địa điểm người dùng dựa vào thời gian, lịch sử di chuyển mối quan hệ bạn bè người dùng (Bài toán mô tả hình 1.4) Hình 1.4: Hành vi di chuyển người dùng thời điểm Gọi danh sách người dùng Gọi danh sách vị trí người dùng Với n, m số lượng người dùng số lượng vị trí tương ứng Mỗi hành động xác thực vị trí coi biểu diễn người dùng check-in vị trí thời điểm , tập hành động xác thực vị trí quan sát SVTH: Trần Mạnh Nghĩa – D10CNPM1 ĐỒ ÁN TỐT NGHIỆP CHƯƠNG – GIỚI THIỆU … Gọi bạn người dùng lịch sử di chuyển quan sát trước thời điểm lịch sử di chuyển bạn người dùng trước thời điểm Sự phân bố mặt xác suất địa điểm người dùng thời điểm định công thức: 212\* MER GEF ORM AT (.) Với biểu diễn địa điểm xác thực người dùng Áp dụng quy tắc Bayes, từ công thức được: 313\* MER GEF ORM AT (.) mô tả phân bố xác thực vị trí địa điểm dựa vào lịch sử di chuyển người dùng lịch sử di chuyển bạn bè người dùng mô tả phân bố trạng thái thời gian hành động xác thực vị trí người dùng biết địa điểm với lịch sử di chuyển người dùng bạn bè tương ứng với 1.3 Các kỹ thuật áp dụng Hành vi di chuyển người phức tạp, bị ảnh hưởng nhiều yếu tố sở thích cá nhân, ảnh hưởng xã hội, thời gian Vì để dự đoán địa điểm mà người dùng có mặt cần áp dụng kỹ thuật để phân tích yếu tố thời gian, không gian, ảnh hưởng xã hội SVTH: Trần Mạnh Nghĩa – D10CNPM1 10 ĐỒ ÁN TỐT NGHIỆP CHƯƠNG 3: CÀI ĐẶT THỰC NGHIỆM Để tính độ tương tự hai người dùng, đồ án sử dụng độ tương tự Cosine Lịch sử di chuyển người dùng biểu diễn thành vector Khi độ tương tự hai người dùng tương đương với độ tương đồng hai vector quy thành góc chúng theo công thức: Trong đó: A, B hai vector cần so sánh độ tương đồng, hai vector có số chiều n giá trị tương ứng với chiều thứ hai vector Hình 3.8: Biểu diễn kết dự đoán vị trí việc kết hợp thời gian xã hội theo tham số tập liệu Foursquare SVTH: Trần Mạnh Nghĩa – D10CNPM1 48 ĐỒ ÁN TỐT NGHIỆP CHƯƠNG 3: CÀI ĐẶT THỰC NGHIỆM Hình 3.9: Biểu đồ kết dự đoán vị trí việc kết hợp thời gian xã hội theo tham số tập liệu Brightkite Hình 3.8, 3.9 biểu diễn độ xác việc dự đoán địa điểm cách kết hợp mô hình phân tích thời gian (mô hình hỗn hợp Gaussian) ảnh hưởng xã hội theo giá trị Trục tung biểu diễn giá trị PA, trục hoành biểu diễn giá trị tham số Cả hai hình cho thấy với giá trị cho hiệu dự đoán cao đóng góp khác sở thích theo thời gian ảnh hưởng xã hội tới hành vi di chuyển người dùng Với giá trị việc kết hợp mô hình phân tích thời gian ảnh hưởng xã hội nâng cao hiệu suất dự đoán địa điểm so với xét riêng khia cạnh tương ứng với Bài toán 3: Thay đổi hai giá trị hai tham số công thức 2.23 mô hình Fussion Công thức 2.18 việc kết hợp mô hình lọc cộng tác dựa sở thích, mô hình lọc cộng tác dựa bạn bè mô hình ảnh hưởng địa lý cho việc dự đoán địa điểm Với tham số tùy chỉnh, biểu thị tầm quan trọng ảnh hưởng mối quan hệ bạn bè ảnh hưởng địa lý so với sở thích người dùng SVTH: Trần Mạnh Nghĩa – D10CNPM1 49 ĐỒ ÁN TỐT NGHIỆP CHƯƠNG 3: CÀI ĐẶT THỰC NGHIỆM Hình 3.10: Biểu đồ kết dự đoán địa điểm mô hình Fussion theo hai tham số tập liệu Foursquare Hình 3.10 biểu diễn giá trị PA cho mô hình Fussion theo hai tham số Trục x biểu diễn giá trị , trục y biểu diễn giá trị , trục z biểu diễn giá trị PA Hình cho thấy với cho hiệu dự đoán cao nhất, điều cho thấy việc kết hợp mô hình lọc cộng tác dựa sở thích, mô hình lọc cộng tác dựa bạn bè mô hình ảnh hưởng địa lý nâng cao hiệu việc dự đoán địa điểm Bài toán 4: Thay đổi giá trị công thức việc kết hợp mô hình phân tích lịch sử di chuyển người dùng mô hình phân cấp Pit-man Yor ảnh hưởng xã hội Cài đặt mô hình phân cấp Pit-man Yor Công thức 2.24 việc kết hợp mô hình phân tích lịch sử di chuyển người dùng (mô hình phân cấp Pit-man Yor) ảnh hưởng xã hội Để cài đặt mô hình phân cấp Pit-man Yor đồ án sử dụng mô hình SequenceMemoizer [9] đề xuất, thư viện cài đặt mô hình tải www.sequencememoizer.com Mô hình SequenceMemoizer thực trình ước lượng tham số suy luận mô hình phân cấp Pit-man Yor Bộ thư viện yêu cầu SVTH: Trần Mạnh Nghĩa – D10CNPM1 50 ĐỒ ÁN TỐT NGHIỆP CHƯƠNG 3: CÀI ĐẶT THỰC NGHIỆM chuỗi số nguyên (tương ứng với danh sách mã định danh địa điểm mà người dùng xác thực) trả danh sách địa điểm người dùng xác thực theo thứ tự xác suất giảm dần Hình 3.11: Biểu đồ kết dự đoán địa điểm mô hình phân cấp Pit-man Yor ảnh hưởng xã hội theo tham số với tập liệu Foursquare Hình 3.12: Biểu đồ kết dự đoán địa điểm mô hình phân cấp Pit-man Yor ảnh hưởng xã hội theo tham số với tập liệu Brightkite Hình 3.11, 3.12 biểu diễn giá trị PA cho mô hình phân tích lịch sử di chuyển (mô hình phân cấp Pit-man Yor) ảnh hưởng xã hội Trục tung biểu giá trị PA, trục hoàng biểu diễn giá trị tham số Cả hai hình cho thấy với giá trị cho hiệu cao SVTH: Trần Mạnh Nghĩa – D10CNPM1 51 ĐỒ ÁN TỐT NGHIỆP CHƯƠNG 3: CÀI ĐẶT THỰC NGHIỆM đóng góp khác mô hình phân tích lịch sử di chuyển người dùng mô hình phân cấp Pit-man Yor ảnh hưởng xã hội tới hành vi di chuyển người dùng Với giá trị việc kết hợp mô hình phân tích lịch sử di chuyển ảnh hưởng xã hội nâng cao hiệu suất dự đoán địa điểm so với xét riêng khia cạnh tương ứng với Bài toán 5: Chứng minh hiệu việc kết hợp mô hình phân tích thời gian, lịch sử di chuyển ảnh hưởng xã hội việc dự đoán địa điểm Việc kết hợp mô hình phân tích thời gian, lịch sử di chuyển ảnh hưởng xã hội trình bày bước 4, mục 2.4 chương Kết mô hình áp dụng để tính toán khả dự đoán địa điểm bao gồm: - Mô hình hỗn hợp Gaussian kết hợp ảnh hưởng xã hội với tham số - Mô hình Fussion với hai tham số - Mô hình phân cấp Pit-man Yor kết hợp ảnh hưởng xã hội với tham số Mô hình Fussion Foursquar e Riêng biệt 0.3244 0.3975 Kết hợp Brightkite Mô hình phân cấp Pit-man Yor 0.3409 0.4262 Riêng biệt 0.2924 0.3082 Kết hợp 0.3052 0.325 Bảng 3.4: Kết dự đoán địa điểm việc kết hợp mô hình Kết dự đoán địa điểm bảng bao gồm: - Mô hình Fussion mô hình phân cấp Pit-man Yor tính cách riêng biệt với tham số bên - Mô hình Fussion mô hình phân cấp Pit-man Yor tính cách kết hợp với mô hình phân tích thời gian (mô hình hỗn hợp Gaussian) SVTH: Trần Mạnh Nghĩa – D10CNPM1 52 ĐỒ ÁN TỐT NGHIỆP CHƯƠNG 3: CÀI ĐẶT THỰC NGHIỆM Hình 3.13: Biểu đồ kết dự đoán địa điểm việc kết hợp mô hình Hình 3.13 biểu diễn giá trị PA cho việc kết hợp mô hình phân tích lịch sử (mô hình Fussion, mô hình phân cấp Pit-man Yor) mô hình phân tích thời gian (mô hình Gaussian) hai tập liệu thực nghiệm Kết cho thấy việc kết hợp ảnh hưởng thời gian, xã hội lịch sử di chuyển người dùng cho hiệu cao xét riêng mô hình phân tích lịch sử di chuyển, ảnh hưởng xã hội 3.5 Ứng dụng dự đoán địa điểm Ứng dụng dự đoán địa điểm cho người dùng viết ngôn ngữ java chương trình kiểu ứng dụng Web Ứng dụng cho phép người dùng đăng nhập vào hệ thống hai cách là: đăng nhập tài khoản thường đăng ký, đăng nhập tài khoản facebook Sau đăng nhập ứng dụng cung cấp hai chế độ địa điểm cho người dùng dựa mô hình kết hợp thời gian, lịch sử di chuyển ảnh hưởng xã hội Có hai chế độ hiển thị danh sách địa điểm hệ thống dự đoán mô hình Fussion mô hình phân cấp Pitman Yor, hai chế độ kết hợp với mô hình phân tích thời gian Gaussian trình bày bước mục 2.4 chương SVTH: Trần Mạnh Nghĩa – D10CNPM1 53 ĐỒ ÁN TỐT NGHIỆP CHƯƠNG 3: CÀI ĐẶT THỰC NGHIỆM Hình 3.14: Giao diện đăng nhập vào hệ thống Hình 3.15: Giao diện đăng ký tài khoản Để có địa điểm mà hệ thống đưa dự đoán cho người dùng người dùng cần phải đăng nhập vào hệ thống tài khoản đăng ký đăng nhập trực tiếp qua tài khoản facebook Sau đăng nhập gian diện hệ thống sau: SVTH: Trần Mạnh Nghĩa – D10CNPM1 54 ĐỒ ÁN TỐT NGHIỆP CHƯƠNG 3: CÀI ĐẶT THỰC NGHIỆM Hình 3.16: Giao diện hệ thống Ngoài địa điểm dự đoán cho người dùng người dùng tìm kiếm địa điểm Hà Nội Hình 3.7 mô tả kết tìm kiếm cho từ khóa “Phở” Người dùng nhập từ khóa “Phở” chọn loại địa điểm “Đồ ăn” Kết hiển thị: Hình 3.17: Giao diện kết tìm kiếm Để hiển thị địa điểm mà hệ thống đưa dự đoán cho người dùng người dùng chọn hai nút tương ứng gian diện là: “Mô hình Fussion”, “Mô hình SVTH: Trần Mạnh Nghĩa – D10CNPM1 55 ĐỒ ÁN TỐT NGHIỆP CHƯƠNG 3: CÀI ĐẶT THỰC NGHIỆM phân cấp Pit-man Yor” hai mô hình kết hợp với mô hình phân tích thời gian Gaussian (a) Mô hình Fussion (b) Mô hình phân cấp Pit-man Yor Hình 3.18: Giao diện kết dự đoán dựa mô hình dự đoán địa điểm SVTH: Trần Mạnh Nghĩa – D10CNPM1 56 ĐỒ ÁN TỐT NGHIỆP CHƯƠNG 3: CÀI ĐẶT THỰC NGHIỆM Hệ thống giúp đường từ vị trí người dùng tới vị trí mong muốn cách nhấn vào “Dẫn Đường” địa điểm Sau hệ thống hiển thị dẫn đường cho người dùng sau: Hình 3.19: Giao diện dẫn đường Kết dự đoán hiển thị hình người dùng (hình ) Người dùng check-in địa điểm cách chọn địa điểm nhấn “Check-in” hình sau: Hình 3.20: Giao diện check-in SVTH: Trần Mạnh Nghĩa – D10CNPM1 57 ĐỒ ÁN TỐT NGHIỆP CHƯƠNG 3: CÀI ĐẶT THỰC NGHIỆM 3.6 Kết luận Nội dung chương trình bày kết tiến hành xây dựng thực nghiệm hai tập liệu với mô hình phân tích thời gian (mô hình hỗn hợp Gaussian), mô hình phân tích lịch sử di chuyển người dùng ảnh hưởng xã hội (mô hình Fussion, mô hình phân cấp Pit-man Yor), việc kết hợp mô hình với Qua chứng minh hiệu việc kết hợp ba yếu tố thời gian, lịch sử di chuyển, ảnh hưởng xã hội việc dự đoán địa điểm SVTH: Trần Mạnh Nghĩa – D10CNPM1 58 ĐỒ ÁN TỐT NGHIỆP KẾT LUẬN KẾT LUẬN Trên sở nghiên cứu mô hình dự đoán địa điểm người dùng mạng xã hội vị trí việc phân tích thời gian, lịch sử di chuyển người dùng ảnh hưởng xã hội Đồ án trình bày nội dung sau: • Giới thiệu mạng xã hội vị trí toán dự đoán địa điểm: giới thiệu cách khái quát mạng xã hội vị trí, số trang mạng xã hội vị trí tiếng, toán dự đoán địa điểm Đồ án giới thiệu mô hình dự đoán địa điểm như: mô hình hỗn hợp Gaussian, mô hình lọc cộng tác dựa sở thích, mô hình lọc cộng tác dựa bạn bè, mô hình ảnh hưởng địa lý Các nghiên cứu gần hướng tới việc kết hợp mô hình phân tích thời gian, lịch sử di chuyển ảnh hưởng xã hội nhằm cao hiệu việc dự đoán địa điểm • Kết hợp mô hình phân tích thời gian, lịch sử di chuyển ảnh hưởng xã hội: tìm hiểu mô hình hỗn hợp Gaussian việc phân tích nhãn thời gian hành động xác thực vị trí Đối với việc phân tích lịch sử di chuyển ảnh hưởng xã hội, đồ án tìm hiểu hai mô hình mô hình phân cấp Pit-man Yor mô hình Fussion Kết hợp mô hình hỗn hợp Gaussian với mô hình Fussion với mô hình phân cấp Pit-man Yor nhằm nâng cao hiệu việc dự đoán địa điểm • Đánh giá mô hình thực nghiệm: Cài đặt mô hình hỗn hợp Gaussian, mô hình phân cấp Pit-man Yor, mô hình Fussion việc phân tích nhãn thời gian, lịch sử di chuyển ảnh hưởng xã hội người dùng Thực so sánh chất lượng dự đoán địa điểm ba mô hình trên, đồng thời đồ án tiến hành thay đổi giá trị tham số nhằm xem xét thay đổi kết thu được, rút kết luận việc kết hợp mô hình phân tích thời gian (mô hình hỗn hợp Gaussian) với mô hình phân tích lịch sử di chuyển ảnh hưởng xã hội (mô hình phân cấp Pitman Yor, mô hình Fussion) Kết thực nghiệm phù hợp với kết nghiên cứu: kết hợp mô hình phân tích thời gian, lịch sử di chuyển ảnh hưởng xã hội để làm tăng hiệu việc dự đoán địa điểm Hướng phát triển tương lai: • Trong phạm vi đồ án, đồ án xem xét hai mẫu thời gian có tính chất chu kỳ là: mẫu thời gian theo ngày (giờ ngày), mẫu thời gian theo tuần (ngày tuần), hướng phát triển xem xét trạng thái thời gian khác khoảng thời gian ngày, thời điểm dày theo (phút giờ) • Phân nhóm người dùng để đưa dự đoán địa điểm cho người dùng cách thông minh SVTH: Trần Mạnh Nghĩa – D10CNPM1 59 ĐỒ ÁN TỐT NGHIỆP KẾT LUẬN • Hệ thống dự đoán địa điểm cho phép người dùng bình luận địa điểm đó, thông tin bình luận người dùng thông tin quan trọng việc dự đoán địa điểm xác thực người dùng SVTH: Trần Mạnh Nghĩa – D10CNPM1 60 11] 12] 13] 14] TÀI LIỆU THAM KHẢO [1] H Gao,J Tang, Xia Hu and H Liu Modeling Temporal Effects of Human Mobile Behavior on Location-Based Social Networks, the 22nd ACM Intenational Conference on Information and Knowledge Management, 2013 [2] H Gao, J Tang, and H Liu Exploring Social-historical Ties on Location-Based Social Networks ICWSM, 2012 [3] M Ye, P Yin, W Lee, and D Lee Exploiting Geographical Influence for Collaborative Point-Of-Interest Recommendation SIGIR, 2011 [4] H Gao,J Tang, and H Liu Mobile Location Prediction In Spatio-Temporal Context, Nokia Mobile Data Challenge Workshop, 2012 [5] E Malmi, T Do and D Gatica-Perez Checking in or Checked in: Comparing LargeScale Manual and Automatic Location Disclosure Patterns MUM, 2012 [6] Hao Wang, Menolis Terrovitis, Nikos Mamoulis Location Recommendation in LocationBased Social Networks using User Check-in Data SIGSPATIAL’13 Proceedings of the 21st ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems, 2013 [7] Sean Borman The Expectation Maximization Algorithm , 2009 [8] Douglas Reynolds Gaussian Mixture Models, 2008 [9] F Wood, C Archambeau, J Gasthaus, L F James and Y W Ted The Sequence Memoizer CACM, Feb 2011 [10] L Song, D.Kotz, R Jain, and X He Evaluating location predictors with extensive wi-fi mobility data In INFOCOM 2004, volume 2, pages 1414-1424 IEEE, 2004 K-means, http://ict-tdu.blogspot.com/2013/06/thuat-toan-k-mean.html Datasets Foursquare, http://www.public.asu.edu/~hgao16/dataset.html Datasets Brightkite, http://snap.stanford.edu/data/loc-brightkite.html Wikipedia, http://vi.wikipedia.org/wiki/