توصیه‌کننده مکانی در شبکه‌های اجتماعی مکان‌مبنا مبتنی بر یادگیری عمیق

پتانسیل شبکه‌های اجتماعی برای استخراج آمار و اطلاعات در مورد رفتار کاربران مورد توجه بسیاری از پژوهش‌گران قرار گرفته‌است. با توسعه و محبوبیت این شبکه‌ها، بسیاری از انسان‌ها ترجیح می‌دهند تجربیات خود را به اشتراک بگذارند. با جمع‌آوری داده‌های رفتاری کاربران، فرصت‌های منحصر به ‌فردی برای درک الگوهای حرکتی و پیش‌بینی رفتار مکانی آن‌ها ایجاد می‌شود. یک نمونه از شبکه‌های اجتماعی مبتنی بر مکان foursquare است. در این شبکه‌ها محتوای تولیدشده توسط کاربر در موقعیت مکانی ثبت می‌شود و مکان‌های جدید را به کاربران توصیه می‌کند. این شبکه‌ها امکان ثبت و اشتراک‌گذاری موقعیت مکانی کاربران را فراهم می‌کنند. این پلتفرم‌ها حجم عظیمی از داده‌های رفتاری را تولید می‌کنند که می‌توان برای درک الگوهای حرکتی و پیش‌بینی رفتار آینده کاربران استفاده کرد. این موضوع کمک شایانی در زمینه کسب‌وکارها و خدمت به امور جهانگردی دارد. برای بهبود دقت پیش‌بینی مکان بعدی در ابتدا نیاز است دوستان و یا افرادی که بیشترین نقاط مشترک را با هم دارند شناسایی شوند؛ بنابراین عواملی شامل تاثیر دوستان، تاریخچه بازدیدها و ویژگی‌های زمانی - مکانی در پیش‌بینی انتخاب مکان بعدی کاربر نقش بسزایی دارد؛ لذا اهمیت درنظرگرفتن ویژگی‌های زمانی در فرایند پیش‌بینی بسیار مهم است. روش پیشنهادی دقت روش‌های یادگیری ماشین و شبکه‌های عصبی بازگشتی را برای پیش‌بینی مکان بعدی کاربران مورد بررسی قرار داده‌است. در این مقاله با استفاده از الگوریتم randomforest داده‌ها مورد بررسی قرار گرفته‌اند تا نقش داده‌ها در دسته‌بندی مشخص شود. سپس با استفاده از شبکه‌های عصبی بازگشتی lstm ، rnn و gru عمل پیش‌بینی عملکرد کاربران مورد ارزیابی واقع شد. در این راستا شبکه عصبی بازگشتی lstm با دقت 71 درصد در میان شبکه‌های عصبی بازگشتی بیشترین دقت را داشته است. این پژوهش نشان می‌دهد که ترکیب هوش مصنوعی و داده‌های مکانی- زمانی می‌تواند درک عمیقی از رفتارهای انسانی در فضاهای شهری و رقمی ارائه دهد.

a location recommender in social networks based on location based on deep learning

the potential of social networks to extract valuable insights into user behavior has become a focal point of research. with the proliferation of social media platforms, people are increasingly sharing their experiences online. this wealth of user-generated data provides unique opportunities to understand movement patterns and predict future behavior. location-based social networks like foursquare exemplify this, allowing users to check in at various locations and enabling researchers to analyze these data points.by analyzing the data collected from these platforms, we can uncover patterns in user behavior, such as frequently visited locations and the factors influencing these choices. this information can be invaluable for businesses and urban planners.to improve the accuracy of predicting a user’s next location, this study focuses on identifying the most influential friends or individuals in a user’s social network. factors such as the strength of these relationships, historical visit data, and temporal-spatial characteristics are considered. additionally, the study emphasizes the importance of data quality, focusing on locations that have been visited more than 100 times to ensure reliability.a key aspect of this research is understanding the influence of social connections on individual behavior. by analyzing the overlap in visited locations between friends, the study aims to identify the most influential friends for each user. these influential friends are then used to predict the user’s next location.the proposed method employs machine learning techniques, specifically randomforest and recurrent neural networks (lstm, rnn, and gru), to predict user behavior. randomforest is used to analyze the data and identify the most significant features, while recurrent neural networks are employed to model the sequential nature of user behavior. among these, lstm achieved the highest accuracy of 71% in predicting users’ next locations.this research demonstrates that combining artificial intelligence with spatial-temporal data can provide profound insights into human behavior in urban and digital environments. by understanding these patterns, businesses can tailor their offerings to individual customers, and urban planners can design more efficient and user-friendly cities.