توصیه مکان های جذاب با استفاده از ابرگراف در شبکه های اجتماعی مکان مبنا

توصیه مکان جذاب یکی از کاربردهای مهم شبکه های اجتماعی مکان مبنا برای کاربران و مدیران کسب وکارهای مختلف به شمار می رود. شبکه های اجتماعی مکان مبنا شامل ارتباطات پیچیده و گسترده ای از قبیل ارتباطات میان مکان های مختلف، کاربران مختلف، ارتباط میان کاربران و مکان ها و دیگر ارتباطاتی از این دست می باشد که بررسی و مدلسازی دقیق آنها می تواند منجر به توصیه سازی بهتری در این حوزه شود. از آنجایی که این روابط عموما روابط ساده ی دو به دویی نیستند نمی توان آنها را با استفاده از گراف معمول به درستی مدلسازی کرد. این مقاله سعی دارد تا با استفاده از ساختار ابرگراف مدلی برای محاسبه شباهت مکان ها و کاربران ارایه دهد و با اعمال آن در روش پالایه مشارکتی باعث بهبود توصیه سازی آن شود. نتایج حاصل از این تحقیق بر روی داده های شبکه اجتماعی مکان مبنای foursquare نشان می دهد که صحت روش پیشنهادی در مقایسه با روش های موفق پیشین حدود %2.7 بیشتر است. در واقع نتایج حاصله گواه آن است که به کار گیری روابط درجه بالا میان کاربران و مکان ها می تواند به بهبود عملکرد توصیه سازی کمک نماید. علاوه بر این، نتایج این تحقیق نشان می دهد که اعمال روش محاسبه شباهت پیشنهاد شده در روش پالایه مشارکتی در مقایسه با روش های رایج محاسبه شباهت، صحت را در حدود %33 افزایش می دهد.

Points Of Interest Recommendation Using Hypergraph on Location-based Social Networks

Point of interest (POI) is one of the important applications of locationbased social networks (LBSNs) for users and business managers. LBSNs include various complex relations (i.e., POIPOI, useruser, userPOI, and so on), that more accurate modeling of them can lead to making a better recommendation. Since some relations are much more sophisticated than pairwise relations, and thus cannot be simply modeled by a graph. This study proposes a model for calculating the similarity of POIs and users based on hypergraph structure and by integrating that into the collaborative filtering (CF) method it can improve the recommendation performance. The results obtained from the real data set, Foursquare, show that the proposed model performs better than stateoftheart methods in terms of accuracy. Taking highorder relations between POIs and users into account can improve recommendation performance by 2.7% in terms of accuracy. By integrating the proposed similarity learning into the collaborative filtering (CF) method, our method obtained approximately 33% improvements in accuracy compared to the traditional similarity learning methods.