| spelling |
Rodrygo Luis Teodoro SantosNivio ZivianiNivio ZivianiAnisio Mendes LacerdaPedro Olmo Stancioli Vaz de MeloJordan Silva2019-08-09T19:17:54Z2019-08-09T19:17:54Z2017-09-27http://hdl.handle.net/1843/JCES-AVLGY6A recomendação de ponto de interesse (POI) em redes sociais baseadas em localização (LBSNs) têm sido amplamente pesquisada como um mecanismo para ajudar as pessoas a descobrirem novos locais para visitar em uma cidade. Apesar dos esforços recentes, atualmente, as coleções de teste disponíveis são enviesadas ao favorecimento de sistemas de recomendação de POIs sensíveis a geografia. Isso ocorre pois boa parte do sucesso desses sistemas é devido ao fato de que as pessoas preferencialmente tendem a visitar POIs próximos à elas. Como resultado, não está claro o papel que outros fatores contextuais desempenham em um cenário mais realista, onde a geografia é restrita por definição, dada a localização da pessoa. Para lidar com esse problema, apresentamos nossa metodologia de avaliação para a tarefa de recomendação de POIs próximos, onde as sugestões de POIs são restritas a uma área próxima da localização da pessoa. Além da tarefa proposta, apresentamos uma coleção de testes para recomendação de POI próximos, que inclui vários casos de teste com restrições geográficas, enriquecidos com contextos temporais e climáticos, distribuídos ao longo de um ano em duas grandes cidades nas Américas. Também, apresentamos uma análise detalhada da qualidade dos sistemas de recomendação de POIs estado-da-arte (e.g., BPRMF, Rank-GeoFM) como referência para a nossa coleção de testes.Point-of-interest (POI) recommendation in location-based social networks has been widely researched as a mechanism to help users discover new venues to visit in a city. Despite recent efforts, the currently available test collections trivially favor geography-aware POI recommenders by overlooking the fact that users will most often prefer nearby POIs anyway. As a result, it remains unclear what role other contextual factors play in a more realistic scenario where geography is constrained by definition given the user's location. To close this gap, we introduce a large-scale test collection for context-aware nearby POI recommendation, which includes several geography-constrained test cases, enriched with temporal and weather contexts in two large cities in the Americas. Also, we describe our proposed evaluation methodology for the nearby POI recommendation task and present a breakdown analysis of the state-of-the-art POI recommenders results as reference results for the new collection.Universidade Federal de Minas GeraisUFMGRecuperação da informaçãoSistemas de recomendaçãoComputaçãoRedes sociais on-lineRede social baseada em localizaçãoRecuperação de InformaçãoSistemas de RecomendaçãoPonto-de-InteressePOINearby places: on location-based pruning for point-of-interest recommendationinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALjordansilva.pdfapplication/pdf2696154https://repositorio.ufmg.br/bitstream/1843/JCES-AVLGY6/1/jordansilva.pdfb7136b247b3b4851f3c73110beedf620MD51TEXTjordansilva.pdf.txtjordansilva.pdf.txtExtracted texttext/plain158328https://repositorio.ufmg.br/bitstream/1843/JCES-AVLGY6/2/jordansilva.pdf.txte07c6210df45e0eef93b3fbb64789b66MD521843/JCES-AVLGY62019-11-14 05:36:44.847oai:repositorio.ufmg.br:1843/JCES-AVLGY6Repositório InstitucionalPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T08:36:44Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
|