1. Sampling the datasets and extrac

1. Sampling the datasets and extracting the training sets u, {u1,u2,u3…,un}，which contains totally n users；Corresponding time sets { t1,t2,t3…,tn } could also be extracted. Combining the two sets, the joint probability distribution {p(ti|ui),1≤i≤n} is computed.

2. For every region r=1,…,R: ① a region r is extracted by standardized Gaussian distribution; ② the sets of GPS coordinates L={ {li,0, li,1}, 1≤i≤n } is obtained in a region r; ③ Through (1), joint probability distribution of every region R is computed by

3. Matching GPS coordinates with nearby POIs. The rule is that comparing p(R | L) with the number of POIs in region r. If p(R | L) is greater than the number of points, the GPS coordinates in region are as a point matching with the nearest POI; On the contrary, the GPS coordinate which is closest to central point of a region would be matched with the nearest POI;

4. Through weight α, p(t|u) and p(R|L) could be tuned. Referring to aforementioned procedures, the joint probability distribution of context-aware model is built.

ผลลัพธ์ (ไทย) 1:

1. การสุ่มตัวอย่างการ datasets และแยกการฝึกอบรมชุด u, {u1, u2, u3... un }, ซึ่งประกอบด้วยผู้ใช้ทั้งหมด n ยังแยกชุดเวลาได่ {t1, t2, t3... tn } รวมสองชุด การกระจายความน่าเป็นร่วม { p(ti|ui), 1≤i≤n } คำนวณ2. สำหรับทุกภูมิภาค r = 1,..., R: ① r ภูมิภาคที่สกัด ด้วยมาตรฐาน Gaussian กระจาย ②ชุดของพิกัด GPS L = { { li, li 0 1 }, 1≤i≤n } มายังภูมิภาค r ③ผ่าน (1), การกระจายความน่าเป็นร่วมของทุกภาค R คำนวณโดย3. จับคู่พิกัด GPS ด้วยจุดที่น่าสนใจใกล้เคียงกัน กฎคือ p(R | ที่เปรียบเทียบ L) ที่ มีจำนวนของจุดที่น่าสนใจในภาค r ถ้า p(R | L) เป็นมากกว่าคะแนน พิกัด GPS ในภูมิภาคเป็นจุดตรงกับ POI ที่ใกล้ที่สุด การ์ตูน พิกัดจีพีเอสซึ่งเป็นที่ใกล้เคียงกับจุดศูนย์กลางของภูมิภาคจะจับคู่กับ POI ที่ใกล้ที่สุด4. ผ่านน้ำหนักα p(t|u) และ p(R| L) สามารถปรับ การกระจายความน่าเป็นร่วมของรุ่นทราบบริบทหมายถึงกระบวนการดังกล่าวข้างต้น ถูกสร้างขึ้น

ผลลัพธ์ (ไทย) 2:

1. การเก็บตัวอย่างชุดข้อมูลและการสกัดการฝึกอบรมชุด U, {U1, U2, U3 ... สหประชาชาติ} ซึ่งมีทั้งหมด n ผู้ใช้; ชุดที่สอดคล้องกันเวลา {T1, T2, T3 ... , TN} อาจจะมีการสกัด รวมทั้งสองชุดคือกระจายความน่าจะร่วมกัน. {p (TI | UI), 1≤i≤n} คำนวณ

2 ทุกภูมิภาค r = 1, ... , R: ①ภูมิภาค R คือสกัดโดยเสียนกระจายมาตรฐาน; ②ชุดพิกัด GPS L = {{Li, 0, Li, 1}} 1≤i≤nจะได้รับในภูมิภาค R; ③ผ่าน (1) การกระจายความน่าจะเป็นร่วมกันของทุกภาค R คำนวณโดย

3 ที่ตรงกับพิกัด GPS ที่มีอยู่บริเวณใกล้เคียงจุดที่น่าสนใจ กฎก็คือว่าเมื่อเปรียบเทียบ P (R | L) ที่มีจำนวนของจุดที่น่าสนใจในภูมิภาคอาร์ ถ้า P (R | L) มากกว่าจำนวนของจุดที่พิกัด GPS ในภูมิภาคจะเป็นตรงกับจุดที่มีจุดที่น่าสนใจใกล้ที่สุด; ในทางตรงกันข้าม, จีพีเอสประสานงานซึ่งเป็นที่อยู่ใกล้จุดศูนย์กลางของภูมิภาคจะได้รับการจับคู่กับ POI ที่ใกล้ที่สุด;

4 ผ่านαน้ำหนัก P (T | U) และ P (R | L) อาจจะมีการปรับ หมายถึงขั้นตอนดังกล่าวข้างต้นการกระจายความน่าจะเป็นร่วมกันของรูปแบบตามบริบทที่ถูกสร้างขึ้น

ผลลัพธ์ (ไทย) 3:

1 . ตัวอย่างข้อมูลและการแยกชุดการฝึก U , { U1 U2 U3 , , . . . , a } ซึ่งมีทั้งหมด n ผู้ใช้เวลาชุด { สอดคล้องกัน T1 , T2 , T3 . . . . . . . TN } สามารถสกัด รวม 2 ชุด คือ การแจกแจงความน่าจะเป็นร่วม { P ( Ti | UI ) 1 ≤ผม≤ n } จะคำนวณ .2 . ทุกภาค R = 1 , . . . , R : ①ภาค R สกัดโดยการแจกแจงแบบปกติมาตรฐาน ; ②ชุด GPS L = { { Li , 0 , li , 1 } 1 ≤ผม≤ n } ได้รับในภาค R ③ผ่าน ( 1 ) การแจกแจงความน่าจะเป็นร่วมของ ทุกภาค R จะคำนวณโดย3 . การจับคู่ใกล้เคียงกับ GPS นำทาง . กฎคือว่าเปรียบเทียบ P ( r | ลิตร ) กับจำนวนของนำทางในเขต R . ถ้า P ( r | L ) มากกว่าจำนวนของจุดพิกัด GPS ในภูมิภาคจะเป็นจุดที่ตรงกันกับ POI ที่ใกล้ที่สุด ; ในทางตรงกันข้าม , GPS พิกัดที่ใกล้จุดศูนย์กลางของ ภูมิภาคจะถูกจับคู่กับ POI ที่ใกล้ที่สุด ;4 . ผ่านน้ำหนักα , P ( T | U ) และ P ( r | L ) สามารถปรับ . หมายถึงขั้นตอนข้างต้น การแจกแจงความน่าจะเป็นร่วมของบริบททราบแบบจำลองที่ถูกสร้างขึ้น