In this project, collaborative filt

In this project, collaborative filtering scheme widely used in recommendation systems is applied to our place recommender system. However, simple collaborative filtering algorithm may not be suitable for proper place recommendation because people have often non-overlapped geographic positions. As a result, the quality of user similarity measuremeThe idea is to summarize the users' check-in spots sharing high-level information (e.g. categories). For example, both "Starbucks" and "Coffee World" are in relation to "Cafe" category. We adopt a three-level hierarchical structure of predefmed categories for venues available in Foursquare database [7]. The bottom level categories assign specific information for venues whilst the upper level categories describe more general information. Figure 3 gives a part of the hieratical structure of categories. In this work, we use only ten top level categories, shown in Table 2, to describe a user interests.nt can be affected [3] [6]. Table 1 shows an example of foursquare check-in spots information. To solve the above problem, we transform users' check-in spots in low-level location space into semantic location space carrying meaningful information of users' interests before calculating the user similarity.

ผลลัพธ์ (ไทย) 1:

โครงการ โครงการกรองร่วมกันใช้ในระบบคำแนะนำจะใช้กับระบบของเราผู้แนะนำสถานที่ อย่างไรก็ตาม ร่วมกันง่ายกรองอัลกอริทึมอาจไม่ได้เหมาะสำหรับแนะนำสถานที่ที่เหมาะสมเนื่องจากท่านมีตำแหน่งทางภูมิศาสตร์มักจะปลอดเหลื่อม เป็นผล คุณภาพของความคิด measuremeThe ความคล้ายคลึงกันของผู้ใช้เป็นการ สรุปของผู้ใช้ในจุดการแชร์ข้อมูลระดับสูง (เช่นประเภท) ตัวอย่างเช่น "สตาร์บัคส์" และ "กาแฟโลกจะสัมพันธ์กับประเภท"คาเฟ่" เรานำโครงสร้างลำดับชั้นสามระดับของ predefmed ประเภทสำหรับสถานที่มีอยู่ในฐานข้อมูล Foursquare [7] ประเภทระดับล่างกำหนดข้อมูลเฉพาะสำหรับสถานที่ในขณะที่ประเภทระดับบนอธิบายข้อมูลเพิ่มเติม รูปที่ 3 ให้เป็นส่วนหนึ่งของโครงสร้าง hieratical ของประเภท ในงานนี้ เราใช้ประเภทสิบระดับบนสุด แสดงในตารางที่ 2 อธิบายการ interests.nt ผู้ใช้สามารถได้รับผลกระทบ [3] [6] ตารางที่ 1 แสดงตัวอย่างของข้อมูลจุดเช็คอิน foursquare เพื่อแก้ปัญหาดังกล่าวข้างต้น เราสามารถเปลี่ยนผู้เข้าจุดในพื้นที่ระดับต่ำเป็นตรรกพื้นที่ข้อมูลความหมายของความสนใจของผู้ใช้ก่อนการคำนวณความคล้ายคลึงกันผู้ใช้

ผลลัพธ์ (ไทย) 2:

ในโครงการนี้โครงการความร่วมมือการกรองที่ใช้กันอย่างแพร่หลายในระบบข้อเสนอแนะนำมาใช้กับสถานที่ระบบ recommender ของเรา อย่างไรก็ตามขั้นตอนวิธีการกรองที่เรียบง่ายการทำงานร่วมกันอาจจะไม่เหมาะสำหรับคำแนะนำสถานที่ที่เหมาะสมเพราะคนที่มีตำแหน่งทางภูมิศาสตร์มักจะไม่ใช่ที่คาบเกี่ยวกัน เป็นผลให้คุณภาพของผู้ใช้ความคล้ายคลึงกัน measuremeThe ความคิดคือการสรุปของผู้ใช้เช็คอินในจุดที่ใช้ข้อมูลร่วมกันในระดับสูง (เช่นหมวดหมู่) ยกตัวอย่างเช่นทั้ง "สตาร์บั" และ "คอฟฟี่เวิลด์" อยู่ในความสัมพันธ์กับหมวดหมู่ "คาเฟ่" เรานำมาใช้เป็นสามระดับโครงสร้างลำดับชั้นของประเภท predefmed สำหรับสถานที่จัดอยู่ในฐานข้อมูลของ Foursquare [7] ประเภทระดับล่างกำหนดข้อมูลที่เฉพาะเจาะจงสำหรับสถานที่จัดงานในขณะที่ระดับบนประเภทอธิบายข้อมูลเพิ่มเติมทั่วไป รูปที่ 3 ให้เป็นส่วนหนึ่งของโครงสร้าง hieratical หมวดหมู่ ในงานนี้เราจะใช้เพียงสิบประเภทระดับบนสุดที่แสดงในตารางที่ 2 เพื่ออธิบาย interests.nt ใช้สามารถได้รับผลกระทบ [3] [6] ตารางที่ 1 แสดงตัวอย่างของการตรวจสอบข้อมูลในจุด foursquare เพื่อแก้ปัญหาดังกล่าวเราเปลี่ยนผู้ใช้จุดเช็คอินในพื้นที่ที่ตั้งในระดับต่ำลงในพื้นที่ที่ตั้งของความหมายของการดำเนินการข้อมูลที่มีความหมายของผู้ใช้ 'ความสนใจก่อนที่จะคำนวณความคล้ายคลึงกันของผู้ใช้

ผลลัพธ์ (ไทย) 3:

ในโครงการนี้ และโครงการที่ใช้กันอย่างแพร่หลายในระบบกรอง แนะนำใช้ระบบการแนะนำสถานที่ของเรา อย่างไรก็ตาม ความร่วมมืออย่างง่ายขั้นตอนวิธีการกรองอาจไม่เหมาะสำหรับการแนะนำสถานที่ที่เหมาะสมเพราะมีคนมักจะไม่ซ้อนตำแหน่งทางภูมิศาสตร์ เป็นผลให้คุณภาพของความเหมือน measuremethe ผู้ใช้ความคิดคือการสรุปของผู้ใช้แบ่งปันข้อมูลพื้นฐาน ( เช่นจุดเช็คอินประเภท ) ตัวอย่างเช่น ทั้ง " สตาร์บัคส์ " และ " คอฟฟี่ เวิลด์ " ในความสัมพันธ์กับประเภท " คาเฟ่ " เราใช้สามระดับโครงสร้างลำดับชั้นของ predefmed ประเภทสถานที่มีอยู่ใน Foursquare ฐานข้อมูล [ 7 ] ประเภทระดับล่างให้ข้อมูลที่เฉพาะเจาะจงสำหรับประชากรในขณะที่หมวดหมู่ระดับบนอธิบายข้อมูลทั่วไปเพิ่มเติม รูปที่ 3 ให้เป็นส่วนหนึ่งของโครงสร้าง hieratical ประเภท ในงานนี้ เราใช้แค่ 10 อันดับประเภท แสดงในตารางที่ 2 เพื่ออธิบายผู้ใช้ interests.nt ได้รับผลกระทบ [ 3 ] [ 6 ] ตารางที่ 1 แสดงตัวอย่างของ Foursquare Check-in จุดข้อมูล เพื่อแก้ปัญหาข้างต้น เราเปลี่ยนจุดเช็คอินของผู้ใช้ในพื้นที่ที่อยู่ในสถานที่ในความหมายพื้นที่แบกข้อมูลที่มีความหมายของความสนใจของผู้ใช้ก่อนการคำนวณผู้ใช้ที่คล้ายคลึงกัน