Location-based recommendation system based on user behavior analysis

Abstract

Location-based recommender systems (LBRSs) have exhibited significant potential in providing personalized recommendations for users. As a result, users' visits to their favorite places may contribute to an increase in profits for service providers. The owners of various location recommendation applications also benefit from placing advertisements. However, several challenges (such as data sparsity, the cold-start problem, and tedium problem) need to be addressed to develop more effective LBRSs. In this paper, we propose a novel POI recommendation system, called LACF-Rec3, which employs a hybrid approach of link analysis (HITS-3) and collaborative filtering (CF-3) based on three visiting behaviors: frequency, variety, and repetition. Our method considers two user types for creating a list of recommended places. For cold-start users, HITS-3 identifies distinctive POIs based on user- and POI-visit patterns, ranks them accordingly, and recommends them to cold-start users. For existing users, CF-3 utilizes collaborative filtering based on their previous check-in history and POI distinctive aspects. Our experimental results conducted on a Foursquare dataset demonstrate that LACF-Rec3 outperforms prior methods in terms of recommendation accuracy, ranking precision, and matching ratio.

ระบบแนะนำสถานที่มีบทบาทสำคัญในการสร้างรายการแนะนำสถานที่เฉพาะบุคคลให้กับผู้ใช้ เพื่อค้นหาสถานที่น่าสนใจที่ตรงกับความต้องการของผู้ใช้ ส่งผลให้เมื่อผู้ใช้ได้ใช้บริการหรือเที่ยวชมในสถานที่ที่ชื่นชอบสามารถช่วยเพิ่มผลกำไรให้กับผู้ให้บริการ และเจ้าของแอปพลิเคชันแนะนำสถานที่ต่าง ๆ ได้ผลประโยชน์จากการโฆษณาสถานที่ตามมาด้วย อย่างไรก็ตาม การแนะนำสถานที่ยังคงประสบปัญหาความเบาบางของข้อมูล ปัญหาการเริ่มต้นได้ยากสำหรับผู้ใช้งานใหม่และปัญหาความน่าเบื่อของรายการแนะนำสถานที่ เพื่อแก้ไขปัญหาข้างต้น งานวิจัยนี้จึงได้นำเสนอขั้นตอนวิธีการสร้างรายการแนะนำสถานที่ที่น่าสนใจที่เรียกว่า LACF-Rec3 (Link Analysis and Collaborative Filtering Recommendation system based on 3-behaviors) ซึ่งเป็นขั้นตอนวิธีการแบบผสมผสานของขั้นตอนวิธีการวิเคราะห์การเชื่อมโยงที่เรียกว่า HITS-3 และขั้นตอนวิธีการกรองร่วมที่เรียกว่า CF-3 โดยพิจารณาพฤติกรรมการเช็คอินของผู้ใช้และสถานที่ในสามแง่มุม กล่าวคือ ความถี่ในการเช็คอิน ความหลากหลายในการเช็คอิน และการเช็คอินซ้ำ ที่ซึ่งแบ่งการพิจารณาการสร้างรายการแนะนำสถานที่ใน 2 ประเภทผู้ใช้ คือ 1. ผู้ใช้ใหม่ ขั้นตอนวิธีการ HITS-3 จะถูกใช้ในการค้นหาความโดดเด่นของสถานที่โดยพิจารณาพฤติกรรมการเช็คอินของผู้ใช้และสถานที่และทำการจัดอันดับตามค่าคะแนนความชอบตามแง่มุมที่โดดเด่นของสถานที่เพื่อสร้างรายการแนะนำสถานที่ให้กับผู้ใช้ใหม่ 2. ผู้ใช้ที่มีประวัติการเช็คอิน ขั้นตอนวิธี CF-3 จะใช้เทคนิคการปรับปรุงขั้นตอนวิธีการกรองร่วมโดยพิจารณาประวัติการเช็คอินของผู้ใช้ร่วมกับความโดดเด่นของสถานที่ในการสร้างรายการแนะนำสถานที่ จากผลการทดลองที่นำเสนอบนชุดข้อมูล Foursquare แสดงให้เห็นว่าขั้นตอนวิธีการ LACF-Rec3 มีประสิทธิภาพที่ดีกว่าขั้นตอนวิธีการเปรียบเทียบก่อนหน้าในด้านของความถูกต้องของรายการแนะนำและความถูกต้องของอันดับรายการแนะนำ