JP2021086634A - 周囲の関心地点推薦を正確かつ効率的に生成するためのシステムおよび方法 - Google Patents

Abstract

【課題】周囲の関心地点推薦を正確かつ効率的に生成するためのシステムおよび方法を提供する。【解決手段】関心地点推薦方法１００は、ユーザの位置と関連するユーザによって選択された領域に対して複数の関心地点を電子的に取得し、取得された複数の関心地点と関連する訪問者に関する訪問者情報および取得された複数の関心地点に関する情報を含む関心地点データを電子的に検索し、訪問者情報に基づき複数のグループを電子的に形成し、複数のマインドセット関数からマインドセット関数を電子的に決定し、取得された複数の関心地点に関する情報および決定されたマインドセット関数に基づき、複数のグループからグループを電子的に決定し、取得された複数の関心地点の関心地点をユーザに伝達する。【選択図】図1

Description

本出願は、３５ Ｕ．Ｓ．Ｃ．§１１９（ａ）に基づいて２０１９年１１月２６日に提出され、その内容全体は、本明細書に参照として統合される欧州特許出願第１９３０６５２２号の先出願日およびその優先権の権益を主張する。

関心地点推薦は、位置ベースのサービスアプリケーションである。関心地点推薦システムは、レコメンダシステム（ｒｅｃｏｍｍａｎｄｅｒ ｓｙｓｔｅｍｓ）の特別な用途である。文献は、個人化（ｐｅｒｓｏｎａｌｉｚｅｄ）および社会化（ｓｏｃｉａｌｉｚｅｄ）された関心地点推薦接近法を含むが、ここでは、ある関心地点が次の地点としてユーザに推薦されるべきかを予測するために、過去チェックイン（ｈｉｓｔｏｒｉｃａｌ ｃｈｅｃｋ−ｉｎｓ）およびソーシャルリンク（ｓｏｃｉａｌ ｌｉｎｋｓ）を利用する。

個人化は、Ｌｅｖａｎｄｏｓｋｉ他（Ｊｕｓｔｉｎ Ｊ Ｌｅｖａｎｄｏｓｋｉ、Ｍｏｈａｍｅｄ Ｓａｒｗａｔ、Ａｈｍｅｄ Ｅｌｄａｗｙ、Ｍｏｈａｍｅｄ Ｆ Ｍｏｋｂｅｌ：「位置認識推薦システム」２０１２ ＩＥＥＥ ２８ｔｈ ｉｎｔｅｒｎａｔｉｏｎａｌ ｃｏｎｆｅｒｅｎｃｅ ｏｎ ｄａｔａ ｅｎｇｉｎｅｅｒｉｎｇ）、Ｙｅ他（Ｍａｏ Ｙｅ、Ｐｅｉｆｅｎｇ Ｙｉｎ、Ｗａｎｇ−Ｃｈｉｅｎ Ｌｅｅ：「位置ベースのソーシャルネットワークのための位置推薦」ＳＩＧＳＰＡＴＩＡＬ）、Ｃａｏ他（Ｘｉｎ Ｃａｏ、Ｇａｏ Ｃｏｎｇ、Ｃｈｒｉｓｔｉａｎ Ｓ Ｊｅｎｓｅｎ：「ＧＰＳデータから重要なセマンティックス的位置マイニング」ＶＬＤＢ ２０１０）、およびＬｉｕ他（Ｂｉｎ Ｌｉｕ、Ｙａｎｊ ｉｅ Ｆｕ、Ｚｉｊｕｎ Ｙａｏ、Ｈｕｉ Ｘｉｏｎｇ：「関心地点推薦のための地理的選好度学習」Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １９ｔｈ ＡＣＭ ＳＩＧＫＤＤ ｉｎｔｅｒｎａｔｉｏｎａｌ ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｋｎｏｗｌｅｄｇｅ ｄｉｓｃｏｖｅｒｙ ａｎｄ ｄａｔａｍｉｎｉｎｇ、２０１３）などで提案された多くの接近法において焦点となっている。ここでは、行列分解（Ｍａｔｒｉｘ Ｆａｃｔｏｒｉｚａｔｉｏｎ）やポアソン因子モデリング（Ｐｏｉｓｓｏｎ Ｆａｃｔｏｒ Ｍｏｄｅｌｉｎｇ）のような技法によってユーザが次に訪問したい関心地点を予測するために、過去チェックインを利用する。

社会化は、Ｈｕ（Ｂｏ Ｈｕ、ＭａｒｔｉｎＥｓｔｅｒ：「位置推薦のためのオンラインソーシャルメディアにおける空間モデリング」ＲｅｃＳｙｓ ２０１３）、Ｂａｃｋｓｔｒｏｍ他（Ｌａｒｓ Ｂａｃｋｓｔｒｏｍ、Ｅｒｉｃ Ｓｕｎ、Ｃａｍｅｒｏｎ Ｍａｒｌｏｗ：「見つけてごらん：社会的および空間的接近性による地理的予測の改善」、Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １９ｔｈ ｉｎｔｅｒｎａｔｉｏｎａｌ ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｏｒｌｄ ｗｉｄｅ ｗｅｂ ２０１０）、およびＬｉｕ他（Ｙｏｎｇ Ｌｉｕ、Ｗｅｉ Ｗｅｉ、Ａｉｘｉｎ Ｓｕｎ、Ｃｈｕｎｙａｎ Ｍｉａｏ：「位置推薦のための地理的近隣特性の活用」、Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２３ｒｄ ＡＣＭ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｋｎｏｗｌｅｄｇｅ Ｍａｎａｇｅｍｅｎｔ ２０１４）などで提案された接近法として取り扱われている。ここでは、リンクベースの方法を利用してユーザの選好度を予測するために、位置ベースのソーシャルネットワーク（Ｌｏｃａｔｉｎ−ｂａｓｅｄ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ：ＬＢＳＮ）にカプセル化された情報が使用される。

伝統的に、関心地点推薦の問題は、ユーザの過去チェックインからユーザの暗黙的な選好度を学習するという点が定義される（Ｊｉｅ Ｂａｏ、Ｙｕ Ｚｈｅｎｇ、Ｄａｖｉｄ Ｗｉｌｋｉｅ、Ｍｏｈａｍｅｄ Ｍｏｋｂｅｌ：「位置ベースのソーシャルネットワークにおける推薦：アンケート調査」、ＧｅｏＩｎｆｏｒｍａｔｉｃａ ２０１５）。このような問題を解決するために、接近法は、メモリベースおよびモデルベースのＣＦ（Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｆｉｌｔｅｒｉｎｇ：協調フィルタリング）を事実上の方法として使用するが、このとき、選好度を学習するために、チェックイン行列（ｃｈｅｃｋ−ｉｎｓ ｍａｔｒｉｘ）が使用される（Ｂｅｔｉｍ Ｂｅｒｊａｎｉ、Ｔｈｏｒｓｔｅｎ Ｓｔｒｕｆｅ：「位置ベースのオンラインソーシャルネットワークにおけるスポット推薦システム」Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ４^ｔｈ ｗｏｒｋｓｈｏｐ ｏｎ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ ｓｙｓｔｅｍｓ ２０１１）。

このような接近法は、ユーザの個人データを必要とする。しかし、ユーザの個人データを取得するにはデータ奪取の恐れが伴うため、保安の危険を感じるユーザもいる。また、従来の方法がユーザの個人データにアクセスできない場合には、このような最先端の方法に含まれる複数の機能が使えないとか、願う方式に機能しないという問題が生じることもある。このような問題は、「コールドスタート問題（ｃｏｌｄ ｓｔａｒｔ ｃｈａｌｌｅｎｇｅ）」という用語で知られている。

コールドスタート問題に対処するために、フレンドシップリンク（ｆｒｉｅｎｄｓｈｉｐ ｌｉｎｋｓ）のような社会的側面によってスパースチェックイン行列（ｓｐａｒｓｅ ｃｈｅｃｋ−ｉｎ ｍａｔｒｉｘ）を充実化させる（ｅｎｒｉｃｈ）ことが提案された（Ｍｏｈｓｅｎ Ｊａｍａｌｉ、Ｍａｒｔｉｎ Ｅｓｔｅｒ、Ｔｒｕｓｔ ｗａｌｋｅｒ：「信頼ベースおよび項目ベースの推薦を統合するためのランダムワークモデル」Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １５ｔｈ ＡＣＭ ＳＩＧＫＤＤ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｋｎｏｗｌｅｄｇｅ ｄｉｓｃｏｖｅｒｙ ａｎｄ ｄａｔａ ｍｉｎｉｎｇ ２００９）。ユーザは、自身の友達が過去に訪れた場所により多くの関心を示すと仮定する。例えば、フレンドシップリンクは、コミュニティ感知（Ｃｏｍｍｕｎｉｔｙ Ｄｅｔｅｃｔｉｏｎ）技法によって友達グループを構築するために、Ｌａｌｗａｎｉ他（Ｄｅｅｐｉｋａ Ｌａｌｗａｎｉ、Ｄｕｒｖａｓｕｌａ ＶＬＮ Ｓｏｍａｙａｊｕｌｕ、Ｐ Ｒａｄｈａ Ｋｒｉｓｈｎａ：「コミュニティ主導型の社会的推薦システム」２０１５ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｂｉｇ Ｄａｔａ（Ｂｉｇ Ｄａｔａ）ＩＥＥＥ ２０１５）で提案された接近法を使用する。

カテゴリベースの検索インタフェース（Ｔｏｍｉ Ｈｅｉｍｏｎｅｎ：「モバイルファインデックス（Ｍｏｂｉｌｅ ｆｉｎｄｅｘ）：自動結果クラスタリングによるモバイルウェブ検索における情報アクセスの促進」ａｄｖａｎｃｅｓ ｉｎ Ｈｕｍａｎ−Ｃｏｍｐｕｔｅｒ Ｉｎｔｅｒａｃｔｉｏｎ ２００８参照）は、ユーザの明らかな要求をカテゴリ形態でキャプチャする（例えば、「歴史的名所」カテゴリの関心地点を選択）。カテゴリはユーザに対するより高い個人化を可能とし、これによってシステムに対する不安感が低下し、信頼度を高めることができる。しかし、現実的なシナリオでは曖昧な要求と意図を含むことが多いため、ユーザは反復過程（ｉｔｅｒａｔｉｖｅ ｐｒｏｃｅｓｓ）においてその曖昧さを解消しようとする。伝統的な検索パラダイムで可能な唯一の反復は、他のカテゴリで検索を再開することにある。

文献は、地理的コンテキストを使用することも調査した。地理的コンテキストでは主に「距離」形態でカプセル化される。地理的コンテキストは、ユーザの実際の要求の複数の側面をキャプチャするが、依然として取り扱われない多くの根本的なユーザ要求が存在する。例えば、ユーザの意図、実際の状況、距離と関連する時間、および感情をキャプチャすることは容易ではない。

最先端の方法には根本的な問題が存在する。このような問題について、次のようにいくつか説明する。

コールドスタートおよびデータの稀少性：
コールドスタート問題は、チェックイン履歴に制限のあるユーザが推薦を要求するときに発生する。データの稀少性とは、ユーザ間の類似性を識別するためのデータの欠乏を意味する。多くのユーザは、サインイン（ｓｉｇｎ ｉｎ）をせずに関心地点サービスを利用する。その結果、ソーシャルグラフ（例えば、友達関係）を検索することができない。個人化および社会化された推薦のために過去チェックインおよびユーザ類似性に依存する典型的な推薦システムは、コールドスタートおよびデータの稀少性が存在する場合には結果を出すことができない。コールドスタートを誘発するユーザとして、は（ｉ）履歴のない新規ユーザ、（ｉｉ）自身のデータが利用されることを拒むプライバシー（ｐｒｉｖａｃｙ）を憂慮するユーザ、が挙げられる。

相互作用の解釈：
関心地点推薦システムのほとんどは、プロセスが単発的（ｏｎｅ−ｓｈｏｔ）であると仮定する。ここで、ユーザは明確な意図をもってシステムに入るし、システムはこの意図と最も関連性のある関心地点をリターンするが、実際にはこのような過程は現実的でない。ユーザは、自身の意図を漸進的に構築するためにシステムと相互作用しようとすることが多い。多発的（ｍｕｌｔｉ−ｓｈｏｔ）推薦システムの問題は、システムとユーザの相互作用が推薦戦略にどのように影響を与えるべきであるかが明確でないという点にある。

コンテキストの統合：
周囲の関心地点推薦における他の問題は、ユーザのコンテキストを推薦プロセスに統合することにある。コンテキストは、時間および／または位置に限定されるものでなく、推薦を受けるときのユーザのマインドセット（ｍｉｎｄｓｅｔ）にも適用される。例えば、ユーザが空腹であるときや休息時間を願うときには、それぞれ異なる関心地点が推薦されなければならない。

説明性：
ユーザは、コールドスタート問題およびシステムとのセッションベースの相互作用によって推薦者から得られるもの、すなわち、アルゴリズム的な不安を信頼しないこともある。ユーザは、何故このような特定の関心地点が推薦結果として与えられたかが気になることもある。推薦透明性の問題は長年の課題であると言える。

したがって、上述したような関心地点推薦の問題に対処するために、本技術分野には要求が存在する。

したがって、上述したような従来技術の欠点を克服することのできる、改善された関心地点推薦方法が提供されることが好ましい。

また、保安的な方式で、関心地点推薦を正確かつ効率的／効果的に生成する方法が提供されることが好ましい。

添付の図面は、実施形態の原理を説明する目的として明細書に統合され、その一部を形成する。図面は、実施形態がどのように構成されて使用されるかについて、図示および説明された実施形態に限定されて解釈されてはならない。追加の特徴および利点は、添付の図面に示すように、以下に記載する詳細な説明において明らかになるであろう。
関心地点推薦方法のプロセスを示したフローチャートである。 アプリケーションの一例を示した図である。 アプリケーションの一例を示した図である。 関心地点推薦方法のプロセスを示したフローチャートである。 実験のヒストグラムである。 実験のヒストグラムである。 関心地点推薦方法を実行するための例示的なアーキテクチャを示した図である。

以下、関心地点推薦システムおよび方法について説明する。説明の目的として記載された実施形態の完全な理解を提供するために、複数の例示および具体的な詳細事項を明示する。

例示的な実施形態の要素および構造については、参照番号で示した図面を参照しながら説明する。また、実施形態が方法である場合、その方法の段階および要素は、並列的または順次的な実行として組み合わされてよい。特別な説明がない限り、以下で説明するすべての実施形態は、互いに組み合わされてよい。

図１は、実施形態における、関心地点推薦方法１００のプロセスを示したフローチャートである。関心地点とは、誰かが有益であるか興味深いと感じる特定の関心地点位置を意味してよい。実施形態では関心地点について説明するが、当業者であれば、以下の実施形態が、１つ以上の領域および／または関心地点がユーザに提供される関心区域推薦のためにも使用可能であることが理解できるであろう。

段階１１０で、本実施形態に係る方法は、地理的領域のような領域に対して１つ以上の関心地点、例えば、博物館、レストラン、ビーチなどを取得してよい。領域は、位置検出手段によって決定されるユーザの位置に基づいて決定されてよい。例えば、１つ以上の関心地点は、複数の関心地点の位置を含む関心地点のデータセットから取得されてよい。取得された１つ以上の関心地点は、決定された領域に位置してよい。

段階１２０で、本実施形態に係る方法は、１つ以上の取得された関心地点の関心地点データ、例えば、チェックインデータを検索してよい。関心地点データは、取得された関心地点の訪問者に関する情報、例えば、訪問者の人口統計的データのような訪問者情報、および取得された関心地点に関する情報、例えば、関心地点情報を含んでよい。

例えば、関心地点データは、訪問者情報と関心地点情報と関連付けたチェックインデータセットを含んでよい。関心地点データは、本実施形態に係る方法を実行するコンピュータデバイス、例えば、モバイルコンピューティングデバイス、または自動車から遠く離れたサーバまたはコンピュータで検索されてよい。実施形態において、訪問者情報は、午前、午後、または夕方のような時間あるいは期間と関連し、訪問者情報は、訪問者が取得された１つ以上の関心地点を訪れた特定の時間または特定の期間だけに対して検索される。特定の時間または特定の期間だけに対して訪問者情報を検索することにより、処理または送信されるデータを減らすことができる。

訪問者の訪問者情報は、訪問者ごとに、訪問者が関心地点を訪れた時間、時間区間、および／または期間、訪問者の特性の表示、取得された複数の関心地点のうちで訪問者が指定された期間に訪ずれたすべての関心地点、取得された複数の関心地点のうちの１つの関心地点で訪問者が撮影した写真の数、訪問者が訪問者のモバイルデバイスに保存した写真の数、訪問者が指定された期間に撮影した写真の数、および訪問者がポスティングした写真の数のうちの少なくとも１つの表示、訪問者の友達の数の表示、訪問者が取得された関心地点のうちで特定の関心地点を訪ずれた回数の表示、訪問者の年齢、訪問者の性別、および訪問者の旅行回数の表示のうちの少なくとも１つを含んでよい。

取得された複数の関心地点情報は、取得された１つ以上の関心地点ごとに、評価点数、１つ以上のカテゴリ、価格帯、営業時間、混雑時間、訪問者総数、支払い方式、障害者の接近性、駐車場の有無、挿入日付、および各関心地点の大きさのうちの少なくとも１つの表示を含んでよい。

段階１３０で、訪問者情報に基づいて複数のグループが形成される。複数のグループは、ＦＩＭ（ｆｒｅｑｕｅｎｔ ｉｔｅｍｓｅｔ ｍｉｎｉｎｇ：頻出アイテムセットマイニング）技法によって形成されてよい。ここで、各グループは頻出アイテムセットであり、アイテムは訪問者の人口統計的属性および訪問者と関連する関心地点を含み、人口統計的属性は訪問者情報から取得される。

（以下でより詳しく説明するが）オンラインコンテキストにアプリオリマイニング（ａｐｒｉｏｒｉ ｍｉｎｉｎｇ）アルゴリズムを適用することにより、本実施形態に係る方法１００は類似グループの効率的なマイニングを提供する。類似グループとは、グループの全構成員が少なくとも１つの共通する特性をもつグループである（例えば、グループを説明、ラベリング、または表現するのに使用される特定のカテゴリの関心地点を訪ずれる訪問者の年齢範囲、関心地点を訪ずれる訪問者の友達の数、または訪問者がレストランで昼食をとった時間など）。

段階１４０で、関心地点情報に基づき、形成された複数のグループから１つ以上のグループが決定される。例えば、１つ以上のグループは、マインドセット関数（ｍｉｎｄｓｅｔｆｕｎｃｔｉｏｎ）を適用して複数のグループから決定されてよい。マインドセット関数は、ユーザによって選択されてよい。例えば、本実施形態に係る方法１００は、ユーザからのユーザ入力を受信する段階を含んでよい。マインドセット関数は、ユーザからのユーザ入力によって決定され、ユーザ入力は、マインドセット関数と関連するラベルの選択、およびユーザによって以前に選択された関心地点および／またはグループの選択のうちの少なくとも１つを含む。マインドセット関数は、複数のマインドセット関数から決定されてよい。

複数のマインドセット関数それぞれは、１つ以上の事前に定義された関数、および１つ以上の事前に定義された関数の各関数に対する１つ以上の加重値を含んでよい。１つ以上の事前に定義された関数の各関数は、１つ以上の関心地点に関する情報から取得された１つ以上の入力変数を有してよい。加重値は、複数の関数の１つの関数がどれほど重要であるかを定義するが、異なるマインドセットに異なる加重値を選択することで事前に定義された同じ関数が異なるように加重化され、これによって特定の特性をもつグループを決定するために使用されるようになる。１つ以上の加重値は、事前に定義された加重値（「事前値（ｐｒｉｏｒ）」とも呼ばれる）およびユーザ固有の加重値（「加重値」とも呼ばれる）のうちの少なくとも１つを含んでよい。ユーザ固有の加重値は、ユーザの入力によってアップデートされてよい。事前に定義された加重値は、オフラインで計算されてよい。

１つ以上の決定されたグループは、最適化問題を最大化する。例えば、１つ以上のグループと関連する１つ以上の関心地点の変数は、マインドセット関数の最大化を可能にする。ここで、変数は、取得された複数の関心地点に関する情報から取得される。

段階１５０で、取得された複数の関心地点のうちの１つ以上の関心地点がユーザに提供される。１つ以上の関心地点は、決定された１つ以上のグループと関連する。例えば、１つ以上の関心地点は、１つ以上のグループに対して訪問者が最も多い関心地点を含んでよい。また、１つ以上の関心地点は、決定された１つ以上のグループの特性の１つ以上の表示と結合されて提供されてよい。

（例えば、プライバシーを憂慮する）ユーザには利用可能なデータがないと仮定するが、公開的に利用可能な関心地点データセットから類似グループを探索することによって関心地点推薦を取得できるようにしてよい。推薦される関心地点は、これと関連するグループを使用して説明されてよく、例えば、「フォトホリックのグループは、パリ１８区に位置するＬａ Ｂｕｔｔｅを訪ずれる傾向にある」および「グルメ愛好家のグループは、同じ区域のｌｅｓ Ａｐｏｔｒｅｓ ｄｅ Ｐｉｇａｌｌｅｓレストランを訪ずれる傾向にある」のように説明されてよい。

実施形態において、ユーザは、自身と連関のあるグループを検出するために、このようなグループと相互作用してよい。このような相互作用に基づき、新規グループがユーザの選好度に合うようにマイニングされてよい。このような反復プロセスは、グループとその関心地点がユーザの関心を反映するように保障する。実施形態に係る方法は、ユーザの履歴チェックインデータを一切必要とせずにユーザの関心事を見つけ出し、これに合った推薦を提供することができる。

１つ以上の関心地点をユーザに提供する段階は、１つ以上の関心地点をユーザに表示する段階、例えば、１つ以上の関心地点をユーザのモバイルデバイスのディスプレイ上または自動車のディスプレイ上に表示する段階を含んでよい。１つ以上の関心地点がユーザに提供されれば、ユーザは、関心地点のうちの１つを選択したり、ユーザの関心グループまたはマインドセットを選択したりすることでシステムとの他の相互作用を実行してよい。システムは「ＬｉｋｅＭｉｎｄ」という名称と関連してよい。１つ以上の関心地点をユーザに表示するための方法の例が、図２および図３に示されている。

図２および図３は、都市の一部、例えば、パリ（Ｐａｒｉｓ）の地図２００の一部を示している。地図２００にはユーザの位置２１０が表示されてよい。また、ユーザの位置２１０に合わせて領域２２０が描写されてよい。領域２２０はユーザの位置の周辺の半径に対応してよい。領域はユーザによって選択されてよい。

例えば、領域は、ユーザの位置およびユーザの位置からユーザによって指定された半径に基づいてよい。あるいは、領域は、ユーザによって選択された位置と関連してよく、および／または事前に定義された値によって指定されてよい。

図２には、ユーザに推薦された複数の関心地点２３０ａ、２３０ｂ、２３０ｃが示されている。関心地点２３０ａ〜２３０ｃは、実施形態に係る方法によって決定されてよい。

複数の関心地点２３０ａ〜２３０ｃは、それぞれ異なるグループと関連してよい。関心地点セット（ｓｅｔ ｏｆ ｐｏｉｎｔ−ｏｆ−ｉｎｔｅｒｅｓｔｓ）は、グループ、例えば、訪問者のグループと関連してよく、グループ構成員は、グループ構成員の特性、特徴、または情報に基づいて定義される少なくとも１つの類似性をもつ。例えば、関心地点２３０ａセットは第１グループ、例えば、積極的にチェックインして午後に歴史的名所を訪ずれる傾向にある訪問者のグループと関連してよく、関心地点２３０ｂセットは第２グループ、例えば、アジアンレストランを訪ずれる傾向にある訪問者のグループと関連してよく、関心地点２３０ｃセットは第３グループ、例えば、友達が多くて週末にはカフェやアメリカンレストランを訪ずれる傾向にある訪問者のグループと関連してよい。

図２には、３つの異なるグループと関連する関心地点セットを示されている。各関心地点セットは、図２の例では３つの関心地点を含むものと示されているが、関心地点セット内の関心地点の数およびそれぞれのグループと関連する関心地点セットの数が３つに制限されてはならない。関心地点セット内の関心地点の数およびそれぞれのグループと関連する関心地点セットの数は、ユーザによって事前に定義されるか選択されてよい。

関心地点セットの各関心地点は、関心地点セットと関連するグループを示す表示を含んでよい。例えば、関心地点セットは、色で区分されてよい。例えば、関心地点２３０ａセットは緑色で表示されてよく、関心地点２３０ｂセットは赤色で表示されてよく、関心地点２３０ｃセットは橙色で表示されてよい。しかし、異なる関心地点セットを区分するために他の方法が利用されてもよい。例えば、関心地点が異なる大きさや形状で表示されてもよく、および／または関心地点セットがラベリングされてもよい。

関心地点セットの各関心地点は、ユーザによって選択されてよい。代替的におよび／または追加的に、関心地点セットの各セットおよび／または関心地点、または関心地点セットと関連する各グループは、ユーザによって選択されてよい。

例えば、ユーザは、関心地点２３０ｃセットの関心地点を選択してよい。これは、図面符号２４０で示すように、関心地点を選択するためにデバイスのタッチスクリーンをクリックすることに該当してよい。しかし、関心地点を選択するために音声命令や、仮想または物理的キーボード入力のような他の方法が利用されてもよい。

ユーザによる関心地点または関心地点セットの選択に応答し、関心地点セットの新しい推薦のために、図１に示した方法の一部またはすべての段階が実行されてよい。図１に示した方法は、各反復に対するユーザ入力または相互作用に応答して１回以上が繰り返されてよい。また、それぞれの新しい推薦に、ユーザ入力または相互作用が考慮されてよい。

図３は、図２に示すように、ユーザが関心地点２３０ｃセットから１つの関心地点を選択することに応答してユーザに表示される、関心地点の新しい推薦、すなわち、関心地点２３０ｄ、２３０ｅ、２３０ｆセットを示している。また、以前に選択された関心地点２３０ｃも、ユーザに表示されてよい。

図３に示すような関心地点の新しい推薦は、実施形態に係る関心地点を推薦する方法の後続反復（ｆｏｌｌｏｗ−ｕｐ ｉｔｅｒａｔｉｏｎ）である。関心地点の新しい推薦は、ユーザ選択２４０および／または１つ以上の過去のユーザ入力、またはユーザ相互作用に基づいてよい。

関心地点２３０ｄ、２３０ｅ、２３０ｆセットは、関心地点２３０ａ、２３０ｂ、２３０ｃセットとは異なるグループと関連してよい。しかし、図２のグループと関連する１つ以上の特性は、図３のグループの特性と同一あるいは類似してよい。

例えば、関心地点２３０ｄセットは第１グループ、例えば、ショッピングセンターを訪ずれるチェックインが多い訪問者のグループと関連してよく、関心地点２３０ｅセットは第２グループ、例えば、写真のポスティングが少なくて現代美術館を訪ずれる訪問者のグループと関連してよく、関心地点２３０ｆセットは第３グループ、例えば、友達が多くて夕方にはレストランを訪ずれる訪問者のグループと関連してよい。

再び、関心地点２３０ｄ、２３０ｅ、２３０ｆセットの各関心地点、関心地点セットの各セット、および／または関心地点または関心地点セットと関連する各グループは、ユーザによって選択されてよい。ユーザによる関心地点、グループ、または関心地点セットの選択に応答し、関心地点セットの新しい推薦のために他の反復が始まり、図１に示した方法の一部またはすべての段階が実行されてよい。再び、新しい推薦に、ユーザ入力または最後の１回以上の反復の相互作用が考慮されてよい。

一例として、ユーザが、観光客としてパリを訪れたジェーン（Ｊａｎｅ）であるとする。ジェーンはポンピドゥー・センター地域を歩いている。３０分歩くと彼女は疲れを感じたため、実施形態の適用による「ｍｅ ｔｉｍｅ（私だけの時間）」推薦を要求し、座って休息を取ることのできるビーチ（図２に点線２２０で表示した領域）である関心地点を探す。プライバシーを憂慮するジェーンは、過去チェックインデータはすべて共有しない。彼女の要求に応答し、図２に示すように、ジェーンの意図と関連する３つのグループ、例えば、ユーザグループ、訪問者グループ、各グループの上位３つの関心地点が出力される。ジェーンは追加で表示されるグループ説明を見ながら、グループ構成員のうちから自己幻想（ｄｏｐｐｅｌｇｅｎｇｅｒ）を見つけ出せるかを確認する。社交的な性格であるジェーンは、黄色のグループ、すなわち、友達が多くて週末にはカフェやアメリカンレストランを訪ずれる傾向にある訪問者に関心を示す。これは、彼女が自身の意図を詳細化し、自身が食事できる場所を要求するように動機を付与する。ジェーンは、システムと相互作用しながら、この近辺の人たちは通常どこで食事をするのかを問う。これにより、システムの多発的推薦システムであるＬｉｋｅＭｉｎｄ（以下でより詳しく説明する）は、例えば、図３に示すように、ジェーンの意図を満たすために他の３つのグループを提供する。これはジェーンが決定をし、「ＨＤ Ｄｉｎｅｒ Ｃｈａｔｅｌｅｔ」と呼ばれるアメリカンレストランに向かえるようにサポートする。

したがって、周囲の推薦（すなわち、ユーザおよび／または位置を意識した推薦）は、訪問者のグループのような類似のグループと相互作用することにより、ユーザが実行可能な関心地点推薦を得るようにサポートする。探索的プロセスにおいて、ユーザは、その曖昧な要求を詳細化してから決定を確定してよい。ユーザが自身のマインドセットを指定する方法（例えば、「私だけの時間（ｍｅ ｔｉｍｅ）」、「空腹（Ｉ’ｍ ｈｕｎｇｒｙ）」）は、ユーザが自身のコンテキストを推薦システムに適用させることができ、実際にユーザが結果を受けることに関心があるように偏向させることができる。

ユーザμは、関心地点（Ｐｏｉｎｔ−ｏｆ−Ｉｎｔｅｒｅｓｔ）推薦を要求してよい。ユーザμが関心を示すユーザの関心地点フォトフォリオはＰ_μで表記されてよい。ユーザの関心地点に関する情報が存在しないか利用可能でないコールドスタートシナリオでは、フォトフォリオにエントリーがない（Ｐ_μ＝φ）。関心地点データセットＤ＝＜Ｕ、Ｐ＞は、訪問者セット（集合）Ｕおよび関心地点セット（集合）Ｐを含んでよい。訪問者セットＵは、１つ以上の関心地点または位置と関連してよい。

訪問者とは、関心地点を訪問する者を意味してよい。訪問者ｕ∈Ｕの場合、セットｕ．ｄｅｍｏｇｓは＜ｄ、ｖ＞形式のタプル（ｔｕｐｌｅｓ）を含んでよい。ここで、ｄは人口統計的属性（例えば、年齢、性別、旅行回数、チェックイン回数）であり、ｖは∈ｄｏｍａｉｎ（ｄ）である。位置ベースのソーシャルネットワーク（ｌｏｃａｔｉｏｎ−ｂａｓｅｄ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ：ＬＢＳＮ）とは異なり、実施形態に係る方法は、ユーザ−ユーザ行列をモデリングする必要がなく、ユーザが互いを知る必要もない。セットｕ．ｃｈｅｃｋｉｎｓは＜ｐ、ｔ＞形式のタプルを含んでよく、これは、ｕが時間ｔに関心地点ｐ∈Ｐを訪ずれたことを示す。

関心地点ｐ∈Ｐは、タプルｐ＝＜ｌｏｃ、ａｔｔ＞で定義してよい。ここで、ｐ．ｌｏｃは、それ自体がタプル＜ｌａｔ、ｌｏｎ＞（それぞれ緯度および経度）となるが、これは、ｐが地理的に位置された場所を定義する。セットｐ．ａｔｔは＜ａ、ｖ＞形式のタプルセットであるが、これは、関心地点がｖ∈ｄｏｍａｉｎ（ａ）となるように属性ａに対して値ｖを有することを示す。関心地点属性の例としては、評価点数、カテゴリ、価格帯、営業時間、混雑時間、チェックイン総数、クレジットカードの受容、障害者の接近性、駐車場の有無、挿入日付（関心地点がデータベースに追加された日付）、および関心地点場所の半径または大きさが含まれてよい。

関心地点は、点数によって評価されてよい。関心地点の点数は、関数によって決定されてよい。点数は、関心地点の興味度を反映してよい。この関数は、以下では効用関数（ｕｔｉｌｉｔｙ ｆｕｎｃｔｉｏｎ）と呼ぶことにする。関心地点効用関数ｆ：２^Ｐ−＞［０、１］は、０と１の間の値をリターンしてよく、これは、１つまたは複数の関心地点に対する興味度の大きさを反映する。関心地点に対して人気、驚き、および多様性を反映する効用関数のような他の効用関数が考慮されてもよい。

例えば、人気を反映する効用関数（ｐｏｐｕｌａｒｉｔｙ（Ｐ））は、Ｐの正規化された平均チェックイン数を含んでよく、威信を反映する効用関数（ｐｒｅｓｔｉｇｅ（Ｐ））は、Ｐの正規化された平均評価点数を含んでよく、最近性を反映する効用関数（ｒｅｃｅｎｃｙ（Ｐ））は、現在の日付とＰの平均挿入日付との逆差分（ｉｎｖｅｒｓｅ ｄｉｆｆｅｒｅｎｃｅ）を含んでよく、カバレージを反映する効用関数（ｃｏｖｅｒａｇｅ（Ｐ））は、都市の大きさに正規化されたＰ内の関心地点の地理的位置によって誘導された多角形の領域を含んでよく、驚きを反映する効用関数（ｓｕｒｐｒｉｓｅ（Ｐ））は、Ｐの関心地点カテゴリとユーザＰ_μが訪ずれた関心地点の関心地点カテゴリとの間の正規化されたジャッカード（Ｊａｃｃａｒｄ）距離を含んでよく、カテゴリを反映する効用関数（ｃａｔｅｇｏｒｙ（Ｐ、ｃａｔ））は、セットカテゴリとＰのカテゴリとの間の正規化されたジャッカード類似性を含んでよく、多様性を反映する効用関数（ｄｉｖｅｒｓｉｔｙ（Ｐ））は、Ｐの関心地点カテゴリセット間の正規化されたジャッカード距離を含んでよく、大きさを反映する効用関数（ｓｉｚｅ（Ｐ））は、Ｐ内の関心地点の正規化された平均半径を含んでよい。

効用関数は、最大化目的（ｍａｘｉｍｉｚａｔｉｏｎ ｏｂｊｅｃｔｉｖｅｓ）として定義されてよく、すなわち、これらの関数の最大値がユーザに理想的なものであると見なされる。また、効用関数は、１つ以上の関心地点と関連する１つ以上の変数を入力として受けてよい。

例えば、エジプトの「大ピラミッド（Ｇｒｅａｔ Ｐｙｒａｍｉｄｓ）」とフランスの「ノートルダム大聖堂（Ｎｏｔｒｅ Ｄａｍｅ Ｃａｔｈｅｄｒａｌ）」にはそれぞれ年間１，４７０万名と１，３００万名の訪問者が訪れ、「ナイアガラの滝（Ｎｉａｇａｒａ Ｆａｌｌｓ）」では最大訪問者数（すなわち、３，０００万名）を受け入れることを考慮するとき、年間訪問回数として定義される人気度関数は、ｐｏｐｕｌａｒｉｔｙ（Ｇｒｅａｔ Ｐｙｒａｍｉｄｓ）＝０：４９、ｐｏｐｕｌａｒｉｔｙ（Ｎｏｔｒｅ Ｄａｍｅ）＝０：４３、およびｐｏｐｕｌａｒｉｔｙ（Ｇｒｅａｔ Ｐｙｒａｍｉｄｓ、Ｎｏｔｒｅ Ｄａｍｅ）＝０：４６（２つの値の平均）を提供する。すべての効用関数のセット（集合）はＦで表示される。

探索的関心地点推薦設定は「コンテキスト」に基づいてよく、これは、ユーザの現在時間および位置、関心地点カテゴリ、関心地点テキストの説明、近隣の特性、およびユーザの最後の訪問関心地点または関心地点を含んでよい。

実施形態では、現在時間および位置だけが与えられたユーザμに対するタプルｃ_μ＝＜ｌｏｃ、ｔｉｍｅ＞が表記されるように使用される。より一般化するために、ｃ_μ．ｔｉｍｅは、次のような値、「午前」（５：００〜１１：００）、「午後」（１２：００〜７：００）、「夕方」（１８：００〜２２：００）、および「夜」（２３：００〜４：００）を有するカテゴリ化された変数を示してよい。

コンテキスト性（ｃｏｎｔｅｘｔｕａｌｉｔｙ）の追加次元は「マインドセット」であり、すなわち、ユーザの実際の状況、感情、および意図である。マインドセットは、関心地点の興味度がユーザの関心に基づいて計算される方式を反映しなければならない。

「ＡｒｏｕｎｄＭｅ」のようなオンラインサービスでは、ユーザが明示上な関心地点カテゴリ（例えば、博物館、歴史的名所）を選択することによってユーザの近隣区域を探索するようにするが、マインドセットは、キャプチャが困難なユーザの暗黙的意図（例えば、「学んで見よう（Ｌｅｔ’ｓ ｌｅａｒｎ）」）をキャプチャする。

マインドセットｍは、タプルｍ＝＜ｌａｂｅｌ、ｆｕｎｃ（）＞であるが、ここで、ｌａｂｅｌは、マインドセットに関する簡単な説明を提供し、ｆｕｎｃ（）は、関心地点の興味度のセマンティックス（ｓｅｍａｎｔｉｃｓ）を定義する。例えば、ｍ．ｌａｂｅｌ＝「Ｉ’ｍ ｈｕｎｇｒｙ」の場合、ｍ．ｆｕｎｃ（）は、レストランやカフェに対する興味度を高める方に公式化される。また、ｍ．ｌａｂｅｌ＝「ｌｅｔ’ｓ ｌｅａｒｎ」の場合、ｍ．ｆｕｎｃ（）は、博物館、図書館、および文化的名所を選好するようになる。

マインドセットを選択することは、関心地点の迅速な探索に役立つ。また、マインドセットは、ユーザに正確な要求事項がないときでも関心地点を探索できるようにする。マインドセットはラベルとして説明されてよい。マインドセットの例は、表１に示したとおりである。

マインドセットｍが与えられれば、関数ｍ．ｆｕｎｃ（）は次のように定義される。

数式（１）で、ｆ_ｉ（Ｐ）は効用関数であり、ω_ｉ、μとｂ_ｉ、ｍはマインドセットｍに対するｆ_ｉ（Ｐ）の加重値である。以下では、ω_ｉ、μは第１加重値、簡単に加重値またはユーザ固有の加重値と呼ばれてもよく、ｂ_ｉ、ｍは第２加重値または事前値（ｐｒｉｏｒ）と呼ばれてよい。事前値は、マインドセットに対する効用関数の重要度を反映する。ｂ_ｉ、ｍ＝０の場合、ｆ_ｉ（Ｐ）はマインドセットｍに影響を与えない。

この反面、ｂ_ｉ、ｍ＝１の場合、マインドセットｍは、ｆ_ｉだけに基づいて定義される。ユーザ固有の加重値は、ユーザに対する効用関数の重要度を反映する。例えば、ユーザは、カバレージよりも人気度により関心を示すことが多い。加重値は、ユーザがシステムと相互作用するときに形成されるものと仮定する。可能なすべてのユーザ固有の加重値のセット（集合）Ｗが与えられれば、最初は∀ｗ∈Ｗ、ｗ＝１．０となる。加重値はユーザごとに動的に変更されるが、事前値はオフラインによって学習されてよく、オンライン実行時には変更されずに維持されてよい。加重値と事前値の組み合わせは、効用関数に対する事後値（ｐｏｓｔｅｒｉｏｒｓ）を発生させる。

表２は、各マインドセットに対する事前値の最大値が太文字で表示された状態でマインドセットの事前値を示している。

表２は、マインドセットの効用関数事前値の例を示している。例えば、マインドセットｍ２（すなわち、「ｓｕｒｐｒｉｓｅｍｅ」）は、その事前値の降順により、驚き、人気、威信、多様性、および大きさのような効用関数の組み合わせである。

「カテゴリ」関数の場合、関心地点カテゴリが指定されなければならない。表３は、各マインドセットに対する特定のカテゴリの例を示している。表２に示すように、ｍ１、ｍ６、およびｍ７は、その事前値が０であるため、カテゴリ関数との関連がないことがある。したがって、このようなマインドセットに対してはカテゴリを指定する必要がない。

マインドセットは、独立的なエンティティであってもよいし、互いに組み合わされてもよい。例えば、ユーザの意図は、２つ以上のマインドセットの組み合わせとしてキャプチャされてよい。マインドセットは、ユーザが複数のマインドセッを選択することによって直に組み合わせてもよい。

代替的にまたは追加的に、マインドセットは、異なる反復から異なるマインドセットを選択することによって間接的な方式で組み合わされてもよい。ここで、１回の反復の各結果は、後続する反復の結果の結果に影響を及ぼす。関心地点推薦のための方法の複数回にわたる反復のうちから異なるマインドセットを選択することにより、後続反復の結果は、ユーザによる以前結果の選択から影響を受けてよい。

訪問者グループまたはユーザグループのようなグループは、関心地点データセット／関心地点データのようなデータセット／データに基づいて形成されてよい。このようなデータセットは、データを収集するか、外部ソースまたは遠隔サーバからデータセットを取得することによって生成されてよい。例えば、Ｙｅｌｐ、ＴｒｉｐＡｄｖｉｓｏｒ、Ｆｏｕｒｓｑｕａｒｅ、およびＧｏｗａｌｌａのようなサードパーティ（ｔｈｉｒｄ ｐａｒｔｙ）からの公開的に利用可能な関心地点データセットが、グループの形成に使用されてよい。

データセットは、訪問者に関する情報および関心地点に関する情報を含んでよく、および／またはＤ＝＜Ｕ、Ｐ＞で構成されてよい。公開的に利用可能な関心地点データセットのようなデータセットで類似関係を構築するために、共通の人口統計、特性、および／または関心地点を有する訪問者セットを集約することにより、「訪問者グループ」が形成または構築されてよい。

訪問者グループは仮想（ｖｉｒｔｕａｌ）であってよく、グループ構成員が必ずしも互いを知る必要はない。すなわち、グループの構成員は、（同じ場所にチェックインした）「位置的知人（ｌｏｃａｔｉｏｎ ｆｒｉｅｎｄｓ）」であり、（ＬＢＳＮのように社会的に連結された）「社会的知人（ｓｏｃｉａｌ ｆｒｉｅｎｄ）」ではない。訪問者グループは、トリプルｇ＝＜ｍｅｍｂｅｒｓ、ｄｅｍｏｇｓ、ＰＯＩｓ＞であってよい。ここで、ｇ．ｍｅｍｂｅｒｓ⊆Ｕであって、「ｄｅｍｏｇｓ」および「ＰＯＩｓ（Ｐｏｉｎｔ−ｏｆ−ｉｎｔｅｒｅｓｔｓ）」は、これらの構成員が満たすことのできる、次のような数式に基づく条件を含んでよい。

Ｐ_μと関連する訪問者グループとユーザμとの「関連性（ｒｅｌｅｖａｎｃｅ）」は、ブール関数（Ｂｏｏｌｅａｎ ｆｕｎｃｔｉｏｎ）ｒｅｌ（ｇ，Ｐ_μ）で定義されてよい。ここで、結果が１であれば「関連性あり」と見なされてよく、結果が０であれば「関連性なし」と見なされてよい。これは、次のように計算されてよい。

直観的に、グループｇは、ユーザｕとグループｇが共通する少なくとも１つの関心地点があるときにユーザｕと関連性があることがある。Ｐ＝φ（すなわち、コールドスタート）の場合、ｇは関連性があるものと見なされてよい。

実施形態において、ユーザμ、およびユーザと結び付けられたコンテキストｃ_μ＝＜ｌｏｃ、ｔｉｍｅ＞、マインドセットｍ＝＜ｌａｂｅｌ、ｆｕｎｃ＞、半径ｒ、および定数ｋとｋ’が与えられるとき、問題は、次の条件が満たされるように、ｋ個のグループＧ、およびＧの各グループに対するｋ’個の関心地点を探索することにある。

最初の３つの条件は、グループがユーザと関連性があり、ユーザ位置の近くに存在し、およびユーザのコンテキストの同じ時間カテゴリ内にいるように保障する。最後の条件は、入力マインドセットをグループに適用し、グループの関心地点がマインドセットと最大限一致するかを検証する。類似グループを利用して周囲推薦に対する最適化目的を最大化することによってｋ個のグループを決定するときの問題は、（ｉ）関連性および距離の制約、および（ｉｉ）（マインドセット関数は多くの効用関数を目的として結合するため）２つ以上の目的の最大化を含むことにある。

潜在的な関連グループの数は膨大であるため、類似グループを使用した周囲推薦も実際は容易ではない。グループ空間に対する総当たり（ｂｒｕｔｅ−ｆｏｒｃｅ）スキャンは、マインドセット関数の最大限にかかる時間を極めて消耗させる。

実施形態において、類似グループを利用した周囲関心地点推薦のための方法およびシステムは、セッションに基づく方法およびシステムであるが、これは、関心地点推薦に対する曖昧なユーザの意図から始まり、ユーザが生成された関心地点に対して満足するときに終わる。周囲関心地点推薦のための方法およびシステムは、以下の本説明において「ＬｉｋｅＭｉｎｄ」と呼ばれてよい。各セッションは、ユーザとの相互作用をキャプチャすることを含む限定的な反復シーケンス（ｆｉｎｉｔｅ ｓｅｑｕｅｎｃｅ ｏｆ ｉｔｅｒａｔｉｏｎｓ）で構成されてよい。新しい反復マインドセットを定義するか、マインドセット関数を選択する（以前の反復と同じように維持されてもよい）することによって始まってよい。各反復が終了するときに、ｋ個の関連グループおよび／または各グループに対するｋ’個の関心地点がユーザに提供される。

図４は、実施形態における、関心地点推薦のための方法３００のプロセスを示したフローチャートである。具体的に、方法３００は、ユーザ３０２のユーザ入力に基づく反復（ｒｅｐｅａｔｅｄ）のある反復的（ｉｔｅｒａｔｉｖｅ）方法であってよい。

例えば、各反復が終了するときに、ユーザは、推薦された関心地点のうちの一部を自身のお気に入り（ｆａｖｏｒｉｔｅｓ）として自由にブックマークしてよい。したがって、ユーザがシステムに２つの類型のフィードバックを提供するようになるが、これは、マインドセット（連続する反復の間に変わらず維持される）および関心地点ブックマークである。この多発的アーキテクチャは、ユーザの相互作用を推薦に統合することにより、従来の単発的な関心地点推薦接近法のほとんどに背馳する。図４の方法３００に含まれる段階は、図１の方法１００に含まれる段階と結合されてよい。

アルゴリズム１
入力：訪問者Ｕおよび関心地点Ｐ、ユーザコンテキストｃ_μ＝＜ｌｏｃ、ｔｉｍｅ＞、半径ｒ、マインドセットｍ、グループ数ｋ、グループあたりの関心地点数ｋ’
出力：グループＧおよびその関心地点Ｐ_Ｇ

各反復において、システムは、選択されたマインドセットの機能（ｆｕｎｃｔｉｏｎａｌｉｔｙ）に基づいて関心地点データセット（コールドスタート問題に対処する）からグループおよび関心地点をリターンするか提供してよい。アルゴリズム１は、このようなプロセスを記載したものである。

段階３１０で、本発明の方法およびシステムは、ユーザと関連する領域または半径３０６内に存在する近くのすべての関心地点を探索する。例えば、本発明の方法およびシステムは、ユーザから最大ｒｋｍ／マイル離れた近くのすべての関心地点を探索する（１行目）。ここで、ｒは、ユーザが定義するか事前に定義された入力パラメータであってよい。パラメータｒは、推薦がユーザの位置３０４またはユーザが選択した位置と関連するように保障する。関心地点は、関心地点の情報を含むデータセット３０８から検索されてよい。

一例として、関心地点をリアルタイムに近い速度で検索することを達成するために、ＰｏｓｔＧＩＳ（ＰｏｓｔｇｒｅＳＱＬ関係型データベースの空間データベース拡張）のＳＴ＿ＤＷｉｔｈｉｎ関数の実現が使用される。近くの関心地点のセットはｎｅａｒｂｙＰ⊆Ｐである。

段階３２０で、探索された関心地点と関連するチェックイン情報が取得され、ユーザ３０２と関連する時間３１２とマッチングされてよい。この時間は、現在時間またはユーザが選択した時間に対応してよい。チェックイン情報は、関心地点を訪ずれた訪問者の情報を含んでよい。

近くの関心地点Ｐに基づき、このような近くの関心地点のチェックイン情報のような情報がデータセット３１４から検索されてよい（２行目）。データセット３０８およびデータセット３１４は、同じデータストレージ、または異なる／分散されたデータストレージに格納されてよい。関心地点が近くの関心地点ｐ∈Ｐのセットに含まれ、ユーザと関連する時間がチェックイン時間ｔ＝ｃ_μ．ｔｉｍｅとマッチングされるかチェックインと関連する特定の期間内に属する場合、チェックイン＜ｐ、ｔ＞は近くのすべてのチェックインＨのセットに含まれてよい。

例えば、時間条件は、チェックインおよびユーザコンテキストが同じ時間カテゴリ、例えば「午前」に属さなければならないことを伝えてよい。セットＨは、関心地点と訪問者との結合テーブル（ｊｏｉｎ ｔａｂｌｅ）機能を担ってよい。このために、チェックイン情報を利用して近くの関心地点にチェックインした訪問者を探索してよい。

段階３３０、チェックインした訪問者のうちのグループＧ^＊がマイニングされる。グループＧ^＊は、１つ以上のパラメータ３２６に基づいてマイニングされるか決定されてよい。１つ以上のパラメータ３２６は、ユーザ３０２によって設定されてよい。

段階３４０で、１つ以上のグループＧ、例えば、訪問者のグループがグループＧ^＊から決定されるか探索されてよい。グループＧのセットは、グループＧ^＊のサブセット（部分集合）である。探索されるグループの数はｋで表示され、ユーザによって定義または選択されるか事前に定義されてよい。

具体的に、段階３４０は、マインドセット関数を集合的に最大化するｋ個のグループＧを決定することを含んでよい（４行目）。グループセットＧは、マインドセットで表現されたユーザの意図に合うものであってよい。最後に、グループＧに対応するｋ’個の関心地点が選択される。例えば、グループ構成員のほとんどが訪ずれる、各グループの上位ｋ’個の関心地点が選択されてよい（５行目）。

段階３５０で、ｋ’個の関心地点および／またはｋ個のグループＧがユーザ３０２に提供される。この段階で、ユーザは、自身のフォトフォリオを充実化するために、関心地点をブックマークするために選択するためのｋ個のグループおよび各グループＧに対するｋ’個の関心地点を観察してよい。

グループは、グループがグループと関連する訪問者の１人以上の特性によって記述されるようにマイニングされてよい。実施形態において、グループを探索／マイニングするためにＦＩＭ（Ｆｒｅｑｕｅｎｔ Ｉｔｅｍｓｅｔ Ｍｉｎｉｎｇ：頻出アイテムセットマイニング）技法が使用される。ここで、各グループは頻出アイテムセットであり、アイテムは、グループ構成員または訪問者の共通的な人口統計的属性およびＰＯＩである。グループは無数に多くの方法によって発見可能であるが、実施形態では、重複する記述可能なグループを取得するためにＦＩＭを使用し、これにより、訪問者は、２つ以上のグループの構成員であってよく、異なる方式によって記述されてよい。記述可能なグループを提供することにより、ユーザは、特定のＰＯＩが提供される理由を容易に知ることができ、これによって特定のＰＯＩがユーザに提供される理由についての説明を受けることができる。

各訪問者ｕ∈Ｕに対し、ｕのすべての人口統計的属性および訪ずれたＰＯＩを含むトランザクションｔｒａｎｓ（ｕ）が構築されてよい。セットτは、全訪問者のトランザクション、すなわち、τ＝｛ｔｒａｎｓ（ｕ）｜ｕ∈Ｕ｝を含む。任意の訪問者のグループｇ＝〈ｍｅｍｂｅｒｓ，ｄｅｍｏｇｓ，ＰＯＩｓ〉が与えられれば、グループサポートｓｕｐｐ（ｇ）がｇの重要度の尺度として定義されてよい（数式（３））。

ｓｕｐｐ（ｇ）が事前に定義されたサポート逆値よりも大きい場合、グループｇは頻出アイテムセット（および、これによって有効なグループ）である。サポート逆値は、ユーザ定義パラメータであってよい。

トランザクションは、整数（ｉｎｔｅｇｅｒｓ）によってエンコードされたアイテムのセット（集合）であってよい。これにより、すべての関心地点および人口統計値は単一整数によってエンコードされてよい。関心地点は、たびたびトランザクションで直に使用されることのできる固有識別子と既に連関されているが、人口統計的属性は離散（ｄｉｓｃｒｅｔｅ）ドメインまたは連続ドメインで異なる値を有してよい。例えば、人口統計的属性「チェックイン数」は、広範囲の異なる値を含んでよい。

各人口統計的属性に対して特定の数のカテゴリ、例えば、４つのカテゴリを取得するために、等頻度離散化（ｅｑｕａｌ−ｆｒｅｑｕｅｎｃｙ ｄｉｓｃｒｅｔｉｚａｔｉｏｎ）接近法が利用されてよい。例えば、カテゴリは、「極めて少ない」、「少ない」、「若干」、および「多い」であってよい。等頻度離散化は、各属性の最小値および最大値を決定し、すべての値を昇順に整列し、すべての区間が同じ個数の整列した値を含むように、範囲を事前に定義された個数の区間に分割する。

図５は、データセット内の人口統計的属性に対する離散化値の例を示している。離散化された属性は、トランザクションに挿入される２８個のアイテム（７個の属性および各属性に４個のカテゴリ）を生成する。例えば、訪問者トランザクションは、「多くの場所」および「少ない写真」アイテムを含んでよく、これは、訪問者が多くの場所を訪問したが写真は多く撮らなかったということを意味する。

人口統計および訪ずれた関心地点の他に、トランザクションは、関心地点カテゴリおよびチェックイン時間を含んでよい。これは、トランザクションをより充実させてグループがより豊かな情報をもつようにする。訪問者ｕのトランザクションにおける関心地点ｐの場合、ｐ．ａｔｔはｔｒａｎｓ（ｕ）と連結（ｃｏｎｃａｔｅｎａｔｅ）されてよい。例えば、Ｌｏｕｖｒｅ∈ｔｒａｎｓ（ｕ）の場合、カテゴリ、例えば＜ｃａｔ、ｍｕｓｅｕｍ＞は、ｔｒａｎｓ（ｕ）の追加アイテムとなってよい。これは、システムが、一般的に博物館にチェックインするが、必ずしもルーヴル博物館ではない訪問者のグループを生成することを可能にする。例えば、図２において、グループ２３０ａの全訪問者が「歴史的名所」にチェックインしたが、訪問者ごとにチェックインした場所は異なる名所であってよい。

また、一対の関心地点および訪問時間＜ｐ、ｔ＞∈ｕ．ｃｈｅｃｋｉｎｓの場合、ｔは、時間単位および週単位カテゴリに離散化されてよく、ｔｒａｎｓ（ｕ）は、ｐのカテゴリとともに時間単位および週単位カテゴリと連結されてよい。例えば、図２において、グループ２３０ａの全構成員が夕方にレストラン（「レストラン」カテゴリの任意の関心地点）にチェックインしてよい。

トランザクションセットτが与えられれば、グループをマイニングするために先験的マイニンアルゴリズムが使用されてよい。先験的マイニングアルゴリズムの入力は、すべての強化されたトランザクション（ｅｎｒｉｃｈｅｄ ｔｒａｎｓａｃｔｉｏｎｓ）のセットを含むＡＲＦＦ（Ａｔｔｒｉｂｕｔｅ−Ｒｅｌａｔｉｏｎ Ｆｉｌｅ Ｆｏｒｍａｔ）類型である。先験的マイニングアルゴリズムは、トランザクションの数とともにその実行時間が幾何級数的に増加するため、多数のトランザクションに対しては効率的でないことがある。従来のシステムでは、このような計算は、グループに対するオンラインの調査に先立ってオフライン段階で実行されるが、実施形態に係るマイニングプロセスでは、先験的マイニンアルゴリズムに先行する隣接フィルタによって進行中に実行されてよい。すなわち、先験的マイニングアルゴリズムは、ユーザの近くでチェックインした訪問者だけに対してグループをマイニングする。これにより、全体ユーザ数に比べて訪問者セットの大きさが大幅に減少する。

各マインドセットは、ユーザ固有の加重値および事前値と線形方式によって組み合わされた効用関数セット（数式（１））である関数と関連する。マインドセット関数は、関心地点セットと関連する変数を入力として受け入れた後、［０、１］範囲の値をリターンする。マインドセットｍとグループｇが与えられれば、ｍの機能に関するｇの効用は、次のように測定されてよい。

すべてのグループ効用値の空間が与えられるとき、問題は、最大のグループ効用値をもつｋ個のグループを探索することにある。各マインドセット関数は、複数の効用関数の組み合わせで構成されるため、マインドセット関数を最大化することは多目的最適化の問題となる。しかし、問題の複雑度を単一目的最適化によって縮小させるためにユーザ固有の加重値および事前値を使用し、スカラー化（ｓｃａｌａｒｉｚａｔｉｏｎ）接近法が利用されてよい。実施形態では、グループを取得するために多目的最適化接近法が利用される。実施形態では、マインドセット関数を最大化するために貪欲スタイル（ｇｒｅｅｄｙ−ｓｔｙｌｅ）のアルゴリズムが使用されてよい（アルゴリズム２）。

アルゴリズム２
入力：ユーザμ、マイニングされたグループＧ^＊、マインドセットｍ、リターンされたグループ数ｋ、時間制限ｔｌ。

出力：｜Ｇ｜＝ｋとなるようにするグループＧ

アルゴリズムは、ユーザと関連のないすべてのグループを除去することから始まる（２行目）。これは、グループが、以前の相互作用から提供されたユーザの選好度と一致するようにする。ユーザは、推薦される関心地点を「ブックマーク」することによってユーザの選好度を示してよい。このようにブックマークされた関心地点は、ユーザのフォトフォリオを強化させるが、ユーザの選好度と関連のないグループを識別することに寄与する。ユーザが関心地点ｐをクリックすればＰ_μに追加される。Ｐ_μに関するグループｇの関連性、すなわち

は、数式（２）のように計算されてよい。

関連のないグループを剪定した後、アルゴリズムは、マインドセット関数を最大化するためにグループの空間に対して反復される。各ステップにおいて、アルゴリズムは、ｋ個のグループのセットに新しいグループを取り入れてから、マインドセット関数の値が増加するかを確認する。改善がなされる場合、新しいグループはｋ個のグループの構成員となり、代替のために他のグループが選択される。時間制限ｔｌが超過すれば、改善ループは中断される。通常、時間制限ｔｌはユーザ定義入力パラメータではなければならないが、実施形態において、時間制限は、「連続性記録レイテンシ」の時間、すなわちｔ１＝１００ｍｓに固定される。これは、人間が相互作用プロセスの瞬間的な経験を有する限界値である。

関数ｐｉｃｋ（）（５行目および６行目）は、グループＧ^＊の空間において「スキャン順序」を施行するために異なるセマンティックス（ｓｅｍａｎｔｉｃｓ）を使用してよい。セマンティックスは、最適化された値の方により速く移動することによって最適化プロセスを向上させるように設計されてよい。マインドセットは、異なる最適化目的の組み合わせである。順序を施行するために「サポート」尺度（数式（３））が使用されてよく、これにより、グループが大きいほど選択される可能性がより高くなる。グループが大きいほどより多くの訪問者を含み、より豊かな洞察力を提供する。これにより、関数ｐｉｃｋ（Ｇ^＊、ｋ）は、サポートが最も大きいＧ^＊内の見えない上位ｋ個のグループをリターンする。

ユーザの相互作用によってマインドセット関数の加重値がアップデートされるため、ユーザが本発明の方法およびシステムと相互作用するたびに、推薦はより個人化する。ユーザμとマインドセットｍが与えられれば、ｍ．ｆｕｎｃ（）の関数ｆ_ｉの加重値は、次のように計算される。

μが既にシステムと若干の相互作用を実行した場合（すなわち、Ｐμ≠φ）、ｗ_ｉ、μの値は、μのｆ_ｉの方への以前選択の方向を基準として設定される。これは、ユーザμに対する効用尺度の重要度を反映する。利用可能な相互作用がない場合、加重値は１．０に設定される。例えば、ｆ_ｉ＝ｃｏｖｅｒａｇｅであり、Ｐが市内のただ１つの近隣からの関心地点を含む場合、ｗ_ｉ、μは０に近い値を含んでよい。直観的に、カバレージを最大化するには、μの主観的選好度がさほど重要でないことを示してくれる。

Ｐ_μは、２つ異なる細分性レベル、すなわち、グループおよびマインドセットレベルにおいて実施形態に係る方法に影響を及ぼすという点に注意しなければならない。グループレベルにおいて、これは、システムがＰ_μと関心地点が重ならないグループを早期に剪定できるようにする（アルゴリズム２の２行目）。マインドセットレベルにおいて、これは、効用関数のユーザ固有の加重値をＰ_μのユーザ選好度に合わせるようにできる。

実施形態に係る実験のために、２０１０年１１月〜２０１１年１２月までの期間に２，８４４，０７６個のＰＯＩ（関心地点）で３１９，０６３名の訪問者の３６，００１，９５９回のチェックインがある人気のＬＢＳＮから収集したＧｏｗａｌｌａデータセット［２７、４１］が使用された。Ｇｏｗａｌｌａデータセットは、概念証明として使用される。関心地点データセットの適時性は重要である。Ｇｏｗａｌｌａのチェックイン行列密度は２．９×１０^−５である。ＰＯＩは７つの異なるカテゴリ、すなわち、コミュニティ、エンターテイメント、フード、ナイトライフ、アウトドア、ショッピング、および旅行にグループ化される。各カテゴリは複数のサブカテゴリを含む。例えば、「公園」には「アウトドア」のサブカテゴリが含まれる。Ｇｏｗａｌｌａは、訪問者と関心地点の両方の属性を提供する数少ない関心地点データセットのうちの１つである。これにより、人口統計的属性と関心地点の両方を含むグループが形成される。これは、グループの説明性を高め、ユーザが自身と連関するグループを探索できるようにする。訪問者の属性は表４に示したとおりである。関心地点は、次のような属性、挿入日付、位置、チェックイン総数、半径（メートル単位）、およびカテゴリを使用して記述される。実施形態に係る実験は、本発明の効率および有効性を立証する。本説明の以下の部分において、実施形態に係る方法およびシステムは「ＬｉｋｅＭｉｎｄ」と呼ばれてよい。

単発性推薦アルゴリズムとは異なり、ＬｉｋｅＭｉｎｄのような探索的システムは、最終ユーザをループに統合する。以下で示すように、多発性推薦システムＬｉｋｅＭｉｎｄは、ユーザとの現実的な相互作用が可能なほど十分な速度を備える。また、各反復で実行時間を測定することによってシステムの効率性が検査される。

コールドスタート問題に対応し、関心地点推薦において、カスタマイズの可能性、コンテキスト性、および説明性を提供するにあたりＬｉｋｅＭｉｎｄの全般的な挙動が検査される。ＬｉｋｅＭｉｎｄの探索的プロセスから人間決定の影響を除去するために、Ｇｏｗａｌｌａデータセットで相互作用がシミュレーションされ、シミュレーションされたそれぞれのセッションに対してヒット率（Ｈｉｔ Ｒａｔｉｏ：ＨＲ）が分析される。ＨＲは、推薦アルゴリズムを評価するのに広く使用されるメトリックである。

具体的に、１００件の異なるセッションがシミュレーションされ、すべてのセッションに対する平均としてＨＲが報告される。各セッションでは、先ず、ユーザがＧｏｗａｌｌａデータセットからランダムに選択される。セットμ．ｃｈｅｃｋｉｎｓからチェックイン＜ｐ、ｔ＞がランダムに選択され、ユーザのコンテキストがｃ_μ＝＜ｐ．ｌｏｃ、ｔ＞に設定される。セット

は、次のように構築される。

セットζ_μは、ユーザμが自身の現在のコンテキスト時間ｃ_μ．ｔｉｍｅ後に２日間にわたって訪ずれた近くの関心地点（半径ｒを使用して制限される）を含む。この実験において、ｒは０．５ｋｍに設定される。ＬｉｋｅＭｉｎｄは、その出力がζ_μと重なる場合、ＨＲに寄与する。コールドスタート環境をシミュレーションするために、全体セットμ．ｃｈｅｃｋｉｎｓがテストセットとしてマスクオフされる。

各セッションは、Ｎ回の連続反復を含む。各反復は、マインドセットｍを選択する動作をシミュレーションすることによって実行される。この後、ＬｉｋｅＭｉｎｄは、ｍとｃ_μを使用してグループおよびその関心地点を生成するようになる。反復は、関心グループｇ^＊およびｇ^＊と関連する関心地点ｐ^＊を選択する動作をシミュレーションすることによって終わる。関心地点ｐ^＊はＰ_μに追加される。

グループ選択のための２つのベースラインが調査される。（ｉ）グループがランダムに選択される。（ｉｉ）Ｃｏｓｉｎｅ（ｇ^＊．ｄｅｍｏｇｓ、μ．ｄｅｍｏｇｓ）が最大であるグループｇ^＊が選択される。後者は、最適なグループ戦略だと呼ばれる。また、マインドセット選択のための２つのベースラインが調査される。（ｉ）マインドセットｍ１〜ｍ７（表１参照）のうちから１つがランダムに選択される。（ｉｉ）以前反復におけるｇ^＊の関心地点に対してｍ．ｆｕｎｃ（）の最大値をもつマインドセットｍが選択される。後者は、最適なマインドセット戦略と呼ばれる。マインドセット選択プロセスのより現実的なシミュレーションのために、ユーザは、反復ごとに常に新しいマインドセットに転換するという事実が考えられる。

これにより、次の反復でマインドセットが変更されずに維持される確率を示すパラメータθが定義される。例えば、θ＝０．８の場合、連続的な反復の間にマインドセットが変更されない可能性が高い。デフォルトとして、グループおよびマインドセット選択の両方にランダム戦略が使用され、θ＝０．５となる。

ＨＲは、２つ異なる細分性レベル、すなわち、反復レベルおよびセッションレベルで決定される。反復レベルにおいて、測定値は

で表記され、セッションの各反復で取得された平均ＨＲによって計算される。

数式（７）において、Ｎは反復回数であり、Ｓはセッション数（Ｓ＝１００）であり、１（ｉ，ｊ，μ）はセッションｉの反復ｊでヒット（ζ_μと共通する関心地点）がある場合に「１」をリターンする反復ベースのヒットインジケータ（ｈｉｔ ｉｎｄｉｃａｔｏｒ）関数である。セッションレベルにおいて、測定値はＨＲ_Ｓ＠Ｎで表記され、Ｎ回の反復におけるすべての相互作用の結果としてセッション全体に対する平均ＨＲによって計算される。

数式（８）において、１（ｉ，ｊ，μ）は、セッションｉ全体の反復ｊにおいて少なくとも１つのヒットがある場合に「１」をリターンするセッションベースのヒットインジケータ関数である。セッションレベルのＨＲが反復レベルのＨＲを含むことは明らかである。

図５は、グループ選択、マインドセット選択、およびマインドセット変更のような多様な戦略を利用したＨＲ値を示している。ＨＲは、Ｎ（反復回数）を２〜５０まで変更させることによって測定される。図５の左側にある棒グラフは反復レベルのＨＲを報告するものであり、右側にある棒グラフはセッションレベルのＨＲを報告するものである。

グループ選択戦略と関連し、最適なグループは、反復レベルとセッションレベルでＨＲをそれぞれ平均２２％および３８．８％増加させる（図５の最上列）。セッションレベルにおいて、ＨＲは、たった１０回の反復後に５０％を超える値まで増加し、５０回の反復では８２％に達する。したがって、類似グループは、ユーザ選好度を取得するための好ましいプロキシ機能を果たす。

マインドセット選択戦略と関連し、最適なマインドセットは、セッションレベルでＨＲを２２．４％増加させる（図５の中間列）。しかし、反復レベルにおける増加は著しくない。これは、グループ選択戦略とは対照的に、マインドセット選択が全体セッションに長期的な影響を及ぼすということを示す。セッションレベルにおいて、ＨＲは、１０回の反復後に５０％に近い値まで増加し、５０回の反復では６５％に達する。

また、連続的な反復の間にマインドセットを変更する効果も調査された。パラメータθに対する３つの異なる値、すなわち、θ＝０．２、θ＝０．５、θ＝０．８である。θ値が大きいほど、連続的な反復の間にマインドセットが変更されずに維持される確率が高くなる。図５の最下列にその結果が示されている。θの値が極端に低い場合と高い場合に、両方すべてがθ＝０．５の場合に比べてより低いＨＲ値を提供する。この効果は、より多くの反復では増幅する。したがって、マインドセットを変更する最適な戦略は混合戦略であり、すなわち、マインドセットが反復ごとに必ず変更されるのではなく、以前のマインドセットが再び使用される可能性も同じである。

この実験では、反復ごとに平均実行時間を測定することでＬｉｋｅＭｉｎｄの効率が調査された。半径ｒおよびグループの個数ｋが、ＬｉｋｅＭｉｎｄの性能に最も影響を及ぼす２つの入力パラメータである。これにより、ｒは５０ｍ〜１ｋｍの間で、ｋは５〜７０の間で変更させることで実行時間が報告された。ｋ’パラメータはｋに従属的な変数であるため、特に分析されない。すべての性能実験は、ＯＳ Ｘ１０．１４．６オペレーティングシステムで３２ＧＢのＤＤＲ４メモリを搭載した２．２ＧＨｚのインテルコアｉ７で実行された。

ＬｉｋｅＭｉｎｄの性能を分析するために、アルゴリズム１の次の段階それぞれに対して実行時間が報告される。

段階１：近くの関心地点の探索（アルゴリズム１の１行目のｎｅａｒｂｙ＿ＰＯＩｓ（）関数）
段階２：近くの関心地点のチェックインの探索（アルゴリズム１の２行目のｃｈｅｃｋｉｎｓ＿ｏｆ（）関数）
段階３：トランザクション行列の構築および類似グループの生成（アルゴリズム１の３行目のｍｉｎｅ＿ｇｒｏｕｐｓ（）関数）、および
段階４：与えられたマインドセットに関するｋ個の最適グループ、およびｋ’個の関連関心地点の探索（アルゴリズム１の４行目のｍａｘｉｍｉｚｅ（）関数）。

１００回の反復による平均実行時間が報告される。各反復は「シミュレーション研究」セクションに記載したようにシミュレーションされる。デフォルトとして、パラメータは、ｋ＝ｋ’＝５およびｒ＝０．５ｋｍに設定された。

図６は、性能研究の結果を示した図である。左側および右側のチャートはそれぞれ、ｋおよびｒを変更させて実行時間を報告したものである。ｋを増加させることは、段階４（すなわち、マインドセット最大化）だけに影響を及ぼす。他のすべての段階の実行時間は一定に維持される。最初の３段階の平均実行時間はそれぞれ、１５２ｍｓ、２１６．２５ｍｓ、および１４０ｍｓである。段階４の実行時間は、ｋ＝５で１３０ｍｓ〜ｋ＝７０で６２１．７５ｍｓに増加する。時間制限ｔｌは常に１００ｍｓに固定されるが、段階４は各グループに対するｋ’個の関心地点を取得し、出力を生成し、これをストレージまたはディスクに記録するのに追加の時間が必要となるという点に注意しなければならない。ｋはＬｉｋｅＭｉｎｄの最初の３段階では意味をもたないが、ｒを増加させることはすべての段階の実行時間に影響を及ぼす。その理由は、半径が大きいほど、より多くの関心地点およびその結果よりも多くのチェックインがデータベースから検索されなければならないことを意味するためである。チェックイン数の増加はグループ候補空間の増大をもたらし、これにより、グループ生成段階はより多くの時間を要する。ＬｉｋｅＭｉｎｄの全体実行時間は、ｒ＝５０ｍで４５９ｍｓ〜ｒ＝１ｋｍで９１１ｍｓに増加する。ｒ＝５００ｍは、統合実行時間が平均６２０ｍｓのデフォルト値であってよい。

特定の実施形態について説明したが、実施形態の意図から逸脱しない範囲内で、上述した教示内容および添付の請求範囲の内容に基づき、実施形態の多様な変形、変更、および改善が可能であることは、当業者にとって自明であろう。また、当業者が精通すると思われる領域については、ここに説明された実施形態を不必要に不明瞭にしないために説明を省略した。したがって、実施形態は、特定の例示的な実施形態に限定されてはならず、添付の特許請求の範囲だけに制限されるということが理解されなければならない。

上述した実施形態は、方法および段階の脈絡によって説明したが、これらは、該当の装置またはシステムの該当のコンポーネント、モジュール、または特徴についての説明も示す。

方法および段階の一部またはすべては、プロセッサ、マイクロプロセッサ、電子回路、または処理回路によって（または、これらを使用して）実行されるという点において、コンピュータによって実施されてよい。

上述した実施形態は、ハードウェアまたはソフトウェアによって実施されてよい。実施は、コンピュータ読み取り可能なストレージ媒体、例えば、フロッピー（登録商標）ディスク、ＤＶＤ、Ｂｌｕ−Ｒａｙ、ＣＤ、ＲＯＭ、ＰＲＯＭ、およびＥＰＲＯＭ、ＥＥＰＲＯＭ、またはフラッシュメモリのような非一時的なストレージ媒体によって実行されてよい。このようなコンピュータ読み取り可能な媒体は、汎用または特殊目的コンピュータシステムがアクセスすることのできる任意の利用可能な媒体であってよい。

一般的に、実施形態は、プログラムコードまたはコンピュータ実行可能な命令語を有するコンピュータプログラム製品として実施されてよく、プログラムコードまたはコンピュータ実行可能な命令語は、コンピュータプログラム製品がコンピュータ上で実行されるときに、本明細書で説明した方法のうちの１つを実行するために作動する。プログラムコードまたはコンピュータ実行可能な命令語は、コンピュータ読み取り可能なストレージ媒体に記録されてよい。

実施形態において、ストレージ媒体（または、データキャリア、コンピュータ読み取り可能な媒体）は、プロセッサによって実行されるときに、本明細書で説明した方法のうちの１つを実行するためのコンピュータプログラムまたはコンピュータ実行可能命令語を、その上に記録して含む。他の実施形態において、装置は、１つ以上のプロセッサおよび上述したストレージ媒体を含む。

他の実施形態において、装置は、手段、例えば、メモリと通信するプロセッサのような処理回路を含むが、このような手段は、本明細書で説明した方法のうちの１つを実行するように構成されるか適合するようなる。

他の実施形態は、本明細書で説明した方法のうちの１つを実行するためのコンピュータプログラムまたは命令語がインストールされたコンピュータを含む。

上述した方法および実施形態は、図７に示すようなアーキテクチャ内で実施されてよい。これは、サーバ５００、およびデータ交換のためにインターネットのような（無線および／または有線）ネットワーク５０４を介して通信する１つ以上のクライアントデバイス５０２を含む。サーバ５００およびクライアントデバイス５０２は、データプロセッサ５１２およびハードディスクのようなメモリ５１３を含む。クライアントデバイス５０２は、自律型車両５０２ｂ、ロボット５０２ｃ、コンピュータ５０２ｄ、または携帯電話５０２ｅを含み、サーバ５００と通信する任意のデバイスであってよい。

実施形態でより詳しく説明したように、図１〜４の実施形態に係る方法は、サーバ５００で実行されてよい。他の実施形態において、図１〜４の実施形態に係るトレーニングおよび分類方法は、クライアントデバイス５０２で実行されてよい。また他の実施形態において、トレーニングおよび分類方法は、他のサーバまたは分散方式によって複数のサーバで実行されてよい。

コールドスタート、カスタマイズ可能性、コンテキスト性、および説明性の一般的な問題に対処する、類似グループに基づいた関心地点推薦のための新規の接近法が開示される。具体的に、迅速な方式によって関心地点推薦を提供するための効率的な方法が開示される。また、マインドセット関数は、ユーザコンテキストを拡張し、実際の状況、ユーザの感情、ユーザの意図をキャプチャできるようにする。類似グループおよびマインドセットは、時間認識的／時間従属的であってよい。また、本明細書で説明する方法およびシステムは、関心地点推薦の結果を改善するために、関心地点選好度および移動性パターンに対するユーザ定義制約条件（ｃｏｎｓｔｒａｉｎｔｓ）を設定することを含んでよい。また、コールドスタートに耐性がある関心地点推薦のために、公開関心地点データセット内の豊かなチェックインを活用するために転移学習（ｔｒａｎｓｆｅｒ ｌｅａｒｎｉｎｇ）接近法が使用されてよい。

上述した実施形態は、ユーザにどのような関心地点が推薦されなければならないかを予測するために過去チェックインおよびソーシャルリンクが利用される個人化および社会化された関心地点推薦接近法を含む従来の方法よりも優れている。また、関心地点推薦のためにユーザが個人データを共有する必要がなく、類似グループに基づく関心地点推薦によって保安を強化させる。

（Ａ１）関心地点推薦は個人化されてよい。すなわち、結果は、ユーザの過去チェックインおよび関心形態によってキャプチャされたユーザ選好度に基づいてよく、（Ａ２）ユーザは類似ユーザ（すなわち、類似グループのユーザ）を信頼し、類似ユーザが以前に享受した内容などに基づいて自身の決断を下すようになるため、関心地点推薦は、社会的側面を統合し、ユーザと類似する他のユーザの選好度を反映することができ、（Ａ３）関心地点推薦システムは、システムとユーザの相互作用、すなわち、推薦される関心地点のカスタマイゼーションを統合するために探索的であり、（Ａ４）関心地点推薦は、ユーザの実際の状況および感情を含むユーザの現在状況（いわゆる、コンテキスト）もキャプチャすることができるという点に注意しなければならない。

従来の関心地点推薦接近法は、上述したすべての側面を同時に対処しない。

コンピュータによって実施された関心地点推薦方法は、領域（領域は、ユーザによって選択されたもの、およびユーザの位置と関連するもののうちの少なくとも１つ）に対して複数の関心地点を取得する段階、取得された複数の関心地点と関連する訪問者に関する訪問者情報、および取得された複数の関心地点に関する情報を含む関心地点データを検索する段階、訪問者情報に少なくとも部分的に基づき、複数のグループ（複数のグループの各グループは、取得された複数の関心地点のうちの少なくとも１つの関心地点と関連する）を形成する段階、取得された複数の関心地点の情報に少なくとも部分的に基づいて複数のグループから１つ以上のグループを決定する段階、および取得された複数の関心地点のうちの１つ以上の関心地点（１つ以上の関心地点は、決定された１つ以上のグループと関連する）をユーザに提供する段階を含む。

訪問者情報に少なくとも部分的に基づいて複数のグループを形成し、取得された複数の関心地点の情報に少なくとも部分的に基づいて複数のグループから１つ以上のグループを決定することにより、ユーザのプライバシーが保護され、これによって保安が強化される。類似グループの構築は、ユーザの社会的側面やチェックインに依存せず、訪問者の特性と関連する関心地点を推薦することを可能にする。

グループの構成員、例えば、訪問者は、グループおよび該当のグループと関連する関心地点を説明、ラベリング、または表現するのに使用される少なくとも１つの共通する特性を有する。

一態様によると、ユーザの位置は、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）のような追跡システムによって決定されてよく、領域は、ユーザの位置に基づいて決定されてよい。実施形態において、ユーザの位置は、Ｗｉ−Ｆｉポジショニングシステムによって決定される。

一態様によると、コンピュータによって実施された方法は、複数のマインドセット関数からマインドセット関数を決定する段階をさらに含む。マインドセット関数は、１つ以上の事前に定義された関数、例えば効用関数を含み、複数のグループからの１つ以上のグループは、取得された複数の関心地点に関する情報および決定されたマインドセット関数に少なくとも部分的に基づいて決定される。１つ以上の事前に定義された関数の各関数は、複数のグループの１つ以上のグループと関連する関心地点セットに対応する少なくとも１つの変数を入力として受けてよい。

例えば、決定された１つ以上のグループと関連する１つ以上の関心地点の変数はマインドセット関数の最大化を可能にするが、変数は、取得された複数の関心地点の情報から取得される。マインドセットまたはマインドセット関数は、ユーザの実際の状況、感情、および意図をキャプチャするように定義されてよく、関心地点興味度のセマンティックスを施行してよい。マインドセット関数を使用することにより、関連類似グループおよびその関心地点が効率的かつ効果的な方式で決定されるようになる。

一態様によると、マインドセット関数は、ユーザのユーザ入力に基づいて決定されてよい。ユーザ入力は、マインドセット関数と関連するラベル、例えば、マインドセット関数の説明的ラベルの選択、およびユーザに以前に提供された関心地点および／またはグループの選択のうちの少なくとも１つを含んでよい。

追加的にまたは代替的に、マインドセット関数は、ユーザと関連する現在時間およびデータのうちの少なくとも１つに基づいて決定されてよい。マインドセット関数は、１つ以上の事前に定義された関数の各関数に対する１つ以上の加重値を含んでよく、１つ以上の加重値は、事前に定義された加重値およびユーザ固有の加重値のうちの少なくとも１つを含み、ユーザ固有の加重値は、ユーザの入力によってアップデートされる。

例えば、ユーザ固有の加重値は、ユーザがユーザに提供された関心地点のうちから１つの関心地点を選択またはブックマークすることに応答してアップデートされてよい。

一態様によると、訪問者情報は、時間または期間と関連し、訪問者が取得された１つ以上の関心地点を訪ずれた特定の時間または特定の期間に対して検索される。これは、効率的かつ迅速な方式によって正確な関心地点推薦を提供することを可能にする。例えば、１つ以上のグループは、約１００ミリ秒（ｍｓ）以内に決定されてよい。処理は、小型デバイス、例えば、処理リソースが限定されたモバイルデバイスで実行されてよい。複数のグループは、ＦＩＭ（ｆｒｅｑｕｅｎｔ ｉｔｅｍｓｅｔ ｍｉｎｉｎｇ：頻出アイテムセットマイニング）技法によって形成されてよく、各グループは頻出アイテムセットであり、アイテムは訪問者の人口統計的属性および訪問者と関連する関心地点を含み、人口統計的属性は訪問者情報から取得される。訪問者の訪問者情報は、各訪問者に対し、訪問者が関心地点を訪ずれた時間、時間区間および／または期間、訪問者の特性の表示、取得された複数の関心地点のうちで訪問者が指定された期間に訪ずれたすべての関心地点、取得された複数の関心地点のうちの１つの関心地点で訪問者が撮影した写真の数、訪問者が訪問者のモバイルデバイスに保存した写真の数、訪問者が指定された期間に撮影した写真の数および訪問者がポスティングした写真の数のうちの少なくとも１つの表示、訪問者の友達の数の表示、訪問者が取得された関心地点のうちで特定の関心地点を訪ずれた回数の表示、訪問者の年齢、訪問者の性別、および訪問者の旅行回数の表示のうちの少なくとも１つを含でよい。

一様態によると、１つ以上の関心地点をユーザに提供する段階は、１つ以上のグループの各グループに対して訪問者が最も多い関心地点をユーザに提供する段階を含む。

代替的にまたは追加的に、１つ以上の関心地点は、決定された１つ以上のグループの特性の１つ以上の表示と結合されて提供される。実施形態では、ユーザが与えられた時間区間、例えば、３０日間にわたり訪ずれなかった関心地点（例えば、レストラン、カフェ、博物館）がユーザに提供される。

一態様によると、１つ以上のグループは、取得された複数の関心地点の情報およびユーザのフォトフォリオに少なくとも部分的に基づいて決定され、フォトフォリオは、ユーザが以前に選択および／または訪ずれた関心地点の表示を含む。取得された複数の関心地点に関する情報は、取得された１つ以上の関心地点の各関心地点に対し、評価点数、１つ以上のカテゴリ、価格帯、営業時間、混雑時間、訪問者総数、支払い方式、障害者の接近性、駐車場の有無、挿入日付、および各関心地点の大きさのうちの少なくとも１つの表示を含んでよい。他の実施形態によると、１つ以上のグループは、取得された複数の関心地点に関する情報には基づくが、ユーザのフォトフォリオには基づかずに決定されてよい。例えば、１つ以上のグループを決定するのにユーザの個人情報が使用されないように、１つ以上のグループは、取得された複数の関心地点に関する情報だけに基づいて決定されてよい。これにより、敏感な個人データが送信または取得される必要がなく、これによってユーザのプライバシーが保護されて保安が強化される。

一態様によると、コンピュータによって実施された方法は反復的方法であってよく、ユーザが１つ以上の提供された関心地点または１つ以上の決定されたグループのグループから関心地点を選択することに応答し、同じ方法の少なくとも数回にわたる段階によって１つ以上のアップデートされたグループが決定され、決定された１つ以上のアップデートされたグループと関連する１つ以上のアップデートされた関心地点がユーザに提供される。

例えば、少なくとも複数の段階は、取得された複数の関心地点に関する情報、および１つ以上の提供された関心地点または１つ以上の決定されたグループのグループからの関心地点のユーザ選択に少なくとも部分的に基づいて複数のグループまたは複数のアップデートされたグループから１つ以上のアップデートされたグループを決定する段階、および取得された複数の関心地点の１つ以上のアップデートされた関心地点、または新たに取得された関心地点をユーザに提供する段階を含んでよく、１つ以上のアップデートされた関心地点は、決定された１つ以上のアップデートされたグループと関連する。ユーザ相互作用は、類似グループが選択される方式に影響を及ぼす。

他の実施形態では、コンピュータ実行可能な命令語が記録されたコンピュータ読み取り可能なストレージ媒体が提供される。１つ以上のプロセッサによって実行されるとき、コンピュータ実行可能な命令語は、上述した関心地点推薦方法を実行する。

他の実施形態では、処理回路を含む装置が提供される。処理回路は、上述した関心地点推薦方法を実行するように構成される。

周囲の関心地点推薦を正確かつ効率的に生成するためのコンピュータ実施方法は、（ａ）領域（領域は、ユーザの位置と関連するユーザによって選択された領域）に対して複数の関心地点を電子的に取得する段階、（ｂ）取得された複数の関心地点と関連する訪問者の訪問者情報、および取得された複数の関心地点の情報を含む関心地点データを電子的に検索する段階、（ｃ）訪問者情報に基づき、複数のグループ（複数のグループの各グループは、取得された複数の関心地点の関心地点と関連する）を電子的に形成する段階、（ｄ）複数のマインドセット（ｍｉｎｄｓｅｔ）関数からマインドセット関数（マインドセット関数は、事前に定義された関数を含む）を電子的に決定する段階、（ｅ）取得された複数の関心地点の情報および決定されたマインドセット関数に基づき、複数のグループからグループを電子的に決定する段階、および（ｆ）取得された複数の関心地点の関心地点（関心地点は、決定されたグループと関連する）をユーザに伝達する段階を含む。

上述した方法はユーザのユーザ入力を受信してよく、マインドセット関数はユーザのユーザ入力に基づいて決定され、ユーザ入力は、マインドセット関数と関連するラベルの選択およびユーザに以前に提供された関心地点またはグループの選択を含む。

マインドセット関数は、ユーザと関連する現在時間とデータ、およびマインドセット関数を最大化するグループと関連する関心地点の変数に基づいて決定されてよく、変数は、取得された複数の関心地点の情報から取得される。

マインドセット関数は、事前に定義された関数の各関数に対する加重値を含んでよく、加重値は、事前に定義された加重値およびユーザ固有の加重値を含み、ユーザ固有の加重値はユーザの入力によってアップデートされる。

マインドセット関数は、ユーザと関連する現在時間とデータに基づいて決定されてよい。

グループと関連する関心地点の変数は、マインドセット関数を最大化してよく、変数は、取得された複数の関心地点の情報から取得される。

事前に定義された関数の各関数は、複数のグループのグループと関連する関心地点セットに対応する変数を入力として受けてよく、事前に定義された関数の各関数は、関心地点セットの正規化された平均訪問者数、関心地点セットの正規化された平均評価点数、現在の日付と関心地点セットの平均挿入日付との逆差分、都市の大きさに正規化された関心地点セット内の関心地点の地理的位置によって誘導された多角形の領域、関心地点セットの関心地点カテゴリとユーザが訪ずれた関心地点の関心地点カテゴリとの間の正規化されたジャッカード距離、セットカテゴリと関心地点セットのカテゴリとの間の正規化されたジャッカード類似性、関心地点セット内の関心地点カテゴリセット間の正規化されたジャッカード距離、および関心地点セット内の関心地点の正規化された平均半径として定義される。

訪問情報は、時間または期間と関連してよく、訪問者情報は、訪問者が取得された関心地点を訪ずれた特定の時間または特定の期間に対して検索される。

複数のグループは、頻出アイテムセットマイニング技法によって形成されてよく、各グループは頻出アイテムセットであり、アイテムは訪問者の人口統計的属性および訪問者と関連する関心地点を含み、人口統計的属性は訪問者情報から取得される。

関心地点は、決定されたグループの特性の表示と結合されて提供されてよい。グループは、取得された複数の関心地点に関する情報およびユーザのフォトフォリオに基づいて決定されてよく、フォトフォリオは、ユーザが以前に選択および／または訪ずれた関心地点の表示を含む。

ユーザのプライバシーが保護されるように、グループは、取得された複数の関心地点の情報に基づいて決定されてよい。

上述した方法は、ユーザの位置を決定してよい。上述した方法は、ユーザの位置から事前に定義された半径に基づいて領域を決定してよい。上述した方法は、ユーザの位置から事前に定義された半径に基づいて領域を決定してよい。

訪問者に関する訪問者情報は、各訪問者に対して訪問者が関心地点を訪ずれた時間を含んでよい。

訪問者に関する訪問者情報は、各訪問者に対して訪問者の特性の表示を含んでよい。

訪問者に関する訪問者情報は、各訪問者に対して取得された複数の関心地点のうちで訪問者が特定の期間に訪ずれたすべての関心地点を含んでよい。

訪問者に関する訪問者情報は、各訪問者に対して取得された複数の関心地点の関心地点で訪問者が撮影した写真の数の表示を含んでよい。

訪問者に関する訪問者情報は、各訪問者に対して訪問者の友達の数の表示を含んでよい。

訪問者に関する訪問者情報は、各訪問者に対して訪問者が取得された関心地点うちで特定の関心地点を訪問した回数の表示を含んでよい。

訪問者に関する訪問者情報は、各訪問者に対して訪問者の年齢を含んでよい。

訪問者に関する訪問者情報は、各訪問者に対して訪問者の性別を含んでよい。

訪問者に関する訪問者情報は、各訪問者に対して訪問者の旅行回数の表示を含んでよい。

取得された複数の関心地点に関する情報は、取得された関心地点の各関心地点に対して評価点数の表示を含んでよい。

取得された複数の関心地点に関する情報は、取得された関心地点の各関心地点に対してカテゴリを含んでよい。

取得された複数の関心地点に関する情報は、取得された関心地点の各関心地点に対して価格帯を含んでよい。

取得された複数の関心地点に関する情報は、取得された関心地点の各関心地点に対して営業時間を含んでよい。

取得された複数の関心地点に関する情報は、取得された関心地点の各関心地点に対して混雑時間を含んでよい。

取得された複数の関心地点に関する情報は、取得された関心地点の各関心地点に対して訪問者総数を含んでよい。

取得された複数の関心地点に関する情報は、取得された関心地点の各関心地点に対して支払い方式を含んでよい。

取得された複数の関心地点に関する情報は、取得された関心地点の各関心地点に対して障害者の接近性を含んでよい。

取得された複数の関心地点に関する情報は、取得された関心地点の各関心地点に対して駐車場の有無を含んでよい。

取得された複数の関心地点に関する情報は、取得された関心地点の各関心地点に対して各関心地点の大きさを含んでよい。

以上のように、実施形態を、限定された実施形態および図面に基づいて説明したが、当業者であれば、上述した記載から多様な修正および変形が可能であろう。例えば、説明された技術が、説明された方法とは異なる順序で実行されたり、かつ／あるいは、説明されたシステム、構造、装置、回路などの構成要素が、説明された方法とは異なる形態で結合されたりまたは組み合わされたり、他の構成要素または均等物によって対置されたり置換されたとしても、適切な結果を達成することができる。

Claims (45)

1. 周囲の関心地点推薦（ｐｏｉｎｔ−ｏｆ−ｉｎｔｅｒｅｓｔ ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ）を正確かつ効率的に生成するためのコンピュータ実施方法であって、
   （ａ）領域（前記領域は、ユーザの位置と関連する前記ユーザによって選択された領域）に対して複数の関心地点を電子的に取得する段階、
   （ｂ）前記取得された複数の関心地点と関連する訪問者に関する訪問者情報、および前記取得された複数の関心地点に関する情報を含む関心地点データを電子的に検索する段階、
   （ｃ）前記訪問者情報に基づき、複数のグループ（前記複数のグループの各グループは、前記取得された複数の関心地点の関心地点と関連する）を電子的に形成する段階、
   （ｄ）複数のマインドセット（ｍｉｎｄｓｅｔ）関数からマインドセット関数（前記マインドセット関数は、事前に定義された関数を含む）を電子的に決定する段階、
   （ｅ）前記取得された複数の関心地点に関する前記情報および前記決定されたマインドセット関数に基づき、前記複数のグループからグループを電子的に決定する段階、および
   （ｆ）前記取得された複数の関心地点の関心地点（前記関心地点は、前記決定されたグループと関連する）をユーザに伝達する段階
   を含む、方法。
2. （ｇ）前記ユーザのユーザ入力（前記ユーザのユーザ入力に基づいて前記マインドセット関数が決定され、前記ユーザ入力は、前記マインドセット関数と関連するラベルの選択および前記ユーザに以前に提供された関心地点またはグループの選択を含む）を受信する段階、
   をさらに含む、請求項１に記載の方法。
3. 前記マインドセット関数は、前記ユーザと関連する現在時間とデータ、および前記マインドセット関数を最大化するグループと関連する関心地点の変数に基づいて決定され、前記変数は、前記取得された複数の関心地点に関する前記情報から取得される、
   請求項１に記載の方法。
4. 前記マインドセット関数は、前記ユーザと関連する現在時間とデータ、および前記マインドセット関数を最大化するグループと関連する関心地点の変数に基づいて決定され、前記変数は、前記取得された複数の関心地点に関する前記情報から取得される、
   請求項２に記載の方法。
5. 前記マインドセット関数は、前記事前に定義された関数の各関数に対する加重値を含み、前記加重値は、事前に定義された加重値およびユーザ固有の加重値を含み、前記ユーザ固有の加重値は、前記ユーザの入力によってアップデートされる、
   請求項２に記載の方法。
6. 前記マインドセット関数は、前記事前に定義された関数の各関数に対する加重値を含み、前記加重値は、事前に定義された加重値およびユーザ固有の加重値を含み、前記ユーザ固有の加重値は、前記ユーザの入力によってアップデートされる、
   請求項２に記載の方法。
7. 前記マインドセット関数は、前記ユーザと関連する現在時間とデータに基づいて決定される、
   請求項２に記載の方法。
8. 前記マインドセット関数は、前記ユーザと関連する現在時間とデータに基づいて決定される、
   請求項３に記載の方法。
9. 前記グループと関連する関心地点の変数は、前記マインドセット関数を最大化し、前記変数は、前記取得された複数の関心地点に関する前記情報から取得される、
   請求項２に記載の方法。
10. 前記グループと関連する関心地点の変数は、前記マインドセット関数を最大化し、前記変数は、前記取得された複数の関心地点に関する前記情報から取得される、
    請求項３に記載の方法。
11. 前記事前に定義された関数の各関数は、前記複数のグループのグループと関連する関心地点セット（ｓｅｔ ｏｆ ｐｏｉｎｔｓ−ｏｆ−ｉｎｔｅｒｅｓｔ）に対応する変数を入力として受け、前記事前に定義された関数の各関数は、
    前記関心地点セットの正規化された平均訪問者数、
    前記関心地点セットの正規化された平均評価点数、
    現在日付と前記関心地点セットの平均挿入日付との逆差分（ｉｎｖｅｒｓｅ ｄｉｆｆｅｒｅｎｃｅ）、
    都市の大きさに正規化された前記関心地点セット内の関心地点の地理的位置によって誘導された多角形の領域、
    前記関心地点セットの関心地点カテゴリと前記ユーザが訪ずれた関心地点の関心地点カテゴリとの間の正規化されたジャッカード距離（Ｊａｃｃａｒｄ ｄｉｓｔａｎｃｅ）、
    セットカテゴリと前記関心地点セットのカテゴリとの間の正規化されたジャッカード類似性、
    前記関心地点セット内の関心地点カテゴリセット（ｓｅｔｓ ｏｆ ｐｏｉｎｔ−ｏｆ−ｉｎｔｅｒｅｓｔ ｃａｔｅｇｏｒｉｅｓ）間の正規化されたジャッカード距離、および
    前記関心地点セット内の関心地点の正規化された平均半径
    によって定義される、
    請求項１に記載の方法。
12. 前記事前に定義された関数の各関数は、前記複数のグループのグループと関連する関心地点セットに対応する変数を入力として受け、前記事前に定義された関数の各関数は、
    前記関心地点セットの正規化された平均訪問者数、
    前記関心地点セットの正規化された平均評価点数、
    現在日付と前記関心地点セットの平均挿入日付との逆差分、
    都市の大きさに正規化された前記関心地点セット内の関心地点の地理的位置によって誘導された多角形の領域、
    前記関心地点セットの関心地点カテゴリと前記ユーザが訪ずれた関心地点の関心地点カテゴリとの間の正規化されたジャッカード距離、
    セットカテゴリと前記関心地点セットのカテゴリとの間の正規化されたジャッカード類似性、
    前記関心地点セット内の関心地点カテゴリセット間の正規化されたジャッカード距離、および
    前記関心地点セット内の関心地点の正規化された平均半径
    によって定義される、
    請求項２に記載の方法。
13. 前記事前に定義された関数の各関数は、前記複数のグループのグループと関連する関心地点セットに対応する変数を入力として受け、前記事前に定義された関数の各関数は、
    前記関心地点セットの正規化された平均訪問者数、
    前記関心地点セットの正規化された平均評価点数、
    現在日付と前記関心地点セットの平均挿入日付との逆差分、
    都市の大きさに正規化された前記関心地点セット内の関心地点の地理的位置によって誘導された多角形の領域、
    前記関心地点セットの関心地点カテゴリと前記ユーザが訪問した関心地点の関心地点カテゴリとの間の正規化されたジャッカード距離、
    セットカテゴリと前記関心地点セットのカテゴリとの間の正規化されたジャッカード類似性、
    前記関心地点セット内の関心地点カテゴリセット間の正規化されたジャッカード距離、および
    前記関心地点セット内の関心地点の正規化された平均半径
    によって定義される、
    請求項３に記載の方法。
14. 前記訪問者情報は、時間または期間と関連し、前記訪問者情報は、前記訪問者が前記取得された関心地点を訪ずれた特定の時間または特定の期間に対して検索される、
    請求項１に記載の方法。
15. 前記複数のグループは、頻出アイテムセットマイニング（ｆｒｅｑｕｅｎｔ ｉｔｅｍｓｅｔ ｍｉｎｉｎｇ）技法によって形成され、各グループは頻出アイテムセットであり、アイテムは前記訪問者の人口統計的属性および前記訪問者と関連する関心地点を含み、前記人口統計的属性は前記訪問者情報から取得される、
    請求項１に記載の方法。
16. 関心地点を前記ユーザに提供する段階は、各グループに対して最も多くの訪問者数を有する関心地点を提供する段階を含む、
    請求項１に記載の方法。
17. 関心地点は、前記決定されたグループの特性の表示と結合されて提供される、
    請求項１に記載の方法。
18. 関心地点は、前記決定されたグループの特性の表示と結合されて提供される、
    請求項１６に記載の方法。
19. 前記グループは、前記取得された複数の関心地点に関する前記情報および前記ユーザのフォトフォリオに基づいて決定され、前記フォトフォリオは、前記ユーザが以前に選択および／または訪ずれた関心地点の表示を含む、
    請求項１に記載の方法。
20. 前記ユーザのプライバシーが保護されるように、前記グループは、前記取得された複数の関心地点に関する前記情報に基づいて決定される、
    請求項１に記載の方法。
21. 前記ユーザのプライバシーが保護されるように、前記グループは、前記取得された複数の関心地点に関する前記情報に基づいて決定される、
    請求項１９に記載の方法。
22. 前記ユーザの位置を決定する段階
    をさらに含む、請求項１に記載の方法。
23. 前記ユーザの位置からの事前に定義された半径に基づいて前記領域を決定する段階
    をさらに含む、請求項１に記載の方法。
24. 前記ユーザの位置からの事前に定義された半径に基づいて前記領域を決定する段階
    をさらに含む、請求項２２に記載の方法。
25. 前記ユーザの位置からのユーザ指定半径に基づいて前記領域を決定する段階
    をさらに含む、請求項１に記載の方法。
26. 前記ユーザの位置からのユーザ指定半径に基づいて前記領域を決定する段階
    をさらに含む、請求項２２に記載の方法。
27. 前記訪問者に関する前記訪問者情報は、各訪問者に対して前記訪問者が関心地点を訪ずれた時間を含む、
    請求項１に記載の方法。
28. 前記訪問者に関する前記訪問者情報は、各訪問者に対して前記訪問者の特性の表示を含む、
    請求項１に記載の方法。
29. 前記訪問者に関する前記訪問者情報は、各訪問者に対して前記取得された複数の関心地点のうちで前記訪問者が特定の期間に訪ずれたすべての関心地点を含む、
    請求項１に記載の方法。
30. 前記訪問者に関する前記訪問者情報は、各訪問者に対して前記取得された複数の関心地点の関心地点で前記訪問者が撮影した写真の数の表示を含む、
    請求項１に記載の方法。
31. 前記訪問者に関する前記訪問者情報は、各訪問者に対して前記訪問者の友達の数の表示を含む、
    請求項１に記載の方法。
32. 前記訪問者に関する前記訪問者情報は、各訪問者に対して前記訪問者が前記取得された関心地点のうちで特定の関心地点を訪ずれた回数の表示を含む、
    請求項１に記載の方法。
33. 前記訪問者に関する前記訪問者情報は、各訪問者に対して前記訪問者の年齢を含む、
    請求項１に記載の方法。
34. 前記訪問者に関する前記訪問者情報は、各訪問者に対して前記訪問者の性別を含む、
    請求項１に記載の方法。
35. 前記訪問者に関する前記訪問者情報は、各訪問者に対して前記訪問者の旅行回数の表示を含む、
    請求項１に記載の方法。
36. 前記取得された複数の関心地点に関する前記情報は、前記取得された関心地点の各関心地点に対して評価点数の表示を含む、
    請求項１に記載の方法。
37. 前記取得された複数の関心地点に関する前記情報は、前記取得された関心地点の各関心地点に対してカテゴリを含む、
    請求項１に記載の方法。
38. 前記取得された複数の関心地点に関する前記情報は、前記取得された関心地点の各関心地点に対して価格帯を含む、
    請求項１に記載の方法。
39. 前記取得された複数の関心地点に関する前記情報は、前記取得された関心地点の各関心地点に対して営業時間を含む、
    請求項１に記載の方法。
40. 前記取得された複数の関心地点に関する前記情報は、前記取得された関心地点の各関心地点に対して混雑時間を含む、
    請求項１に記載の方法。
41. 前記取得された複数の関心地点に関する前記情報は、前記取得された関心地点の各関心地点に対して訪問者総数を含む、
    請求項１に記載の方法。
42. 前記取得された複数の関心地点に関する前記情報は、前記取得された関心地点の各関心地点に対して支払い方式を含む、
    請求項１に記載の方法。
43. 前記取得された複数の関心地点に関する前記情報は、前記取得された関心地点の各関心地点に対して障害者の接近性を含む、
    請求項１に記載の方法。
44. 前記取得された複数の関心地点に関する前記情報は、前記取得された関心地点の各関心地点に対して駐車場の有無を含む、
    請求項１に記載の方法。
45. 前記取得された複数の関心地点に関する前記情報は、前記取得された関心地点の各関心地点に対して各関心地点の大きさを含む、
    請求項１に記載の方法。

Images