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
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 Download PDFInfo
- Publication number
- JP2021086634A JP2021086634A JP2020196340A JP2020196340A JP2021086634A JP 2021086634 A JP2021086634 A JP 2021086634A JP 2020196340 A JP2020196340 A JP 2020196340A JP 2020196340 A JP2020196340 A JP 2020196340A JP 2021086634 A JP2021086634 A JP 2021086634A
- Authority
- JP
- Japan
- Prior art keywords
- interest
- points
- point
- user
- visitor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 149
- 230000006870 function Effects 0.000 claims abstract description 148
- 238000005065 mining Methods 0.000 claims description 14
- 238000003780 insertion Methods 0.000 claims description 9
- 230000037431 insertion Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 22
- 230000003993 interaction Effects 0.000 description 21
- 230000008569 process Effects 0.000 description 14
- 238000013459 approach Methods 0.000 description 13
- 230000004044 response Effects 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008451 emotion Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 208000019901 Anxiety disease Diseases 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- SNICXCGAKADSCV-UHFFFAOYSA-N nicotine Chemical compound CN1CCCC1C1=CC=CN=C1 SNICXCGAKADSCV-UHFFFAOYSA-N 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- BLJRIMJGRPQVNF-JTQLQIEISA-N (S)-timolol (anhydrous) Chemical compound CC(C)(C)NC[C@H](O)COC1=NSN=C1N1CCOCC1 BLJRIMJGRPQVNF-JTQLQIEISA-N 0.000 description 1
- 101100498818 Arabidopsis thaliana DDR4 gene Proteins 0.000 description 1
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 1
- 101100521334 Mus musculus Prom1 gene Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/024—Guidance services
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Library & Information Science (AREA)
- Remote Sensing (AREA)
- Development Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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 4th 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。
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。
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。
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。
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Pμ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(Pμ=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:2P−>[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Pμ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cμ=<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、cμ.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。
この反面、bi、m=1の場合、マインドセットmは、fi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。
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。
Pμ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,Pμ)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。
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cμ=<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cμ=<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PG
入力:訪問者Uおよび関心地点P、ユーザコンテキストcμ=<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PG
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=cμ.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))。
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。
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Pμに追加される。Pμに関するグループgの関連性、すなわち
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fi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)、wi、μの値は、μのfi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、fi=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、wi、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。
Pμ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Pμ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Pμ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cμ=<p.loc、t>に設定される。セット
セットζμは、ユーザμが自身の現在のコンテキスト時間cμ.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ζμ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cμ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Pμ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
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(ζμ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HRS@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)。
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)
- 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。 - (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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19306522.4A EP3828803A1 (en) | 2019-11-26 | 2019-11-26 | Ambient point-of-interest recommendation using look-alike groups |
EP19306522.4 | 2019-11-26 | ||
US16/945,043 US11490220B2 (en) | 2019-11-26 | 2020-07-31 | System and method for accurately and efficiently generating ambient point-of-interest recommendations |
US16/945,043 | 2020-07-31 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021086634A true JP2021086634A (ja) | 2021-06-03 |
JP2021086634A5 JP2021086634A5 (ja) | 2023-12-04 |
Family
ID=68917830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020196340A Pending JP2021086634A (ja) | 2019-11-26 | 2020-11-26 | 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 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11490220B2 (ja) |
EP (1) | EP3828803A1 (ja) |
JP (1) | JP2021086634A (ja) |
KR (1) | KR20210065040A (ja) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101595797B1 (ko) * | 2014-05-12 | 2016-02-22 | 네이버 주식회사 | 지도 서비스를 제공하기 위한 방법과 시스템, 그리고 기록 매체 및 파일 배포 시스템 |
US11694063B2 (en) * | 2018-10-25 | 2023-07-04 | Billips, Inc. | Machine-based prediction of visitation caused by viewing |
US11720590B2 (en) * | 2020-11-06 | 2023-08-08 | Adobe Inc. | Personalized visualization recommendation system |
CN113590971B (zh) * | 2021-08-13 | 2023-11-07 | 浙江大学 | 一种基于类脑时空感知表征的兴趣点推荐方法及系统 |
CN114036403B (zh) * | 2022-01-07 | 2022-03-25 | 智者四海(北京)技术有限公司 | 用户兴趣探测方法、装置和存储介质 |
CN114969567B (zh) * | 2022-08-02 | 2022-11-15 | 武汉大学 | 一种高性能时空轨迹关联分析方法、装置及设备 |
KR102539679B1 (ko) | 2023-02-01 | 2023-06-02 | (주)피플리 | 사용자의 경로를 이용하여 사용자 맞춤형 장소 추천 방법, 장치 및 시스템 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10769663B2 (en) * | 2011-03-07 | 2020-09-08 | Facebook, Inc. | Dynamic recommendation in geo-social networking system |
US20140309872A1 (en) * | 2013-04-15 | 2014-10-16 | Flextronics Ap, Llc | Customization of vehicle user interfaces based on user intelligence |
US9507749B2 (en) * | 2012-05-17 | 2016-11-29 | Jong W. Lee | Communication system and method of generating geographic social networks in virtual space |
US9197618B2 (en) * | 2012-12-31 | 2015-11-24 | Here Global B.V. | Method and apparatus for location-based authorization to access online user groups |
WO2017193666A1 (en) * | 2016-05-10 | 2017-11-16 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for recommending personalized content |
CA2976464A1 (en) * | 2016-08-16 | 2018-02-16 | Sergi Berna Sague | Method and system for wireless location and movement mapping, tracking and analytics |
US11120458B2 (en) * | 2018-03-09 | 2021-09-14 | International Business Machines Corporation | Group-based sequential recommendations |
EP3834167A4 (en) * | 2018-08-06 | 2022-05-04 | Olive Seed Industries, LLC | METHODS AND SYSTEMS FOR CUSTOMIZING LOCATION-LEVEL VISITOR EXPERIENCES |
-
2019
- 2019-11-26 EP EP19306522.4A patent/EP3828803A1/en not_active Withdrawn
-
2020
- 2020-07-31 US US16/945,043 patent/US11490220B2/en active Active
- 2020-11-11 KR KR1020200150053A patent/KR20210065040A/ko unknown
- 2020-11-26 JP JP2020196340A patent/JP2021086634A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
US20210160653A1 (en) | 2021-05-27 |
US11490220B2 (en) | 2022-11-01 |
KR20210065040A (ko) | 2021-06-03 |
EP3828803A1 (en) | 2021-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021086634A (ja) | 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 | |
JP5053283B2 (ja) | 分散型地理情報システムのエンティティ表示の優先順位付け | |
Bao et al. | Recommendations in location-based social networks: a survey | |
Kurashima et al. | Geo topic model: joint modeling of user's activity area and interests for location recommendation | |
Xiao et al. | Inferring social ties between users with human location history | |
Zhang et al. | iGSLR: personalized geo-social location recommendation: a kernel density estimation approach | |
Zeng et al. | A restaurant recommender system based on user preference and location in mobile environment | |
Fogli et al. | Exploiting semantics for context-aware itinerary recommendation | |
Bao et al. | A survey on recommendations in location-based social networks | |
KR101810279B1 (ko) | 위치-기반 개체에 대해 실시간으로 맞춤형 추천을 하는 방법 | |
US20190340537A1 (en) | Personalized Match Score For Places | |
Liu et al. | Points of interest recommendation from GPS trajectories | |
CN105532030A (zh) | 用于分析目标实体的移动的装置、系统和方法 | |
JP6725718B2 (ja) | 位置基盤情報探索方法およびコンピュータ装置 | |
Ma et al. | Location recommendation by combining geographical, categorical, and social preferences with location popularity | |
Doan et al. | Modeling location-based social network data with area attraction and neighborhood competition | |
Wang et al. | Knowledge graph-based spatial-aware user community preference query algorithm for lbsns | |
CN115408618A (zh) | 一种基于社交关系融合位置动态流行度和地理特征的兴趣点推荐方法 | |
KR20210065773A (ko) | 빅데이터 기반의 감성정보 분석평가 시스템 및 그 구동방법 | |
Zou et al. | An innovative GPS trajectory data based model for geographic recommendation service | |
Tu et al. | Activity recommendation with partners | |
Sakib | Preference Oriented Mining Techniques for Location based Point Search | |
Xie et al. | We know your preferences in new cities: Mining and modeling the behavior of travelers | |
KR102078619B1 (ko) | 위치기반 정보탐색 방법 및 시스템 | |
Chang et al. | Hotel recommendation based on surrounding environments |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231124 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20231124 |