20935

۲۰۹۳۵

توصيه‌گر تطبيقي - نمايشي مكان‌هاي مورد‌علاقه كاربران با استفاده از متون و مكان‌هاي به‌اشتراك گذاشته‌شده در شبكه‌هاي اجتماعي

كارشناسي ارشد

نرم‌افزار

۱۳۹۵-۱۳۹۸

۱۳۹۸/۴/۳۰

دكتر محمدرضا كنگاوري

كامپيوتر

روزانه حجم عظيمي از داده‌ها مابين كاربران شبكه‌هاي اجتماعي ارسال مي‌شود كه امكان داده‌كاوي و استخراج اطلاعات مفيد توسط شركت‌ها را فراهم مي‌نمايد. بخش بزرگي از اين داده‌ها را متوني با اين ويژگي‌ها تشكيل مي‌دهند: اختلالات متني زياد، طول محدود، وجود كلمات مخفف و محتواي عاميانه. از اين رو برداشت معنائي از آن‌ها بسيار پيچيده است. همچنين آزمايش‌ها نشان مي‌دهند كه محتواي كوتاه-متن‌ها تحت تأثير زمان ارسال آن‌ها است. بخش ديگري از اين داده‌ها را داده‌هاي مكاني و مختصات جغرافيائي تشكيل مي‌دهند كه از تُنُكي بيش از اندازه رنج مي‌برند. از اين رو سيستم‌هايي كه از انواع داده‌اي متني، زماني و مكاني ارسالي در شبكه‌هاي اجتماعي به صورت هم‌زمان استفاده مي‌كنند، همچون توصيه‌گرهاي مكاني يا گردشگري، با چالش‌هاي متنوعي مواجه مي‌شوند. در اين پژوهش سيستمي طراحي و پياده‌سازي شده كه با استفاده از يك روش‌ تعبيه‌سازي كلمات حساس به زمان، ضمن برداشت معنائي از كوتاه-متن‌هاي پراختلال، الگوهاي زماني استفاده از كلمات را نيز در نظر مي‌گيرد. سپس روش‌هايي براي تبديل مفاهيم متنوع از جمله كوتاه-متن، محتوا، موضوع، خوشه و كاربر به بردار معرفي شده‌اند. اين عمل امكان تركيب مفاهيم مختلف با اجراي عملگرهاي رياضي بر روي بردارهاي آن‌ها را فراهم مي‌سازد. در ادامه براي استفاده از داده‌هاي مكاني، كاربران مختلف در چهار سطح كوچه، خيابان، محله و شهر با بردارهاي مكاني مربوط به آن سطح تعريف مي‌گردند. سيستم با توجه به بردارهاي به‌دست‌آمده، شباهت‌ متني-زماني و شباهت‌ مكاني كاربران را با هدف بررسي تاثير روش‌هاي مختلف بر نتايج نهائي محاسبه نموده و در انتها آن‌ها را تركيب مي‌نمايد. در نهايت يك رابط كاربري تطبيقي-نمايشي تحت وب براي تعامل كاربران با توصيه‌گر پياده‌سازي شده است تا مكان‌هاي بازديد‌شده توسط يك كاربر به شبيه‌ترين كاربر به او توصيه گردد. سيستم پياده‌سازي‌شده طي مجموعه‌اي از آزمون‌ها مورد آزمايش قرار گرفت. بر اساس نتايج حاصل از روش تعبيه سازي متني-زماني، ميزان دقّت بيشينه براي آزمون همانندي كلمات بر روي بردارهاي كلمات حاصل از مدل تعبيه‌سازي CBOW از ۱/۱۲ درصد به ۶/۱۳ درصد افزايش يافته است. همچنين شباهت‌ محتوائي و شباهت متني-زماني معرفي‌شده در اين پژوهش با كسب مقادير ۶۶/۴۴ و ۳۶/۸۵ درصد براي صحّت‌هاي وزن‌دار موضوعي و عادي از ساير روش‌هاي موجود عملكرد بهتري را در تشخيص كاربران مشابه نشان دادند.

1398/05/20

A Visual and Adaptive Recommendation System for Users' Point-Of-Interest Using Shared Text and Location in Social Networks

7/20/2020 12:00:00 AM

A massive amount of data is being sent daily between social network users which allows companies to extract and retrieve useful information from them. A large part of these data is composed of texts with these characteristics: high amount of noise, limited length, abbreviated words, and informal content. Hence, the semantic understanding of such texts would be very complex. Also, experiments show that short-text content is affected by the time they are sent in. Another part of this data is spatial data and geographic coordinates that suffer from excessive sparsity. Hence, the systems that use textual, temporal and spatial data types which were transmitted on social networks at the same time, such as location or tourism recommendation systems, face a variety of challenges to achieve the best results. In this research, a system is designed and implemented which uses a time-sensitive word embedding method for better short-text semantic understanding by taking into account the temporal patterns of words used. Then we propose a group of methods which convert various textual items such as short-text, content, concept, cluster, and user into vectors. It allows the combination of different textual items by executing mathematical operators on their vectors. Then to use spatial data, different users are defined at four levels of the alley, street, neighborhood, and city with the corresponding location vectors. The system, according to the obtained vectors, computes the textual-temporal similarity and spatial similarity of the users and combines them at the end. Finally, a web interface is implemented to support the user interactions with the recommender system to recommend POIs visited by a user to the most similar user to her/him. The implemented system was tested by a series of experiments. Based on the results of the textual-temporal embedding method, the maximum accuracy of the word-analogy test on the word vectors derived from the CBOW embedding model has increased from 12.1 percent to 13.6 percent. Also, the concept-based similarity and the textual-temporal similarity which are introduced in this study, with the values of 44.66 and 85.36 out of 100 for the concept-based and normal weighted precisions, exceeded the results from other existing methods and showed better performance in detecting similar users. The implemented Visual and adaptive recommender system has also met the objectives of this research work.