A Location-Based Personal Semantic Web Recommender 基於地理位置的個人語義 Web 智能推薦

A Location-Based Personal Semantic WebRecommender基於地理位置的個人語義Web智能推薦 This paper appears in： Automation Quality and Testing Robotics(AQTR), 2012 IEEE International Conference on Publication Year: 2012 , Page(s): 486 – 490 Author(s)：George-Leonard Chetreanu, Alina Elena Mihăilă, IulianVascu,George-AlexandruVlad, Sabin C. Buraga, LenutaAlboaie Digital Object Identifier: 10.1109/AQTR.2012.6237653 演說者：戚嘉蓁指導老師：陳志達老師演說日期：2012.10.04

目錄 • Abstract 摘要 • Introduction 序論 • Concepts 概念 • Architecture 架構 • Knowledge Model 知識模型 • Technical Details 詳細技術資料 • Conclusions And Further Work 結論和之後的工作

摘要 • 以地理位置為基礎的服務被廣泛流傳在娛樂和商務應用中。這項工作的重點是對一個特定區域–進行POI(Points of Interest)查找或朋友搜索的服務。 • Keywords – semantic Web, recommender system, knowledgemodeling,social Web application, geo-location • 關鍵字–語義網，推薦系統，知識建模，社群網路應用，地理位置

序論 • 語義推薦系統(Semantic recommender systems)使用數據圖表來表示用戶的長期愛好。而協同過濾系統(collaborative filtering systems)會根據有相似數據圖表的其他用戶之資料來提出建議。 • 我們的目標是開發一個應用程序（稱為PERE），它不但會建議不同類別中用戶感興趣的資源，而且也會用互動的方式提供它們的物理位置信息。

序論 • 目前有一些類似的推薦系統，正在各種企業和行業提供公共線上服務： • •當用戶諮詢電子商務網站上的產品頁面，如Amazon.com，該應用程序還會根據其他客戶端一起購買的相關感興趣的項目數據來推薦其他的產品。 • •Pandora電台會根據用戶添加到播放列表中的關鍵字(標籤)與其他用戶列表中的關鍵字相關聯來建議使用播放列表的用戶。 • •Netflix會根據喜歡看電影的用戶建立檔案時，他/她以前的收視率和收看習慣和其他用戶的數據圖表進行比較，所得出的數據來進行建議。

概念 • 推薦系統的一個子類別:訊息過濾系統(Information filtering systems)，嘗試給出用戶對一個項目的評等及偏好的預測。為了給出準確的預測，系統可以使用演算法，如Pearson’s Correlation Algorithm能夠找到兩個連續變數之間的相關性。 • Pearson’s Correlation的值在-1.00和1.00之間。 • 在社群網路中，可找到偏好或興趣相似的鄰近特定用戶來計算Pearson Correlation係數。通過收集偏好數據的前N個最鄰近的特定用戶（加權後相似度），用戶的偏好是可以被預測的。

概念 • 相關係數值可以這樣被解釋： • • −1.0 to −0.7 a strong negative association. • • −0.7 to −0.3 a weak negative association. • • −0.3 to +0.3 a little or no association. • • +0.3 to +0.7 a weak positive association. • • +0.7 to +1.0 a strong positive association.

應用程式流程圖概述

應用程式流程架構 • A. Initialization 初始化 • B. Gathering social data 收集社群數據 • C. Searching recommended or custom POIs 搜索推薦或自定義興趣點 • D. Searching friends 搜尋朋友 • E. Signing out 登出

應用程式流程架構 • A. Initialization 初始化 • 在該步驟中，伺服器載入RDF（資源描述框架）到記憶體，並準備與客戶端進行互動。

應用程式流程架構 • B. Gathering social data 收集社群數據 • 首次使用的用戶必須允許追踪他/她的所在的位置(地區)。然後，客戶端連接到社群網路，用用戶提供的憑證來收集數據。使用收集到的數據來計算內部用戶的數據圖表。

應用程式流程架構 • C. Searching recommended or custom POIs 搜索推薦的或自定義興趣點 • 伺服器根據其他相似的用戶數據圖表來提供的POI類別推薦。 • 由用戶選擇所需的選項過濾，並把在他/她附近的POI的地理位置用地圖上的坐標顯示在互動地圖上。

應用程式流程架構 • D. Searching friends 搜尋朋友 • 該應用程序還為用戶提供了一個選項，使用PERE系統可以方便地找到他/她的朋友，從RDF讀取到他/她朋友的最新地理位置和精確定位信息。

應用程式流程架構 • E. Signing out 登出 • 用戶端登出時伺服器會更新應用程序給當前用戶的RDF數據。

知識模型 • 使用下面的RDF詞彙表： • foaf(Friend Of A Friend) • Geo • Conta • Pstcn • pere namespace

技術資料 • 允許瀏覽器對所在的地理位置偵測後，會顯示一個登錄表單給用戶，要求輸入他/她的Facebook的憑證。成功地完成驗證後，發出請求到Facebook API以獲取他/她的偏好和地圖中的朋友。 • 此時，用戶可以選擇感興趣的類別。目前支持的類別如下：朋友，加油站，餐館，商店，銀行，醫院，酒店等。以上這些類別及他們的地理位置信息會被儲存伺服器端的RDF中。

技術資料 • 用戶數據圖表是由他/她在Facebook上的各種活動進行量化。 • 將得到的用戶數據圖表用來計算的用戶之間的相似的程度並把進行數字列表。這在創建一個用戶數據圖表/人物角色方面的知識基礎上是個不錯的方法。

技術資料 • 用戶有權選擇看到他/她的朋友的位置，也可以使用PERE應用程序將他們的位置在地圖上精確定位。此外，提供直覺的用戶連線/離線狀態信息。 • 要獲得所需的信息，用戶可以選擇自三個可用選項：“搜尋所有”，“類似搜索”和“自行選擇”。 • 在“搜索”時，所有的POI使用Google Local Search API傳回給地圖上標明的當地用戶。如圖2。

技術資料

技術資料 • 使用者可以獲得的直觀指示如何獲得所需的POI從他/她的當前位置，並使用最簡單的路徑。此路徑是從google的API的建議路線。 • 當用戶退出登錄，他/她的狀態更新為“離線”，所以他/她的朋友都會知道他/她離開應用程序和他/她的地理位置可能會不準確。

結論 • PERE是一個語義的Web應用程序，使用智能推薦系統來建議相關資源的興趣點，並用公共的地理定位服務。 • 此外，應用程序可以很容易地擴展，以添加更多類別的搜索。 • 我們計劃在未來的版本中，增加一個功能，讓用戶能夠獲得多媒體（視頻/音頻）引導到任何一個選定的目標。

END

A Location-Based Personal Semantic Web Recommender 基於地理位置的個人語義 Web 智能推薦