下载掌阅APP，畅读海量书库
立即打开
互联网上已经有许多社交网络服务，在本节中，我们将重点介绍基于位置的社会网络（LBSN），它们在文献 [171-172] 中的正式定义如下：
基于位置的社交网络不仅是在现有社交网络中添加一个位置，以便社交结构中的人们可以分享嵌入位置信息的内容，还包括由相互依赖的个体构成的新社交结构 。 这种相互依赖来自现实世界中个体的位置以及个体带位置标记的媒体内容（如照片 、 视频和文本）。在这里，现实世界的位置包括个体在给定时间戳的即时位置以及个体在某个时期内积累的位置历史。此外 ， 相互依赖不仅包括两个人在同一位置共同出现或具有类似的位置历史，还包括从个体的位置（历史）和带位置标记的数据中推断出的知识，例如共同兴趣、行为和活动。
LBSN弥合了用户在数字世界和物理世界中的行为之间的差距 [37] ，这与城市计算的性质相匹配。在LBSN中，人们不仅可以追踪和分享个体的位置相关信息，还可以利用从用户生成的和与位置相关的内容（如签到、GPS轨迹和带地理标记的照片 [180，186] ）中学到的协同社交知识。LBSN的例子包括广泛使用的Foursquare和一个名为GeoLife [178，190] 的研究原型。通过LBSN，我们可以分别理解用户和位置，并探索它们之间的关系。关于LBSN的更多细节可以在参考文献 [171，189] 中找到，关于LBSN中推荐系统的调查在参考文献 [13] 中。在这里，我们分别从用户和位置的角度讨论对LBSN的研究。
个体在现实世界中的位置历史在一定程度上反映了其兴趣和行为。因此，那些具有类似位置历史的人很可能有共同的兴趣和行为。从用户的位置历史推断出的用户之间的相似性可以用于朋友推荐 [81] （这即使在用户之前可能不认识对方的情况下也能将兴趣相似的用户连接起来），以及社区发现（这能识别出一群具有共同兴趣的人）。
为了更好地估计用户之间的相似性，须考虑更多的信息，例如参考文献 [193] 中的地点之间的访问序列、地点的地理空间粒度以及地点的流行度。此外，为了能够计算居住在不同城市中的用户（即在用户的位置历史中地理空间重叠很少）的相似性，Xiao等人 [142-143] 通过考虑用户访问地点中的POI类别，将Zheng的研究从物理位置扩展到位置的语义空间。
通过用户的位置信息，我们能够识别出比其他人更了解某个地区（或某个主题，如购物）的本地专家。他们的旅行经历（例如，他们去过的地方）对于旅行推荐来说更具可靠性和价值。例如，本地专家比一些游客更有可能了解高品质的餐厅 [194] 。
社交媒体数据，尤其是带地理标记的推文、照片和签到，不仅可以帮助我们了解个人生活模式 [149] ，而且当汇总使用时，还可以了解城市的动态 [37] 、主题 [150] 、行为模式 [133] 或生活方式 [161] 。我们还可以根据两个地点产生的社交媒体内容计算两个城市之间的相似性。
在陌生的城市中找到最有趣的地方是游客在旅行时想要完成的一般任务 [194] 。然而，对一个地点的感兴趣程度不仅取决于到访该地点的人数，还取决于这些人的旅行知识。例如，一个城市中人们到访最多的地方可能是火车站或机场，这些地方并不是对有趣位置的推荐，一些吸引有经验（即拥有丰富旅行知识）的人的地方才确实有趣。问题在于如何确定一个人的旅行经验。
如图2.16所示，Zheng等人 [194] 在用户和地点之间构建了一个二分图，并采用了一种基于超文本诱导主题搜索（HITS）的模型来推断地点的有趣程度和用户的旅行知识。基本思想是用户的旅行经验和地点的有趣程度之间存在相互加强的关系。更具体地说，一个用户的知识可以表示为该用户去过地点的有趣程度的总和，一个地点的有趣程度则表示为去过该地点的用户知识之和。
图2.16 推断最有趣的地方和最有经验的用户
在某些场景中，我们可以在提出位置推荐时考虑用户的偏好（例如，喜欢意大利食物和看电影）和上下文（如当前位置和时间） [88，148] 。一种简单的方法是构建一个用户-位置矩阵，其中每一行代表一个用户，每一列代表一个位置，每个元素代表特定用户去特定位置的次数。然后可以使用一些协同过滤方法来填充没有值的元素。这种方法仅根据代表两个用户位置历史的两行来计算用户之间的相似性，而不考虑例如上述位置之间的访问序列等有用信息。
考虑到这些丰富的信息，Zheng等人 [81] 将他们在论文中推断出的用户相似性纳入一个基于用户的协同过滤（CF）模型中，以推断用户-位置矩阵中的缺失值。尽管这种方法对用户相似性有更深入的理解，但它受到用户数量增加的影响，因为模型需要计算每对用户之间的相似性。为了解决这个问题，文献 [188] 提出了基于位置的协同过滤。这个模型根据去这些地点的用户的位置历史计算地点之间的相关性 [187] 。然后，将这种相关性用作基于物品的CF模型中地点之间的某种相似性。鉴于有限的地理空间（即地点的数量是有限的），这种基于位置的模型对于实际系统来说更加实用。
由于用户只能访问有限数量的位置，用户-位置矩阵非常稀疏，这对传统的基于CF的位置推荐系统构成了巨大挑战。当人们到一个他们从未去过的新城市旅行时，问题变得更加具有挑战性。为此，Bao等人 [13] 提出了一种基于位置和偏好感知的推荐系统，该系统为特定用户在地理空间范围内提供一组场所（如餐厅和购物中心），同时考虑了（1）用户个人偏好，这些偏好自动从用户的位置历史中学习得到；（2）社交观点，这些观点从当地专家的位置历史中挖掘得到。这个推荐系统不仅可以帮助人们在他们的居住地附近旅行，还可以帮助他们到一个对他们来说全新的城市旅行。
有时，用户需要一个根据他们的旅行时长和出发地点精心设计的行程。行程不仅包括独立的地点，还包括连接这些地点的详细路线和一个适当的时间表，例如到达某个地点的最佳时间和在那里停留的适当时间长度。Yoon等人 [151-152] 通过学习人们的大量GPS轨迹数据来规划旅行。Wei等人 [137] 通过学习许多签到数据点来确定在两个查询点之间最可能的旅行路线。
该推荐器为用户提供两种类型的推荐：（1）在给定地点可以进行的最受欢迎的活动；（2）进行给定活动（如购物）的最受欢迎的地点。这两类推荐可以从大量带有活动标签的用户位置历史中挖掘出来。为了成功生成这两种类型的推荐，Zheng等人 [196] 提出了一种上下文感知协同过滤模型，该模型采用矩阵分解方法求解。
此外，Zheng等人 [195，197] 将位置-活动矩阵扩展到张量，将用户视为第三个维度。基于上下文感知张量分解方法，提出了一种个性化的位置-活动推荐。