RE-ENTRY TIMES FROM OMORI ANALYSIS (SELECTED BLASTS FROM SEPTEMBER 2006 – MAY 2007)0, 0, 0,
05 stockpiles, Progress Truck loading bays, Split Sets and Mesh + Securabolts + Fibrecrete
En el desarrollo del presente trabajo se ha puesto énfasis principalmente en la calidad de las recomendaciones realizadas por parte del sistema. Para ello se han utilizado premisas del comportamiento de las personas dentro de las redes sociales basadas en ubicación, hechos como el historial de visitas de los usuarios, el contenido de los tips dejados en los distintos lugares y las categorías de los lugares.
Para concluir con el presente trabajo, se presentan algunos posibles trabajos futuros que podrían desarrollarse en base al mismo:
● Investigar el efecto de los patrones temporales para generar recomendaciones.
Dentro de este análisis se encuentran los patrones secuenciales y los patrones periódicos:
○ Los patrones secuenciales hacen referencia al orden en el que los lugares son visitados. Por ejemplo: Visitar un bar luego de trabajar. Ir a un café luego de visitar un aeropuerto. Por lo general, situaciones como esta son modeladas haciendo uso de Modelos de Markov.
○ Los patrones periódicos hacen referencia al momento en el que son realizadas las acciones. En este caso, se intentaría modelar la preferencia de los usuarios por visitar lugares similares en determinados horarios y días. Por ejemplo: Los viernes por la noche algunos usuarios tienden a ir a cenar.
Existen trabajos relacionados con este tema en los cuales basarse como por ejemplo “Exploring Temporal Effects for Location Recommendation on Location-Based Social Networks”
escrito por Huiji Gao, Jiliang Tang, Xia Hu, y
Huan Liu.
● Investigar el efecto de los lazos sociales para generar recomendaciones.
En el trabajo Influence and correlation in social networks (Anagnostopoulos, Kumar, y Mahdian, 2008) sugiere considerar relación entre los lazos sociales y el movimiento de
las personas, ya que este último usualmente se ve afectado por el contexto social,
como visitar amigos, salir con compañeros de trabajo, viajar siguiendo las recomendaciones de amigos, etc. [35] Actualmente el informe Exploring Social-Historical Ties on Location-Based Social Networks (Huiji Gao, Jiliang Tang, y Huan Liu ) trata estas ideas. ● Investigar la efectividad de las recomendaciones al acotar el rango de movilidad sobre
la ubicación actual de un usuario dado. En este caso, se parte con la premisa de que el
usuario tiene un interés inmediato en realizar la visita a un lugar que esté dentro de sus
preferencias, por lo que la distancia del mismo al resultado recomendado resulta de
vital interés. En otras palabras, la probabilidad de que un usuario visite un sitio lejano
es baja. Si bien se sabe que en estos casos el sistema de recomendación retornará
resultados en menor tiempo, se debe intentar mantener la efectividad del mismo. En
este caso, basado en el trabajo realizado, previo a consultar por posibles
recomendaciones, se deben filtrar los lugares que superan una distancia a convenir de
la ubicación actual del usuario. ● Recomendaciones para un momento del día en particular. Este caso tiene como objetivo analizar qué lugares pueden llegar a ser de interés para usuario basado en su
historial de visitas pero en un momento del día determinado (mañana, tarde o noche,
por ejemplo). La premisa se formula basada en que un usuario puede manifestar interés por ciertas categorías en base a lo que acostumbra hacer por las mañanas, por
ejemplo, pero las mismas pueden perder efectividad si las recomendaciones son solicitadas en otro momento del día.
Bibliografía
[1]Freeman, L. (2004). The development of social network analysis
. A Study in the Sociology
of Science. Empirical Press.
[2] Number of check-ins by registered members on Foursquare locations from August 2011 to March 2015 (in millions).
Statista.Recuperada el 12/05/2016
(
http://www.statista.com/statistics/253838/number-of-check-ins-on-foursquare/)
[3] Porcel, C., Viedma, E. H., & Hidalgo, L. (2004). Sistemas de recomendaciones: herramientas para el filtrado de información en Internet
. Hipertext. net, (2), 22.
[4] Bao, J., Zheng, Y., Wilkie, D., & Mokbel, M. (2015). Recommendations in location-based social networks: a survey
. GeoInformatica, 19(3), 525-565.
[5] Wang, H., Terrovitis, M., & Mamoulis, N. (2013, November). Location recommendation in location-based social networks using user check-in data.
In Proceedings of the 21st ACM
SIGSPATIAL International Conference on Advances in Geographic Information Systems (pp. 374-383). ACM.
[6] Zheng, X., Xie, X..(2011) Location-Based Social Networks
. Microsoft Research.
Recuperado el
12/05/2016 (http://research.microsoft.com/en-us/projects/lbsn/ )
[7] Henriquez, N., Iglesias, A., Amaris, L., & Ropain, Y. (2017). Postgresql una alternativa efectiva en las empresas.
Revista Investigación y Desarrollo en TIC, 4(1).
[8] Gao, H., & Liu, H. (2014). Data analysis on location-based social networks.
In Mobile social
networking (pp. 165-194). Springer New York. (2014)
[9] Nieto, S. M. G. (2007). Filtrado colaborativo y sistemas de recomendación
. Inteligencia en
Redes de Comunicaciones. Madrid.[Links].
[10] Gómez Díaz, R. (2003), La evaluación en recuperación de la información en línea
.
"Hipertext.net", núm. 1. Recuperada el 02/07/2016
(https://www.upf.edu/hipertextnet/numero-1/evaluacion_ri.html#7)
[11]Avazpour, I., Pitakrat, T., Grunske, L., & Grundy, J. (2014). Dimensions and metrics for evaluating recommendation systems
. In Recommendation systems in software engineering
[12] Koren, Y., Bell, R., & Volinsky, C. (2009). Matrix factorization techniques for recommender systems
. Computer, 42(8).
[13]Girase, S., & Mukhopadhyay, D. (2015). Role of Matrix Factorization Model in Collaborative Filtering Algorithm: A Survey.
arXiv preprint arXiv:1503.07475.
[14] Polat H., Du W. (2005) SVD-based collaborative filtering with privacy. ACM SAC Symposium, pp. 791-795.
[15]Jolliffe I.T. (2002) Principal Component Analysis
. Series:Springer Series in Statistics , 2nd
ed., Springer, NY, 2002, XXIX, 487 p. 28 illus. ISBN 978-0-387-95442-4
[16] Turney, P. (2002). Thumbs Up or Thumbs Down? Semantic Orientation Applied to Unsupervised Classification of Reviews
. Proceedings of the Association for Computational
Linguistics. pp. 417–424.
[17] Medhat W., Hassan, A. and Korashy, H. (2014) Sentiment analysis algorithms and applications: A survey. Ain Shams Engineering Journal. 5 (4), pp. 1093–1113
[18] Yang D., Zhang D., Yu Z. & Wang Z..(2013) A sentiment-enhanced personalized location recommendation system. In Proceedings of the 24th ACM Conference on Hypertext and Social Media(HT’13), pages 119–128. ACM.
[19] Palacios Aguilar, P., & Ynga Palacios, C. (2015). Propuesta de implementación de un marco de trabajo para el desarrollo de aplicaciones Android
. Universidad Peruana de Ciencias
Aplicadas (UPC).
[20] Melo B., Caraciolo M.,Caspirro R., Rodrigo Vieira, (2010) Crab: A recommender system in Python
(https://github.com/muricoca/crab)
[21] Morita G. (2013) - A Collaborative Filtering Recommendation Engine for Node.js utilizing Redis (https://www.npmjs.com/package/raccoon)
[22] W3ii.com (2016).Mahout: Introducción.
W3ii.com. Recuperado el 25/09/2016
(http://www.w3ii.com/es/mahout/mahout_introduction.html)
[23] Apache Software Foundation. (2014). Recommender Documentation
. Apache Software
Foundation. Recuperado el 16/05/2016
(https://mahout.apache.org/users/recommender/recommender-documentation.html)
[24] Casinelli P.. (2014) Evaluating and Implementing Recommender Systems As Web Services Using Apache Mahout
[25] Bao J., Zheng Y., Wilkie D. & Mokbel M.. (2012). Location-based and preference-aware recommendation using sparse geo-social networking data
. In Proceedings of the 20th ACM
SIGSPATIAL Conference on Advances in Geographic Information Systems. ACM, 199–208. [26] Edwards, A. L.. (1976) The Correlation Coefficient. Ch. 4 in An Introduction to Linear Regression and Correlation. San Francisco, CA: W. H. Freeman, pp. 33-46.
[27] Rajaraman, A. & Ullman, J. D. (2011). "Data Mining". Mining of Massive Datasets
, pp.
1–17
[28] Schein A., Popescul A., Ungar L. & Pennock D.. (2002). Methods and Metrics for Cold-Start Recommendations
. Proceedings of the 25th Annual International ACM SIGIR
Conference on Research and Development in Information Retrieval (SIGIR 2002). New York City, New York: ACM. pp. 253–260.
[29] Mashape Inc. (2015) Sentiment Api Documentation
. Recuperada el 20/11/2016
(https://market.mashape.com/vivekn/sentiment-3)
[30] Berjani B. & Strufe T.. (2011). A recommendation system for spots in location-based online social networks
. In 4th Workshop on Social Network Systems.
[31] Esparza, E. (2016)
El fenómeno de las redes sociales. informador.mx.Recuperada el
28/11/2016
(http://www.informador.com.mx/suplementos/2009/158058/6/el-fenomeno-de-las-redes-sociale s.htm)
[32] Parra, D., & Sahebi, S. (2013). Recommender systems: Sources of knowledge and evaluation metrics. In Advanced Techniques in Web Intelligence-2 (pp. 149-175). Springer Berlin Heidelberg.
[33] Powers D.M.W. . (2011). Evaluation: From precision, recall and f-measure to roc, informedness, markedness & correlation.
Flinders University, South Australia, Australia :
Bioinfo Publications.
[34] Cheng C., Yang H., Lyu M. & King I.. (2013) . Where you like to go next: successive
point-of-interest recommendation.IJCAI '13 Proceedings of the Twenty-Third international joint
conference on Artificial Intelligence, pp. 2605-2611.
[35] Gao H., Tang J., & Liu H.. (2012). Exploring Social-Historical Ties on Location-Based Social Networks
[36] Rajendra, Qing W, Raj JD. (2015). Recommending news articles using cosine similarity function.
Warwick Business School Journal. 2015; 1–8.
[37] Ricci F., Rokach L. & Shapira B..(2011) Introduction to Recommender Systems Handbook, Recommender Systems Handbook