Resumen

Un número creciente de usuarios se ha sentido atraído por las redes sociales basadas en la ubicación (LBSNs) en los últimos años. Mientras tanto, el contenido generado por el usuario en LBSNs en línea, como la información espacial, temporal y social, proporciona una oportunidad cada vez mayor para estudiar el movimiento del comportamiento humano a partir de sus patrones de movilidad espacio-temporal y genera una gran cantidad de aplicaciones basadas en la ubicación. Por ejemplo, una de esas aplicaciones es producir recomendaciones personalizadas de puntos de interés (POI) en los que los usuarios estén interesados. A diferencia de los métodos de recomendación tradicionales, las recomendaciones en LBSNs vienen con dos dimensiones vitales, a saber, geográfica y temporal. Sin embargo, los métodos propuestos anteriormente no exploran adecuadamente la influencia geográfica y temporal. Por lo tanto, fusionar las influencias geográficas y temporales para una mayor precisión en las recomendaciones en LBSNs sigue siendo potencial. En este trabajo, nuestro objetivo es generar una lista de recomendaciones principales de POIs para

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Redes sociales basadas en la ubicación; Contenido generado por el usuario; Patrones de movilidad espacio-temporal; Recomendaciones de puntos de interés; Influencia geográfica; Influencia temporal
• Keywords:Location-based social networks; User-generated content; Spatiotemporal mobility patterns; Point of interest recommendations; Geographical influence; Temporal influence