Resumen

El presente trabajo es el resultado de la investigación "Locus Recommendation using Probabilistic Matrix Factorization Techniques" realizada en Manav Rachna International Institute of Research and Studies, India en el año 2019-20. Metodología: La factorización matricial es una técnica colaborativa basada en modelos para recomendar nuevos elementos a los usuarios.  Resultados: Los resultados experimentales en dos LBSN del mundo real mostraron que PFM supera consistentemente a PMF. Esto se debe a que la técnica se basa en la distribución gamma para el usuario modelo y la matriz de artículos. El uso de la distribución gamma es razonable para las frecuencias de registro, que son todas positivas en los conjuntos de datos reales. Sin embargo, PMF se basa en la distribución gaussiana, que también permite valores de frecuencia negativos. Conclusiones: El motivo del trabajo es identificar la mejor técnica para recomendar localizaciones con la mayor precisión y permitir a los usuarios elegir entre una plétora de localizaciones disponibles; la mejor e interesante localización basada en el perfil del individuo. Originalidad: Se ha realizado un análisis riguroso de las técnicas de Factorización Matricial Probabilística en LBSNs populares y se ha identificado la mejor técnica para la recomendación de localizaciones comparando la precisión viz RMSE, Precision@N, Recall@N, F1@N de los diferentes modelos. Limitaciones: La información contextual del usuario, como sus preferencias demográficas, sociales y geográficas, no se ha tenido en cuenta a la hora de evaluar la eficacia de las técnicas de factorización matricial probabilística para las recomendaciones de PDI.

1. INTRODUCCIÓN

Con el creciente desarrollo/advenimiento de la tecnología, las redes sociales basadas en la localización (LBSN), en particular Foursquare, Gowalla, Yelp y Facebook Places, son muy utilizadas en la actualidad. A través de las LBSN, los usuarios pueden dar a conocer su información geográfica y sus sentimientos sobre diversos lugares que han visitado o en los que tienen interés. La información de registro compartida ayudará a otros usuarios a identificar lugares y servicios populares, como restaurantes y centros comerciales, a través de la recomendación de POI; un importante servicio de LBSN que beneficia tanto a los usuarios de LBSN como a los propietarios de POI. Con la tecnología móvil, los usuarios pueden identificar sus PDI favoritos y disfrutar de una experiencia de usuario mejorada gracias a recomendaciones de PDI precisas. Los propietarios de los puntos de interés también pueden aprovechar las recomendaciones para acercarse a clientes específicos.

Una LBSN incluye una dimensión geolocalizada a las redes sociales en línea. La dimensión de la localización es ahora importante y constituye el vínculo entre el mundo real y el electrónico. La tecnología social y de localización ayuda a las personas a explorar actividades interesantes en su entorno mediante información extraída de su ubicación y datos geocodificados [1]. 

• Materias:Relaciones con los clientes Factorización de matriz Demografía
• Subjects:Customer relations Matrix factorization Demographics
• Palabras claves:Filtrado colaborativo; Filtrado de información; LBSN (Redes sociales basadas en ubicación); Factorización de matrices; PDI (Puntos de Interés)
• Keywords:Collaborative filtering; Information filtering; LBSN (Location-Based Social Networking); Matrix factorization; POI (Points of Interest)