Journal of Geomatics Science and Technology

fa توصیه دنباله مکان-زمان در فضای داخلی مبتنی بر تحلیل شبکه های اجتماعی (مطالعه موردی: همایش علمی) Recommending Spatio-Temporal Sequence in indoor space based on social network analysis (case study: scientific conference) سامانه های اطلاعات مکانی GIS پژوهشي Research <div style="text-align: justify;">یک رویداد شامل بازیگران مختلفی است که مهم‌ترین آن‌ها شرکت‌کنندگان و آیتم‌های موجود در آن رویداد هستند. شرکت‌کنندگان نیاز دارند در زمان مناسب بیشترین بهره‌وری را از این رویداد‌ها داشته باشند. بنابراین ارایه دنباله‌ای از توصیه‌های مکان‌-زمان برای یک رویدادی چون همایش علمی، مساله بسیار قابل توجهی است. محیط همایش علمی یک فضای پویا بوده که در مکان و زمان‌های مختلف، آیتم‌های متفاوتی در حال برگزاری هستند. از سوی دیگر مکان کاربر در فضای همایش پیوسته در حال تغییر است. از این رو توصیه‌ به کاربران باید متناسب با مکان کاربر و زمان درخواست صورت گیرد. برای یافت راهحلی برای این مساله، با تمرکز روی مطالعه موردی همایشهای علمی، از توانایی سیستم‌های توصیه‌گر و تحلیلهای شبکه اجتماعی بهره بردیم. ویژگی‌های کاربران از صفحه شخصی آنها در شبکه‌ اجتماعی‌-علمی ResearchGate و وب‌سایت GoogleScholar استخراج شده است. روش توصیه‌گری پیشنهادی، تلفیقی از روش‌های پالایش اجتماعی، پالایش محتوا مبنا و پالایش مکان-‌زمان است. اطلاعات اجتماعی استخراج‌شده از منابع اطلاعاتی با استفاده از پالایش اجتماعی تحلیل‌شده و افراد مشابه به کاربر شناسایی می‌شوند.  پالایش اجتماعی برای رفع چالش شروع سرد، روابط افراد را تحلیل و با شناسایی افراد خبره، از اطلاعات محتوایی آن‌ها برای توصیه به کاربران جدید استفاده می‌نماید. برای هر کاربر اطلاعات محتوایی کاربران مشابه به همراه اطلاعات محتوایی کاربر وارد پالایش محتوا مبنا می‌شوند. در این پالایش مقدار مشابهت آیتم‌ها در هر پنجره‌ی زمانی با اطلاعات محتوایی کاربر محاسبه‌شده و بر اساس بیشترین شباهت اولویت‌بندی می‌شوند. برای این کار با استفاده از مدل مکانی گراف، فضای فیزیکی همایش به یک فضای محاسباتی تبدیل می‌شود. پالایش مکان‌-زمان با استفاده از این فضا‌ی محاسباتی و با در نظر گرفتن مکان و زمان درخواست کاربر و آیتم‌ها، بهینه‌ترین آیتم را به کاربر پیشنهاد داده و متناسب با آن دنباله‌ای از توصیه‌های مکان-زمان را به کاربر ارائه می‌کند. نحوه عملکرد سیستم در ارائه توصیه‌ به کاربران توسط پرسشنامه مورد ارزیابی قرار گرفت. طبق این نظرسنجی دقت توصیه‌های انجام‌شده با استفاده از روش پیشنهادی %74 و میزان توانایی اولویت‌‌بندی %93 ارزیابی شد. همچنین در نظرسنجی انجام‌شده  %76 کاربران جدید صحت هر دو خبره‌ی معرفی‌شده را تایید کردند.</div> <div style="text-align: justify;">Every year, various events such as exhibitions and conferences are held all over the world. An event consists of various actors, the most important of which are the participants and the items in that event. Participants need to get the most out of these events at the right time. Therefore, providing a sequence of space-time recommendations for an event such as a scientific conference is a very significant issue. The scientific conference environment is a dynamic space where different items are held in different places and times. On the other hand, the location of the user in the conference space is constantly changing. Therefore, recommendations to users should be made according to the location of the user and the time of the request. To find a solution for this problem, focusing on the case study of scientific conferences, we used the ability of recommender systems and social network analysis. The characteristics of the users were extracted from their pages on the social-scientific network ResearchGate and the Google Scholar website.</div> <div style="text-align: justify;">The suggested recommendation method is a combination of social filtering, content-based filtering, and Spatio-temporal filtering methods. The extracted social information from the sources is analyzed by social filtering methods. As a result, similar participants to the user are recognized. The content information of these recognized participants is used to improve recommendations and prevent over-specialization. In addition, social filtering analyzes the relationship among the participations to solve the cold start problem and by recognizing expert participation, it uses their content information to recommend to new users. Content information of the user and similar participation to this user inter the content-based filtering for each user. In this filtering, the similarity value of items with the content information of the user is calculated for each time window. For this purpose, using the spatial graph model, the conference space becomes a computing space. Space-time refinement by using this computing space and taking into account the location and time of the user's request and the items, suggests the most optimal item to the user and follows it by providing the space-time suggestions to the user. The performance of the system in providing suggestions to users was evaluated by a questionnaire. According to this survey, the accuracy of the recommendations made using the proposed method was evaluated at 74%, and the prioritization ability at 93%. Also, in the survey conducted, the ability to recognize experts for a new user was investigated. As a result, 76% of new users confirmed the authenticity of both introduced experts.  </div> توصیه دنباله مکان-زمان, شبکه‌های اجتماعی, پالایش مکان-زمان, توصیه در رویداد, Recommendation of Spatio-Temporal Sequence, Social Networks, Spatio-Temporal Filtering, Recommendation in Events 43 57 http://jgst.issgeac.ir/browse.php?a_code=A-10-30-7&slc_lang=fa&sid=1 Mohammad Malek مجمد رضا ملک mrmalek@kntu.ac.ir 100319475328460010869 100319475328460010869 Yes K.N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Mahdi Habibian مهدی حبیبیان mh.11711@yahoo.com 100319475328460010870 100319475328460010870 No K.N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Mohammad Karimi محمد کریمی m.karimi@kntu.ac.ir 100319475328460010871 100319475328460010871 No K.N. Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی