Notice bibliographique
Résumé
Point of Interest (POI) recommender systems help provide their users with a location or place that they might be interested in visiting.When combined with Location-Based Social Networks (LBSNs), POI recommender systems can be restructured to recommend POI for groups of users and not just individuals.The research focused on Group Recommender Systems (GRSs) and specifically, POI GRSs are scarce when compared to recommender systems for individuals.There are two main techniques that are used for POI GRSs, the Group Profiling methods and the Users Score Aggregation methods.Both methods have their drawbacks, as the Group Profiling methods do not recommend well for new groups and the Users Score Aggregation methods generally do not perform as well as the Group Profiling methods for established groups.In this paper, we propose new result aggregation methods that use both the Group Profiling method and the Users Score Aggregation method's results to provide the best POI group recommendations without the aforementioned drawbacks.Using the check-ins of a group's subgroups and supergroups, we formulated connection and typicality metrics to establish an influencing factor for each user in the decision-making process of the group.The proposed result aggregation methods are tested against various POI GRSs.The tests showed that the result aggregation methods did outperform both the Group Profiling methods and the Users Score Aggregation methods, as well as showing that subgroups and supergroups check-ins are effective for establishing user influence factors.i B.63 GTT results for new groups using POP on Mexico City's dataset . .C.1 LM results using SGD on Istanbul's dataset . . . . . . . . . . . . . .C.2 AVM results using SGD on Istanbul's dataset . . . . . . . . . . . . .C.3 AVG results using SGD on Istanbul's dataset . . . . . . . . . . . . . .C.4 UUI results using SGD on Istanbul's dataset . . . . . . . . . . . . . .C.5 UUT results using SGD on Istanbul's dataset . . . . . . . . . . . . .C.6 LM results using IALS on Istanbul's dataset . . . . . . . . . . . . . .C.7 AVM results using IALS on Istanbul's dataset . . . . . . . . . . . . .C.8 AVG results using IALS on Istanbul's dataset . . . . . . . . . . . . .C.9 UUI results using IALS on Istanbul's dataset . . . . . . . . . . . . . .C.10 UUT results using IALS on Istanbul's dataset . . . . . . . . . . . . .C.11 LM results using POP on Istanbul's dataset . . . . . . . . . . . . . .C.12 AVM results using POP on Istanbul's dataset . . . . . . . . . . . . .C.13 AVG results using POP on Istanbul's dataset . . . . . . . . . . . . .C.14 UUI results using POP on Istanbul's dataset . . . . . . . . . . . . . .x C.15 UUT results using POP on Istanbul's dataset . . . . . . . . . . . . .C.16 LM results using SGD on Izmir's dataset . . . . . . . . . . . . . . . .C.17 AVM results using SGD on Izmir's dataset . . . . . . . . . . . . . . .C.18 AVG results using SGD on Izmir's dataset . . . . . . . . . . . . . . .C.19 UUI results using SGD on Izmir's dataset . . . . . . . . . . . . . . .C.20 UUT results using SGD on Izmir's dataset . . . . . . . . . . . . . . .C.21 LM results using IALS on Izmir's dataset . . . . . . . . . . . . . . . .C.22 AVM results using IALS on Izmir's dataset . . . . . . . . . . . . . . .C.23 AVG results using IALS on Izmir's dataset . . . . . . . . . . . . . . .C.24 UUI results using IALS on Izmir's dataset . . . . . . . . . . . . . . .C.25 UUT results using IALS on Izmir's dataset . . . . . . . . . . . . . . .C.26 LM results using POP on Izmir's dataset . . . . . . . . . . . . . . . .C.27 AVM results using POP on Izmir's dataset . . . . . . . . . . . . . . .C.28 AVG results using POP on Izmir's dataset . . . . . . . . . . . . . . .C.29 UUI results using POP on Izmir's dataset . . . . . . . . . . . . . . .C.30 UUT results using POP on Izmir's dataset . . . . . . . . . . . . . . .C.31 LM results using SGD on Mexico City's dataset . . . . . . . . . . . .C.32 AVM results using SGD on Mexico City's dataset . . . . . . . . . . .C.33 AVG results using SGD on Mexico City's dataset . . . . . . . . . . .C.34 UUI results using SGD on Mexico City's dataset . . . . . . . . . . . .C.35 UUT results using SGD on Mexico City's dataset . . . . . . . . . . .C.36 LM results using IALS on Mexico City's dataset . . . . . . . . . . . .C.37 AVM results using IALS on Mexico City's dataset . . . . . . . . . . .C.38 AVG results using IALS on Mexico City's dataset . . . . . . . . . . .
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,005 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».