BRILHANTE, Igo Ramalho. Recommending places based on the wisdom-of-the-crowd. 2016. 164 f. Tese (Doutorado em Ciência da Computação)-Universidade Federal do Ceará, Fortaleza, 2016. / Submitted by Anderson Silva Pereira (anderson.pereiraaa@gmail.com) on 2017-06-08T21:15:36Z No. of bitstreams: 1 2016_tese_irbrilhante.pdf: 14886146 bytes, checksum: 6613aa522f50b0c6b1733926b9d1cd5d (MD5) / Approved for entry into archive by Rocilda Sales (rocilda@ufc.br) on 2017-06-09T11:12:35Z (GMT) No. of bitstreams: 1 2016_tese_irbrilhante.pdf: 14886146 bytes, checksum: 6613aa522f50b0c6b1733926b9d1cd5d (MD5) / Made available in DSpace on 2017-06-09T11:12:35Z (GMT). No. of bitstreams: 1 2016_tese_irbrilhante.pdf: 14886146 bytes, checksum: 6613aa522f50b0c6b1733926b9d1cd5d (MD5) Previous issue date: 2016 / The collective opinion of a great number of users, popularly known as wisdom of the crowd, has been seen as powerful tool for solving problems. As suggested by Surowiecki in his books, large groups of people are now considered smarter than an elite few, regardless of how brilliant at solving problems or coming to wise decisions they are. This phenomenon together with the availability of a huge amount of data on the Web has propitiated the development of solutions which employ the wisdom-of-the-crowd to solve a variety of problems in different domains, such as recommender systems, social networks and combinatorial problems. The vast majority of data on the Web has been generated in the last few years by billions of users around the globe using their mobile devices and web applications, mainly on social networks. This information carries astonishing details of daily activities ranging from urban mobility and tourism behavior, to emotions and interests. The largest social network nowadays is Facebook, which in December 2015 had incredible 1.31 billion mobile active users, 4.5 billion “likes” generated daily. In addition, every 60 seconds 510 comments are posted, 293,000 statuses are updated, and 136,000 photos are uploaded. This flood of data has brought great opportunities to discover individual and collective preferences, and use this information to offer services to meet people’s needs, such as recommending relevant and interesting items (e.g. news, places, movies). Furthermore, it is now possible to exploit the experiences of groups of people as a collective behavior so as to augment the experience of other. This latter illustrates the important scenario where the discovery of collective behavioral patterns, the wisdom-of-the-crowd, may enrich the experience of individual users. In this light, this thesis has the objective of taking advantage of the wisdom of the crowd in order to better understand human mobility behavior so as to achieve the final purpose of supporting users (e.g. people) by providing intelligent and effective recommendations. We accomplish this objective by following three main lines of investigation as discussed below. In the first line of investigation we conduct a study of human mobility using the wisdom-of-the-crowd, culminating in the development of an analytical framework that offers a methodology to understand how the points of interest (PoIs) in a city are related to each other on the basis of the displacement of people. We experimented our methodology by using the PoI network topology to identify new classes of points of interest based on visiting patterns, spatial displacement from one PoI to another as well as popularity of the PoIs. Important relationships between PoIs are mined by discovering communities (groups) of PoIs that are closely related to each other based on user movements, where different analytical metrics are proposed to better understand such a perspective. The second line of investigation exploits the wisdom-of-the-crowd collected through user-generated content to recommend itineraries in tourist cities. To this end, we propose an unsupervised framework, called TripBuilder, that leverages large collections of Flickr photos, as the wisdom-of-the-crowd, and points of interest from Wikipedia in order to support tourists in planning their visits to the cities. We extensively experimented our framework using real data, thus demonstrating the effectiveness and efficiency of the proposal. Based on the theoretical framework, we designed and developed a platform encompassing the main features required to create personalized sightseeing tours. This platform has received significant interest within the research community, since it is recognized as crucial to understand the needs of tourists when they are planning a visit to a new city. Consequently this led to outstanding scientific results. In the third line of investigation, we exploit the wisdom-of-the-crowd to leverage recommendations of groups of people (e.g. friends) who can enjoy an item (e.g. restaurant) together. We propose GroupFinder to address the novel user-item group formation problem aimed at recommending the best group of friends for a < user, item > pair. The proposal combines user-item relevance information with the user’s social network (ego network), while trying to balance the satisfaction of all the members of the group for the item with the intra-group relationships. Algorithmic solutions are proposed and experimented in the location-based recommendation domain by using four publicly available Location-Based Social Network (LBSN) datasets, showing that our solution is effective and outperforms strong baselines. / A opinião coletiva de um grande número de usuários, popularmente conhecida como wisdom-of-the-crowd, tem sido vista como poderosa ferramenta para resolver problemas. Como sugerido por Surowiecki em seus livros, grandes grupos de pessoas são considerados mais inteligentes do que uma elite de poucos, independentemente de quão brilhante na resolução de problemas ou tomadas de decisões sábias esses são. Este fenômeno, juntamente com a disponibilidade de uma enorme quantidade de dados na Web propiciou o desenvolvimento de soluções que empregam a sabedoria da multidão para resolver uma variedade de problemas em diferentes domínios, tais como sistemas de recomendação, redes sociais e problemas combinatoriais. A grande maioria dos dados na Web tem sido gerada nos últimos anos por bilhões de usuários em todo o mundo através de seus dispositivos móveis e aplicações web, principalmente em redes sociais. Esta informação carrega detalhes surpreendentes sobre as atividades dia ́rias, que variam da mobilidade urbana e comportamento de turismo, à emoções e interesses. Atualmente, a maior rede social é o Facebook, que em dezembro de 2015 tinha incríveis 1.31 bilhões de usuários (móveis) ativos, 4.5 bilhões de “likes” gerados diariamente. Além disso, a cada 60 segundos, 510 comentários são publicados, 293.000 status são atualizados e 136.000 fotos são enviadas. Esta inundação de dados trouxe grandes oportunidades para delinear as preferências individuais e coletivas, e usar essas informações para oferecer serviços para atender às necessidades das pessoas, como recomendar itens relevantes e interessantes (por exemplo, notícias, lugares, filmes). Ainda, é possível explorar as experiências de grupos de pessoas como um comportamento coletivo para aumentar a experiência de outros. Este último ilustra o cenário importante onde a descoberta de padrões comportamentais coletivos, a sabedoria da multidão, pode enriquecer a experiência de usuários individuais. Neste sentido, esta tese tem o objetivo de aproveitar a sabedoria da multidão para entender melhor o comportamento da mobilidade humana de modo a alcançar o propósito final de auxiliar os usuários (por exemplo, pessoas), fornecendo recomendações inteligentes e eficazes. Alcançamos esse objetivo seguindo três linhas principais de investigação, conforme discutido abaixo. Na primeira linha de investigação, realizamos um estudo sobre a mobilidade humana usando a sabedoria da multidão, culminando no desenvolvimento de uma estrutura analítica que oferece uma metodologia para entender como os pontos de interesse (PoIs) em uma cidade estão relacionados com base no deslocamento de pessoas. Experimentamos nossa metodologia usando a topologia de rede de PoIs para identificar novas classes de pontos de interesse com base em padrões de visitas, deslocamento espacial de um PoI para outro, bem como popularidade dos mesmos. Relações importantes entre PoIs são mineradas pela descoberta de comunidades (grupos) de PoIs que estão intimamente relacionadas entre si com base nos movimentos do usuário, onde diferentes métricas analíticas são propostas para entender melhor tal perspectiva. A segunda linha de investigação explora a sabedoria da multidão coletada através de conteúdo gerado por usuários para recomendar itinerários em cidades turísticas. Para isso, propomos uma estrutura não supervisionada, chamada TripBuilder, que alavanca grandes coleções de fotos do Flickr e pontos de interesse da Wikipedia, a fim de auxiliar os turistas no planejamento de suas visitas às cidades. Experimentamos extensivamente nossa estrutura usando dados reais, demonstrando assim a eficácia e eficiência da proposta. Com base no arcabouço teórico, desenhamos e desenvolvemos uma plataforma que engloba as principais características necessárias para a realização de passeios turísticos personalizados. Esta plataforma tem recebido um interesse significativo dentro da comunidade de pesquisa, uma vez que este tem sido reconhecido como crucial para entender as necessidades dos turistas quando eles estão planejando uma visita a uma nova cidade. Consequentemente, isto levou a resultados científicos notáveis. Na terceira linha de investigação, exploramos a sabedoria da multidão para realizar recomendações de grupos de pessoas (por exemplo, amigos) que pudessem desfrutar de um determinado item (por exemplo, restaurante) em conjunto. Propomos GroupFinder para abordar o novo problema de formação de grupo de usuário-item destinado a recomendar o melhor grupo de amigos para um determinado par < usuário,item >. A proposta combina informações sobre a relevância do item para o usuário juntamente com a rede social deste (ego network), ao mesmo tempo em que tenta equilibrar a satisfação de todos os membros do grupo pelo item com as relações intra-grupais. Soluções algorítmicas são propostas e experimentadas no domínio de recomendação baseado em localização, utilizando quatro base de dados de rede sociais baseados em local (LBSN) publicamente disponíveis, mostrando que nossa solução é eficaz e supera baselines definidos.

O cada vez maior número de tecnologias que fornecem serviços de geolocalização tem possibilitado gerar uma grande quantidade de dados de geolocalização. Estes dados, são armazenados principalmente como pontos de localização com informação temporal. Uma trajetória é definida como uma sequência discreta e finita destes pontos de localização. Nos últimos anos, a recente área de mineração de trajetórias visa aproveitar esta abundância de dados. Nesta área, existem várias técnicas de mineração desenvolvidas, mas todas elas dependem diretamente da qualidade das trajetórias. Assim, o preprocessamento tem um papel primordial na mineração de trajetórias. Entre as tarefas de preprocessamento, um problema relevante é a reconstrução ou inferência de trajetórias. Devido ao alto consumo de energia de dispositivos de localização como o GPS e ao crescente uso de geo-marcações nas redes sociais, que possibilita a construção de trajetórias ordenando temporalmente estas marcações, muitas das trajetórias existentes apresentam taxas de amostragem muito baixas. A maioria das pesquisas nesse problema utilizam, no caso de áreas urbanizadas, informações do grafo formado por ruas e cruzamentos. Porém, elas levam em conta apenas trajetórias de veículos principalmente pelo fato que muitos dos percursos dos pedestres ficam fora das ruas. Atualmente, graças às plataformas livres de mapas colaborativos, é possível incluir estes trajetos como parte das informações de ruas. Assim, este projeto tem o objetivo de investigar o uso das informações das ruas na reconstrução de trajetórias, principalmente de pedestres. O escopo da proposta compreende o desenvolvimento de uma rede social geo-localizada com o intuito de capturar dados de localização. Posteriormente, estes dados serão anonimizados, utilizados na reconstrução de trajetórias de pedestres e disponibilizados para uso em pesquisas futuras. / The ever-greater number of technologies providing location-based services has allowed the generation of big amounts of geolocation data. This data is mainly stored as location points in conjunction with temporal information. A trajectory is defined as a discrete and finite sequence of this kind of points. In recent years, the relatively new field of trajectory data mining aims to leverage this abundance of data. On this field, there are several data mining techniques developed, but all of these depend on trajectory quality. Hence, preprocessing becomes relevant to this field. Among trajectory data mining tasks, one important problem is trajectory reconstruction. Due to the high energy consumption of geolocation devices like GPS and the growing usage of geo-tags in social networks, which can represent trajectories by being sorted chronologically, most of these trajectories are collected at low sampling rates. A majority of research on this problem is focused on using road network information in urbanized areas to reconstruct trajectories. However, these approaches take into account vehicle trajectories only due to fact that most pedestrian paths do not always follow the same road network routes than vehicles. Currently, thanks to open collaborative maps, it is possible to add pedestrian paths to the road network structure. Thereby, this project aims to research the usage of road network information in pedestrian trajectories reconstruction. This projects scope comprises the development of a location-based social network to collect geolocation data. Subsequently, this data will be anonymized, used for pedestrian trajectory reconstruction and, finally, made available for research purposes.

O cada vez maior número de tecnologias que fornecem serviços de geolocalização tem possibilitado gerar uma grande quantidade de dados de geolocalização. Estes dados, são armazenados principalmente como pontos de localização com informação temporal. Uma trajetória é definida como uma sequência discreta e finita destes pontos de localização. Nos últimos anos, a recente área de mineração de trajetórias visa aproveitar esta abundância de dados. Nesta área, existem várias técnicas de mineração desenvolvidas, mas todas elas dependem diretamente da qualidade das trajetórias. Assim, o preprocessamento tem um papel primordial na mineração de trajetórias. Entre as tarefas de preprocessamento, um problema relevante é a reconstrução ou inferência de trajetórias. Devido ao alto consumo de energia de dispositivos de localização como o GPS e ao crescente uso de geo-marcações nas redes sociais, que possibilita a construção de trajetórias ordenando temporalmente estas marcações, muitas das trajetórias existentes apresentam taxas de amostragem muito baixas. A maioria das pesquisas nesse problema utilizam, no caso de áreas urbanizadas, informações do grafo formado por ruas e cruzamentos. Porém, elas levam em conta apenas trajetórias de veículos principalmente pelo fato que muitos dos percursos dos pedestres ficam fora das ruas. Atualmente, graças às plataformas livres de mapas colaborativos, é possível incluir estes trajetos como parte das informações de ruas. Assim, este projeto tem o objetivo de investigar o uso das informações das ruas na reconstrução de trajetórias, principalmente de pedestres. O escopo da proposta compreende o desenvolvimento de uma rede social geo-localizada com o intuito de capturar dados de localização. Posteriormente, estes dados serão anonimizados, utilizados na reconstrução de trajetórias de pedestres e disponibilizados para uso em pesquisas futuras. / The ever-greater number of technologies providing location-based services has allowed the generation of big amounts of geolocation data. This data is mainly stored as location points in conjunction with temporal information. A trajectory is defined as a discrete and finite sequence of this kind of points. In recent years, the relatively new field of trajectory data mining aims to leverage this abundance of data. On this field, there are several data mining techniques developed, but all of these depend on trajectory quality. Hence, preprocessing becomes relevant to this field. Among trajectory data mining tasks, one important problem is trajectory reconstruction. Due to the high energy consumption of geolocation devices like GPS and the growing usage of geo-tags in social networks, which can represent trajectories by being sorted chronologically, most of these trajectories are collected at low sampling rates. A majority of research on this problem is focused on using road network information in urbanized areas to reconstruct trajectories. However, these approaches take into account vehicle trajectories only due to fact that most pedestrian paths do not always follow the same road network routes than vehicles. Currently, thanks to open collaborative maps, it is possible to add pedestrian paths to the road network structure. Thereby, this project aims to research the usage of road network information in pedestrian trajectories reconstruction. This projects scope comprises the development of a location-based social network to collect geolocation data. Subsequently, this data will be anonymized, used for pedestrian trajectory reconstruction and, finally, made available for research purposes.