نظام التوصية الخاص بنظام تحديد المواقع العالمي في الاجهزة النقالة == Recommendation System for Mobile (GPS)
Author name:
وضاح رزوقي عبود بيــعي
Supervisor name:
توفيق عبد الخالق الاسدي
General topic:
Computer Science
Specific topic:
Computer Science
Degree:
Doctorate
University:
University of Babylon - Information Technology Collage - Department Of Software
Language:
English
University location:
Baghdad
First pages:
28T851 - p.pdf
Abstract:
تستخدم اليوم اجهزة الهاتف النقال بكثرة مع دعمها للكثير من التطبيقات والتي بدورها تساعد مستخدميها في تنظيم حياتهم بشتى المجالات, تقدم هذه التطبيقات العديد من الاقتراحات والتوصيات للمستخدم تبعا لاحتياجاته وتفضيلاته مثل الافلام , الاخبار , واماكن الاطعمة ..... الخ . من التطبيقات المنتشرة بشكل واسع والتي تهم المستخدمين هذه الايام هي تطبيقات تقديم التوصيات الخاصة بالاماكن المهمة للمستخدم بشكل علامات مؤشرة على الخرائط الرقمية , هنالك عدة تقنيات متداخلة في هذا المجال , تعتبر نظم المعلومات الجغرافية من اهم المصادر لاستحصال البيانات اللازمة لتطبيق تقنيات التنبؤ والاقتراح عليها لمعرفة احتياجات المستخدمين.تركز هذه الاطروحة على بيانات حركة المستخدمين لمعرفة واقتراح افضل الامكان المفضلة لهم, تستكشف حركة المستخدمين من خلال نظام تحديد المواقع والملاحة العالمي (GPS) من خلال تسجيل مسارات حركة اجهزة الهاتف النقال الداعمة لهذا النظام والخاصة بكل مستخدم . يعالج النظام المقترح مسارات المستخدمين والمسجلة لفترة محددة ويبسطها لتتضمن اقل عدد ممكن من النقاط مع الاحتفاظ بالنقاط ذات الاهمية الكبيرة للمستخدمين , تمت هذه المرحلة بتطوير خوارزمية (دوكلاس بويكر) لتبسيط الخطوط وتطبيقها لهذا الغرض , الخوارزمية المقترحة تعتمد على استخدام العتبات الديناميكية.ينشئ النظام المقترح البيانات الضمنية للتغذية الراجعة من تحليل وقراءة تاريخ تحركات المستخدمين بالاستعانة بمساراتهم وبالخرائط الرقمية , بدلا عن الاعتماد على شبكات التواصل الاجتماعي او التغذية الراجعة المباشرة . تمثل مصفوفات التخمين تصرفات المستخدمين في المقترحة في الدراسة الحالية ولها بعض المحددات مثل تعدد الابعاد . تستخدم الاطروحة نسخة مطورة من خوارزمية تحليل القيم المفردة SVD لتقليل ابعاد فضاء الخصائص .تقترح الاطروحة نظاما ثلاثي الابعاد لخوارزمية تحليل القيم المفردة اطلق عليه Multistage - SVDs والذي بدوره يفصل المسارات وبالتالي المصفوفات المستقراة الخاصة بالتخمين الى عدة مستويات من مقاطع البيانات. يمثل كل مستوى فترة او مقطع زمني محدد من البينات المستخدمة انفا. يستخدم النظام الصفات الكامنة المستخلصة من كل مستوى في حساب التشابه بين المستخدمين , وبهذا فان النظام سيتعرف على المستخدمين الاقرب الى المستخدم الحالي او قيد التجربة ليقترح عليه افضل الاماكن التي من المحتمل ان تكون ضمن اهتماماته على الخارطة الرقمية.يستخدم النظام المقترح تقنية اقتراح العناصر ذات التردد الاعلى لاقتراح وتوصية الاماكن للمستخدم من استقراء الصفات الكامنة لتفضيلات المستخدمين الاقرب له في الصفات. بالاضافة الى تطوير هذه التقية عن طريق استخدام المكان الحالي للمستخدم لاستخراج افضل النتائج وتحسين قائمة المقترحات المؤمل عرضها على المستخدم. تم تقييم النظام المقترح بطريقتي الاستدعاء والدقة الخاصتين بتقييم انظمة استرجاع البيانات وذلك بتطبيق الطريقتين بصورة تدريجية تبعا لعدد محدد من العناصر المقترحة. حيث قسمت البيانات الى قسم التدريب والذي ياخذ احد عشر فترة زمنية كبيانات تدريب , والفترة الاخيرة هي بيانات الفحص والمقارنة . حيث كانت نسب الاستدعاء والمطابقة بين (7% - 75%) ومعدلها 46,5% , اما قيم الدقة كانت بين (9% - 94%) ومعدلها 30% للنظام كله. وطبق كذلك تقييم اخر لفحص مدى تاثير استخدام قيمة بعد مانهاتن من موقع المستخدم الحالي على المواقع المقترحة فانتجت قيم بين (35% - 95%) من المطابقة . حيث ان نسبة المطابقة تقل نسبة الى نقصان قيمة المسافة المستخدمة وتزداد تبعا لزيادتها , كما لوحظ ان بنقصان نسبة المطابقة لتوجهات المستخدم يتم اقتراح مواقع جديدة للمستخدمين. | Mobile devices are widely used todays with a huge number of applications usages that support users agreements, many of useful applications produce recommendations to the users like interested movies, news, foods, etc... The recommendations of significant places on maps applications are most likely nowadays, therefore there are several techniques which are involved within this field, and geographic information systems (GIS) data are the best data lake that are useful to be processed to predict user’s needs.This dissertation focuses on users’ mobility to recommend best positions of interest, users movements are detected from Global Positioning System (GPS) tracks recorded by users’ mobile devices. The proposed system preprocesses the tracks to simplify the process complexity of track’s huge number points, it improves a new version of Douglas Peucker line simplification algorithm to normalize tracks, and it depends on dynamic thresholds.The proposed recommender system creates implicit feedbacks from users’ movements’ histories with digital map consolidating. Rating matrices represent the users’ behaviors through the case study timeline, and have some limitations like high dimensionality. Here, Singular Values Decomposition (SVD) is used to reduce feature space dimensionalities, but with developed techniques. The dissertation introduces Multistage - SVDs system which factorizes the inducted rating matrices into multi - level data segments, each one represents one period of time slices within system data. The extracted latent features from each level of Multistage - SVDs are used to checking user similarities to his neighbors, and then the system picks the group of nearest users to recommend their similar preferences to the current user. Thus, a hybrid recommendation system is adopted in this work, matrix factorization and collaborative filtering.The system uses most frequent item recommendation technique to recommend best positions to the user from the latent grouped nearest user’s preferences, a simple explicit feedback is used here which is the current user place from GPS as a new combination function to enhance recommendation list. The system is evaluated by applying information retrieval recall and precision on the resulted recommended items for all users gradually in the training set periods and compared with the last period of users’ preferences as a testing set, The values of recall are between [7% - 75%] and the average is 46.5%, the values of precision are between [9% - 94%] and the average is 30% for the entire system. Another evaluation is calculated which is the recall of recommendations according to the physical Manhattan distance range from the user’s location, it produces between [35% - 95%] of matching. As the recall decreases as new items will be recommended to the user according to his current place and vice versa.
