Đồ án môn Phương pháp nghiên cứu khoa học - Đề tài: "Tìm hiểu về hệ thống tư vấn thông tin di động" - Trường Đại học Khoa học Tự nhiên - Năm 2012 - Nguyễn Thị Ngọc Hoa

Nội dung text: Đồ án môn Phương pháp nghiên cứu khoa học - Đề tài: "Tìm hiểu về hệ thống tư vấn thông tin di động" - Trường Đại học Khoa học Tự nhiên - Năm 2012 - Nguyễn Thị Ngọc Hoa

1. Khoa CNTT – TRƯỜNG ÐẠI HỌC KHOA HỌC TỰ NHIÊN Tìm hiểu về hệ thống tư vấn thông tin di động Đồ Án Môn Phương Pháp Nghiên Cứu Khoa Học Giáo viên hướng dẫn: GS.TSKH Hoàng Kiếm Sinh viên thực hiện: Nguyễn Thị Ngọc Hoa Mã số sinh viên: 1112011 TP.HCM 2012
2. Mobile Location-Based Recommender System Lời mở đầu Điêṇ thoaị di đôṇ g ngày nay đa ̃ môṭ trong nhƣ̃ng nền tảng chính để truy câp̣ thông tin. Sƣ ̣ tích hơp̣ hê ̣ thống tƣ vấn (Recommender Systems - RSs) vào môi trƣờng di động diễn ra nhƣ một nhu cầu tất yếu để giải quyết vấn đề quá tải thông tin . Măc̣ dù có nhƣ̃ng khó khăn nhƣ haṇ chế thiết bi ̣, hạn chế của mạng không dây, và thói quen của ngƣời dùng di động , nhƣng các hê ̣thống tƣ vấn thông tin di đ ộng (Mobile Recommender Systems – MRSs) lại đƣợc thừa hƣởng hai đặc điểm đặc thù của các dịch vụ thông tin di đôṇ g đó là khả năng nhâṇ diêṇ vi ̣trí "location-awareness" và tính có mặt khắp nơi “ubiquity” [Ricci, 2011]. Sƣ ̣ kết hơp̣ giƣ̃a hê ̣thống tƣ vấn, thông tin về vi ̣trí ngƣờ i dùng, và mạng xã hội trên đã tạo nên nhƣ̃ng loaị hình ƣ́ ng duṇ g dƣạ trên điạ điểm (Location Based Services) mớ i hết sƣ́ c tinh vi. Tài liệu này giớ i thiêụ tổng quan về hê ̣thống tƣ vấn, dịch vụ dựa trên vị trí, môṭ số vấn đề chính của hê ̣ thống tƣ vấn thông tin di đôṇ g (MRSs) qua môṭ ƣ́ ng duṇ g cu ̣thể là maṇ g xa ̃ hô ̣ i điạ điểm Foursquare cùng với các nguyên tắc sáng tạo đƣợc vận dụng đƣợc vận dụng để xây dựng hệ thống này. 2
3. Mobile Location-Based Recommender System Contents Phần 1. Tổng quan về phương pháp nghiên cứu khoa học 4 1.1 1. Giới Thiệu Phƣơng Pháp Luận Sáng Tạo Khoa Học 4 1.2 Phƣơng Pháp Luận Sáng Tạo Trong Tin Học 5 1.3 Giới thiệu 40 Nguyên tắc sáng tạo trong khoa học kỹ thuật 5 Phần 2. Tổng quan về các hệ thống tư vấn thông tin di động 11 2.1 Location Based Services (LBSs) là gì? 11 2.1.1 Điṇ h nghiã LBSs 11 2.1.2 Phân biêṭ GIS (Geographic Information Systems) và LBS 12 2.1.3 Kiến trúc của LBS (Location-Based Services Infrastructure) 12 2.1.4 Phân loaị LBS (Types of Location-Based Services) 13 2.2 Recommender System 14 2.2.1 Recommender System là gì? 14 2.2.2 Phân loaị các hệ thống tƣ vấn 15 2.2.3 Các lĩnh vực ứng dụng 18 Phần 3. Mobile Location Based Recommender System - FourSquare 19 3.1 Giới thiệu 19 3.2 Mạng xã hội di động FourSquare 20 3.2.1 Giới thiệu chung 20 3.2.2 Tính năng Explore 20 3.2.3 Các thách thức và giải pháp của Foursquare khi xây dựng Recommender Engine 21 3.3 LARS: A Location-Aware Recommender System 23 3.3.1 Tổng quan về LARS 23 3.3.2 SPATIAL RATINGS FOR NON-SPATIAL ITEMS 24 3.3.3 NON-SPATIAL USER RATINGS FOR SPATIAL ITEMS 25 3.3.4 SPATIAL USER RATINGS FOR SPATIAL ITEMS 25 3.4 Đánh giá chung 25 3.5 Hƣớ ng phát triển 26 Phần 4. Các nguyên tắc sáng tạo được vận dụng trong xây dựng FourSquare 28 3
4. Mobile Location-Based Recommender System Phần 1. Tổng quan về phương pháp nghiên cứu khoa học 1.1 1. Giới Thiệu Phương Pháp Luận Sáng Tạo Khoa Học Nói một cách ngắn gọn, "PHƢƠNG PHÁP LUẬN SÁNG TẠO" (Creativity Methodologies) là bộ môn khoa học có mục đích xây dựng và trang bị cho mọi ngƣời hệ thống các phƣơng pháp, các kỹ năng thực hành tiên tiến về suy nghĩ để giải quyết vấn đề và ra quyết định một cách sáng tạo, về lâu dài, tiến tới điều khiển đƣợc tƣ duy. "PHƢƠNG PHÁP LUẬN SÁNG TẠO" là phần ứng dụng của khoa học rộng lớn hơn, mới hình thành và phát triển trong thời gian gần đây : KHOA HỌC SÁNG TẠO (Creatology). Theo các nhà nghiên cứu sau nông nghiệp, công nghiệp và tin học. Làn sóng ứng với Creatology (hay còn gọi là thời đại hậu tin học) chính là sự nhấn mạnh vai trò chủ thể tƣ duy sáng tạo của loài ngƣời trong thế kỷ XXI. Mỗi ngƣời làm việc, không thể không suy nghĩ và đòi hỏi cải tiến công việc phải là cơ sở cho mọi suy nghĩ ủc a chúng ta. Nói cách khác, mỗi ngƣời chúng ta đều cần suy nghĩ để sáng tạo. Tƣ duy sáng tạo là tài nguyên cơ bản nhất của mỗi con ngƣời. Chúng ta cần sáng tạo vì chúng ta cảm thấy rằng, mọi việc cần đƣợc thực hiện theo cách đơn giản hơn và tốt hơn. Dù chúng ta tài giỏi nhƣ thế nào, chúng ta vẫn luôn mong muốn tốt hơn nữa. Sáng tạo gắn liền với sự thay đổi, đƣa ra cái mới (đổi mới), sáng chế, các ý tƣởng mới, các phƣơng án lựa chọn mới. Sự sáng tạo thuộc về năng lực ra quyết định, thuộc về sự kết hợp độc đáo hoặc liên tƣởng, phát ra các ý tƣởng đạt đƣợc kết quả mới và ích lợi. Mọi ngƣời có thể dùng tính sáng tạo của mình để đặt vấn đề một cách bao quát, phát triển các phƣơng án lựa chọn, làm phong phú các khả năng và tƣởng tƣợng các hậu quả có thể nảy sinh. Tóm lại, bạn làm đƣợc gì mới, khác và có ích lợi, đấy là sáng tạo. Sự sáng tạo nảy sinh ở mọi tầng lớp và mọi giai đoạn trong cuộc sống của chúng ta. Ðối với một công ty hay tổ chức, tài nguyên quan trọng nhất chính là nguồn nhân lực, tức là những ngƣời làm việc cho công ty, tổ chức. Họ gồm các thợ bảo trì, những ngƣời bán hàng, các công nhân trong dây chuyền sản xuất, những ngƣời đánh máy và các cán bộ quản lý mọi cấp bậc. Nguồn nhân lực của công ty làm cho các tài nguyên khác hoạt động, mang lại hiệu quả cao. Thiếu nhân sự tốt, một công ty, tổ chức, dù đƣợc trang bị máy móc hoàn hảo nhất, đƣợc tài trợ tốt nhất, sẽ hoạt động kém hiệu quả. Vì vậy, mỗi ngƣời trong mỗi cơ cấu tổ chức cần học phƣơng pháp luận (các thủ thuật cơ bản, các phƣơng pháp, lý thuyết) về tƣ duy sáng tạo. Ðiều này làm cho cơ cấu tổ chức của bạn mạnh lên rất nhiều. Trong mỗi cơ cấu tổ chức, càng nhiều ngƣời học phƣơng pháp luận về tƣ duy sáng tạo, tổ chức hoạt động càng có hiệu quả. 4
5. Mobile Location-Based Recommender System 1.2 Phương Pháp Luận Sáng Tạo Trong Tin Học Tin học là một ngành hiện đại, từ khi có tin học cuộc sống của con nguời ngày càng đƣợc nâng cao, thế giới biến đổi nhanh “chóng mặt”. Ngành học đòi hỏi sự đầu tƣ tƣ duy, chất xám, một sản phẩm tin học đƣợc đánh giá cao là sản phẩm có “hàm lƣợng” tƣ duy và chất xám cao. Một công ty thuộc lĩnh vực tin học không cần phải có diện tích to lớn, cơ sở hạ tầng hoành tráng, nguồn nhân lực đông đảo, mà cần chủ yếu là tƣ duy và chất xám, cần sự sáng tạo ra cái mới, cái khác hữu dụng, tốt hơn sản phẩm cũ. Các sản phẩm tin học không cần đầu tƣ nhiều thiết bị cho sản phẩm, thay vào đó đầu tƣ về chất xám càng nhiều thì sản phẩm càng đƣợc ngƣời dùng đón tiếp, sử dụng trên thị trƣờng. 1.3 Giới thiệu 40 Nguyên tắc sáng tạo trong khoa học kỹ thuật (01) Nguyên tắ c phân nhỏ - Chia đối tƣơṇ g thành các phần đôc̣ lâp̣ . - Làm đối tƣợng trở nên tháo lắp đƣợc. - Tăng mƣ́ c đô ̣phân nhỏ đối tƣơṇ g. (02) Nguyên tắ c “tá ch khỏi” - Tách phần gây “phiền phức” ( tính chất “phiền phức” ) hay ngƣơc̣ laị tách phần duy nhất “cần thiết” ( tính chất “cần thiết” ) ra khỏi đối tƣơṇ g. (03) Nguyên tắ c phẩm chấ t cuc̣ bô ̣ - Chuyển đối tƣơṇ g ( hay môi trƣờ ng bên ngoài , tác động bên ngoài) có cấu trúc đồng nhất thành không đồng nhất. - Các phần khác nhau của đối tƣợng phải có các chức năng khác nhau. - Mỗi phần của đối tƣơṇ g phải ở trong nhƣ̃ng điều kiêṇ thíc h hơp̣ nhất đối với công viêc̣ . (04) Nguyên tắ c phản đố i xứ ng - Chuyển đối tƣơṇ g có hình daṇ g đối xƣ́ ng thành không đối xƣ́ ng ( nói chung giãm bật đối xứng). (05) Nguyên tắ c kết hơp̣ - Kết hơp̣ các đối tƣơṇ g đồng nhất hoăc̣ các đối tƣơṇ g dùng cho các hoaṭ đôṇ g kế câṇ . - Kết hơp̣ về măṭ thờ i gian các hoaṭ đôṇ g đồng nhất hoăc̣ kế câṇ . (06) Nguyên tắ c vaṇ năng - Đối tƣợng thực hiện một số chức năng khác nhau , do đó không cần sƣ ̣ tham gia của các đối tƣợng khác. (07) Nguyên tắ c “chứ a trong” - Môṭ đối tƣơṇ g đƣơc̣ đăṭ bên trong đối tƣơṇ g khác và bản thân nó laị chƣ́ a đối tƣơṇ g thƣ́ ba 5
6. Mobile Location-Based Recommender System - Môṭ đối tƣơṇ g chuyển đôṇ g xuyên suốt bên trong đối tƣơṇ g khác. (08) Nguyên tắ c phản troṇ g lươṇ g - Bù trừ trọng lƣợng của đối tƣợng bằng cách gắn nó với các đối tƣợng khác có lƣc̣ nâng. - Bù trừ trọng lƣợng của đối tƣợng bằng tƣơng tác với môi trƣờng nhƣ sử dụng các lực thủy động, khí động (09) Nguyên tắ c gây ứ ng suấ t sơ bô ̣ - Gây ƣ́ ng suất trƣớ c vớ i đối tƣơṇ g để chống laị ƣ́ ng suất không cho phép hoăc̣ không mong muốn khi đối tƣơṇ g làm viêc̣ ( hoăc̣ gây ƣ́ ng suất trƣớ c để khi làm viêc̣ se ̃ dùng ƣ́ ng suất ngƣơc̣ laị ). (10) Nguyên tắ c thưc̣ hiêṇ sơ bô ̣ - Thƣc̣ hi ện trƣớc sự thay đổi cần có , hoàn toàn hoặc từng phần , đối với đối tƣơṇ g. - Cần sắp xếp đối tƣơṇ g trƣớ c, sao cho chúng có thể hoaṭ đôṇ g tƣ̀ vi ̣trí thuâṇ lơị nhất, không mất thờ i gian dic̣ h chuyển. (11) Nguyên tắ c dư ̣ phòng - Bù đắp độ tin cậy không lớn của đối tƣợng bằng cách chuẩn bị trƣớc các phƣơng tiêṇ báo đôṇ g, ứng cứu, an toàn. (12) Nguyên tắ c đẳng thế - Thay đổi điều kiêṇ làm viêc̣ để không phải nâng lên hay ha ̣xuống các đối tƣơṇ g. (13) Nguyên tắ c đảo ngươc̣ - Thay vì hành đôṇ g nhƣ yêu cầu bài toán , hành động ngƣợc lại ( ví dụ, không làm nóng mà làm lạnh đối tƣợng) - Làm phần chuyển động của đối tƣợng ( hay môi trƣờ ng bên ngoài ) thành đứng yên và ngƣơc̣ laị , phần đƣ́ ng yên thành chuyển đôṇ g. (14) Nguyên tắ c cầu ( tròn ) hoá - Chuyển nhƣ̃ng phần thẳng của đối tƣơṇ g thành cong , măṭ phẳng thành măṭ cầu, kết cấu hình hôp̣ thành kết cấu hình cầu. - Sƣ̉ duṇ g các con lăn, viên bi, vòng xoắn. - Chuyển sang chuyển đôṇ g quay, sƣ̉ duṇ g lƣc̣ ly tâm. (15) Nguyên tắ c linh đôṇ g - Cần thay đổi các đăṭ trƣng của đối tƣơṇ g hay môi trƣờ ng bên ngoài sao cho chúng tối ƣu trong từng giai đoạn làm việc. - Phân chia đối tƣơṇ g thành tƣ̀ ng phần, có khả năng dịch chuyển với nhau. (16) Nguyên tắ c giải “thiếu” hoăc̣ “thừ a” 6
7. Mobile Location-Based Recommender System - Nếu nhƣ khó nhâṇ đƣơc̣ 100% hiêụ quả cần thiết , nên nhâṇ ít hơn hoăc̣ nhiều hơn “môṭ chút”. Lúc đó bài toán có thể trở nên đơn giản hơn và dễ giải hơn. (17) Nguyên tắ c chuyển sang chiều khá c - Nhƣ̃ng khó khăn do chuyển đôṇ g ( hay sắp xếp ) đối tƣơṇ g theo đƣờ ng (môṭ chiều) sẽ đƣợc khắc phục nếu cho đối tƣợng khả năng di chuyển trên mặt phẳng ( hai chiều). Tƣơng tƣ,̣ nhƣ̃ng bài toán liên quan đến chuyển đôṇ g ( hay sắp xếp) các đối tƣợng trên mặt phẳng sẽ đƣợc đơn giản hoá khi chuyển sang không gian (ba chiều). - Chuyển các đối tƣơṇ g có kết cấu môṭ tầng thành nhiều tầng. - Đặt đối tƣợng nằm nghiêng. - Sử dụng mặt sau của diện tích cho trƣớc. - Sƣ̉ duṇ g các luồng ánh sáng tớ i diêṇ tích bên caṇ h hoăc̣ tớ i măṭ sau của diêṇ tích cho trƣớc. (18) Nguyên tắ c sử duṇ g cá c dao đôṇ g cơ hoc̣ - Làm đối tƣợng dao động. Nếu đa ̃ có dao đôṇ g, tăng tầng số dao đôṇ g ( đến tầng số siêu âm). - Sƣ̉ duṇ g tầng số côṇ g hƣở ng. - Thay vì dùng các bô ̣rung cơ hoc̣ , dùng các bộ rung áp điện. - Sƣ̉ duṇ g siêu âm kết hơp̣ vớ i trƣờ ng điêṇ tƣ̀ . (19) Nguyên tắ c tá c đôṇ g theo chu kỳ - Chuyển tác động liên tục thành tác động theo chu kỳ (xung). - Nếu đa ̃ có tác đôṇ g theo chu kỳ , hãy thay đổi chu kỳ. - Sƣ̉ duṇ g các khoảng thờ i gian giƣ̃a các xung để thƣc̣ hiêṇ tác đôṇ g khác. (20) Nguyên tắ c liên tuc̣ tá c đôṇ g có ích - Thƣc̣ hiêṇ công viêc̣ môṭ cách liên tuc̣ ( tất cả các phần của đối tƣơṇ g cần luôn luôn làm viêc̣ ở chế đô ̣đủ tải ). - Khắc phuc̣ vâṇ hành không tải và trung gian. - Chuyển chuyển đôṇ g tiṇ h tiến qua laị thành chuyển đôṇ g qua y. (21) Nguyên tắ c “vươṭ nhanh” - Vƣơṭ qua các giai đoaṇ có haị hoăc̣ nguy hiểm vớ i vâṇ tốc lớ n. - Vƣơṭ nhanh để có đƣơc̣ hiêụ ƣ́ ng cần thiết. (22) Nguyên tắ c biến haị thành lơị - Sƣ̉ duṇ g nhƣ̃ng tác nhân có haị ( thí dụ tác động có h ại của môi trƣờng) để thu đƣơc̣ hiêụ ƣ́ ng có lơị . - Khắc phuc̣ tác nhân có haị bằng cách kết hơp̣ nó vớ i tác nhân có haị khác. - Tăng cƣờ ng tác nhân có haị đến mƣ́ c nó không còn có haị nƣ̃a. 7
8. Mobile Location-Based Recommender System (23) Nguyên tắ c quan hê ̣phản hồi - Thiết lâp̣ quan hê ̣phản hồi - Nếu đa ̃ có quan hê ̣phản hồi, hãy thay đổi nó. (24) Nguyên tắ c sử duṇ g trung gian - Sƣ̉ duṇ g đối tƣơṇ g trung gian, chuyển tiếp. (25) Nguyên tắ c tư ̣ phuc̣ vu ̣ - đối tƣơṇ g phải tƣ ̣ phuc̣ vu ̣bằng cách thƣc̣ hiêṇ cá c thao tác phu ̣trơ,̣ sƣ̉ a chƣ̃a. - Sƣ̉ duṇ g phế liêụ , chát thải, năng lƣơṇ g dƣ. (26) Nguyên tắ c sao chép (copy) - Thay vì sƣ̉ duṇ g nhƣ̃ng cái không đƣơc̣ phép , phƣ́ c tap̣ , đắt tiền, không tiêṇ lơị hoăc̣ dê ̃ vỡ, sƣ̉ duṇ g bản sao. - Thay thế đối tƣơṇ g hoăc̣ hê ̣các đối tƣơṇ g bằng bản sao quang hoc̣ (ảnh, hình vẽ) vớ i các tỷ lê ̣cần thiết. - Nếu không thể sƣ̉ duṇ g bản sao quang hoc̣ ở vùng biẻu kiến ( vùng ánh sáng nhìn thấy đƣợc bằng mắt thƣờng ), chuyển sang sƣ̉ duṇ g các bản sao hồng ngoaị hoăc̣ tƣ̉ ngoaị. (27) Nguyên tắ c “rẻ” thay cho “đắ t” - Thay thế đối tƣơṇ g đắt tiền bằng bô ̣các đối tƣơṇ g rẻ có chất lƣơṇ g kém hơn ( thí dụ nhƣ về tuổi thọ). (28) Thay thế sơ đồ cơ hoc̣ - Thay thế sơ đồ cơ hoc̣ bằng điêṇ , quang, nhiêṭ, âm hoăc̣ mùi vi.̣ - Sƣ̉ duṇ g điêṇ trƣờ ng, tƣ̀ trƣờ ng và điêṇ tƣ̀ trƣờ ng trong tƣơng tác vớ i đối tƣơṇ g . - Chuyển các trƣờ ng đƣ́ ng yên sang chuyển đôṇ g , các trƣờng cố định sang thay đổi theo thờ i gian, các trƣờng đồng nhất sang có cấu trúc nhất định . - Sƣ̉ duṇ g các trƣờ ng kết hơp̣ vớ i các haṭ sắt tƣ̀ . (29) Sử duṇ g cá c kết cấ u khí và lỏng - Thay cho các phần của đối tƣơṇ g ở thể rắn , sƣ̉ duṇ g các chất khí và lỏng : nạp khí, nạp chất lỏng, đệm không khí, thủy tĩnh, thủy phản lực. (30) Sử duṇ g vỏ dẻo và màng mỏng - Sƣ̉ duṇ g các vỏ dẻo và màng mỏng thay cho các kết cấu khối. - Cách ly đối tƣợng với môi trƣờng bên ngoài bằng các vỏ dẻo và màng mỏng. (31) Sử duṇ g cá c vâṭ liêụ nhiều lô ̃ - Làm đối tƣợng có nhiều lỗ hoặc sử dụng thêm những chi tiết có nhiều lỗ ( miếng đêṃ , tấm phủ ) - Nếu đối tƣơṇ g đa ̃ có nhiều lỗ, sơ bô ̣tẩm nó bằng chất nào đó. 8
9. Mobile Location-Based Recommender System (32) Nguyên tắ c thay đổi màu sắ c - Thay đổi màu sắc của đối tƣơṇ g hay môi trƣờ ng bên ngoài - Thay đổi đô ̣trong suốt của của đối tƣơṇ g hay môi trƣờ ng bên ngoài . - Để có thể quan sát đƣơc̣ nhƣ̃ng đối tƣơṇ g hoăc̣ nhƣ̃ng quá trình , sƣ̉ duṇ g cá c chất phu ̣gia màu, hùynh quang. - Nếu các chất phu ̣gia đó đa ̃ đƣơc̣ sƣ̉ duṇ g, dùng các nguyên tử đánh dấu. - Sƣ̉ duṇ g các hình vẽ, ký hiệu thích hợp. (33) Nguyên tắ c đồng nhấ t - Nhƣ̃ng đối tƣơṇ g , tƣơng tác vớ i đối tƣơṇ g cho trƣớ c, phải đƣợc làm từ cùng môṭ vâṭ liêụ ( hoăc̣ tƣ̀ vâṭ liêụ gần về các tính chất ) vớ i vâṭ liêụ chế taọ đối tƣơṇ g cho trƣớ c. (34) Nguyên tắ c phân hủ y hoăc̣ tá i sinh cá c phần - Phần đối tƣơṇ g đa ̃ hoàn thành nhiêṃ vu ̣hoăc̣ trở n ên không càn thiết phải tƣ ̣ phân hủy ( hoà tan, bay hơi ) hoăc̣ phải biến daṇ g. - Các phần mất mát của đối tƣợng phải đƣợc phục hồi trực tiếp trong quá trình làm việc. (35) Thay đổi cá c thông số hoá lý củ a đố i tươṇ g - Thay đổi trạng thái đối tƣợng. - Thay đổi nồng đô ̣hay đô ̣đâṃ đăc̣ . - Thay đổi đô ̣dẻo - Thay đổi nhiêṭ đô,̣ thể tích. (36) Sử duṇ g chuyển pha - Sƣ̉ duṇ g các hiêṇ tƣơṇ g nảy sinh trong quá trình chuyển pha nhƣ : thay đổi thể tích, toả hay hấp thu nhiêṭ lƣơṇ g (37) Sử duṇ g sư ̣ nở nhiêṭ - Sƣ̉ duṇ g sƣ ̣ nở ( hay co) nhiêṭ của các vâṭ liêụ . - Nếu đa ̃ dùng sƣ ̣ nở nhiêṭ, sƣ̉ duṇ g vớ i vâṭ liêụ có các hê ̣số nở nhiêṭ khác nhau. (38) Sử duṇ g cá c chấ t oxy hoá maṇ h - Thay không khí thƣờng bằng không khí giàu oxy. - Thay không khí giàu oxy bằng chính oxy. - Dùng các bức xạ ion hoá tác động lên không khí hoặc oxy. - Thay oxy giàu ozon ( hoăc̣ oxy bi ̣ion hoá) bằng chính ozon. (39) Thay đổi đô ̣trơ - Thay môi trƣờ ng thông thƣờ ng bằng môi trƣờ ng trung hoà . - Đƣa thêm vào đối tƣơṇ g các phần , các chất , phụ gia trung hoà. 9
10. Mobile Location-Based Recommender System - Thƣc̣ hiêṇ quá trình trong chân không. (40) Sử duṇ g cá c vâṭ liêụ hơp̣ thành ( composite ) - Chuyển tƣ̀ các vâṭ liêụ đồng nhấ t sang sƣ̉ duṇ g nhƣ̃ng vâṭ liêụ hơp̣ thành ( composite). Hay nói chung, sƣ̉ duṇ g các vâṭ liêụ mớ i. 10
11. Mobile Location-Based Recommender System Phần 2. Tổng quan về các hệ thống tư vấn thông tin di động Có cách nào để nhanh chóng tìm ra máy ATM để rút tiền , sau đó đ ến môṭ nhà hàng K entucky để ăn trƣa khi ta đang di chuyển trên môṭ đƣờ ng phố xa la ̣mà không phải hỏi thăm hoăc̣ vác xe chaỵ doc̣ theo đƣờ ng? Điều đó se ̃ khó khả thi nếu cách đây mƣ ời năm, nhƣng hiêṇ nay ta có thể dê ̃ dàng tìm thấy câu trả lời ngay trên chiếc điêṇ thoaị di đôṇ g của mình nhờ sƣ ̣ ra đờ i của nhƣ̃ng ƣ́ ng duṇ g cung cấp dic̣ h vu ̣dƣạ trên điạ điểm (Location Based Services). 2.1 Location Based Services (LBSs) là gì? 2.1.1 Điṇ h nghiã LBSs Dịch vụ theo địa điểm đƣợc phát triển mạnh mẽ cùng với sự ra đời của GPS trên các thiết bị di động . Sƣ ̣ kết hơp̣ của maṇ g xa ̃ hôị , các hệ thống tƣ vấn và dịch vụ theo địa điểm đã tạo nên những sản phẩm hết sƣ́ c tuyêṭ vờ i , đáp ƣ́ ng nhu cầu cá nhân hóa dic̣ h vụ cho ngƣời dùng , kiểu nhƣ là “I’am here, take care of me.” hoăc̣ là “Where are you? Can I join?”, ví dụ nhƣ ta phát hiện ra nhóm ngƣời bạn của mình đang ở gần một nhà hàng yêu thích và thế là cả nhóm cùng đi ăn trƣa. Location Based Services (LBSs) là các dịch vụ thông tin hoặc giải trí sử dụng trên các thiết bị di động thông các maṇ g điêṇ thoaị và có sƣ̉ duṇ g thông tin về vi ̣trí hiêṇ taị của thiết bi.̣ LBSs are information services accessible with mobile devices through the mobile network and utilizing the ability to make use of the location of the mobile device. [Virrantaus et al. 2001] Một số LBS phổ biến hiện nay có thể kể đến nhƣ Google Map, Foursquare, Facebook Places 11
12. Mobile Location-Based Recommender System 2.1.2 Phân biệt GIS (Geographic Information Systems) và LBS GIS và LBS có một số điểm tƣơng đồng đặc biệt. Dê ̃ thấy nhất là việc xử lý dữ liệu có tham chiếu đến vị trí và các tính năng phân tích không gian (LBS-services), cung cấp cho câu trả lời cho những câu hỏi nhƣ: "Tôi đang ở đâu?" "Có những đối tƣợng nào ở gần?" "Làm thế nào có thể đi đến đó?". Nhƣng LBS và GIS có nguồn gốc và các nhóm ngƣời dùng khác nhau nhƣ đƣợc mô tả bởi Virrantaus et al. (2001). Họ phân tích rằng các hệ thống thông tin địa lý đã đƣợc phát triển trong nhiều thập kỷ trên cơ sở của các ứng dụng dữ liệu địa lý chuyên nghiệp. Trong khi đó, LBS mớ i ra đờ i gần đây bởi sự tiến triển của dịch vụ di động công cộng. Hệ thống thông tin địa lý (Geographical information system) là một hệ thống lƣu giữ, phân tích, quản lý và trình bày dữ liệu liên quan tới vị trí và thông tin địa lý. Theo cách hiểu hiện nay, GIS còn bao gồm các công cụ truy vấn thông tin, phân tích và kết hợp các thông tin rời rạc, bản đồ GIS đƣợc ứng dụng trong khá nhiều ngành nhƣ bất động sản, y tế, an ninh quốc phòng hay quy hoạch đô thị. GIS đóng vai trò rất quan trọng trong các LBS, vì nếu thiếu cơ sở dữ liệu thông tin về các vị trí do GIS cung cấp, LBS không thể rút ra ý nghĩa từ thông tin vị trí thu đƣợc 2.1.3 Kiến trú c củ a LBS (Location-Based Services Infrastructure) Để môṭ LBS hoaṭ đôṇ g, cần có sƣ ̣ phối hơp̣ của các thành phần cơ bản nhƣ sau (Hình 5): Mobile devices (user): Thiết bị di động đƣợc dùng để gửi đi yêu cầu và nhận về kết quả đáp ứng, nó có thể là điện thoại di động, thiết bị trợ giúp số cá nhân (PDA), máy tính xách tay, các thiết bị dẫn đƣờng đặt trên xe, các trạm cung cấp thông tin đặt tại các điểm công cộng. Communication networks: Mạng truyền thông đóng vai trò kết nối thiết bị di động và nhà cung cấp dịch vụ. Trong trƣờng hợp nhà cung cấp dịch vụ triển khai ứng dụng của họ trên Internet, mạng truyền thông đƣợc hiểu là mạng thông tin di động và mạng Internet. Trong quá trình hoạt động, yêu cầu đƣợc gửi từ ngƣờ i dùng qua mạng di động đến giao diện giữa mạng di động và mạng Internet, từ đó yêu ầc u đƣợc chuyển tiếp đến nhà cung cấp dịch vụ. Positioning: Hệ thống định vị có nhiệm vụ cung cấp dữ liệu về vị trí của khách hàng nhƣ một tham số đầu vào cho quá trình xử lý yêu cầu. Cụ thể, nếu là yêu cầu chỉ đƣờng thì đƣơng nhiên nhà cung cấp dịch vụ cần biết vị trí hiện tại của khách hàng. Còn nếu khách hàng yêu cầu trợ giúp về mặt kỹ thuật, y tế, nhân lực thì thông tin vị trí gửi kèm yêu cầu sẽ giúp nhà cung cấp dịch vụ tiếp cận khách hàng nhanh hơn. Trong một số trƣờng hợp khác thì vị trí của khách hàng 12
13. Mobile Location-Based Recommender System đƣợc nhà cung cấp dùng làm căn cứ để tính cƣớc cho dịch vụ của mình. Trong thực tế, hệ thống định vị toàn cầu GPS là lựa chọn số một khi lên phƣơng án xây dựng các hệ thống LBS. Vì những ƣu điểm nhƣ diện tích phủ sóng bao phủ toàn bộ bề mặt trái đất, độ chính xác cao, cho phép sử dụng tín hiệu miễn phí mà hiện tại đang xuất hiện xu hƣớng tích hợp chức năng định vị bằng GPS vào các thiết bị di động đặc biệt là điện thoại, PDA, máy tính xách tay Service and application Provider: Nhà cung cấp ứng dụng và dịch vụ nhận yêu cầu từ khách hàng, xác định vị trí của họ thông qua dữ liệu định vị đƣợc gửi kèm yêu cầu, sau đó xử lý để cung cấp sự trợ giúp hoặc thông tin tƣơng ứng với vị trí và yêu cầu của khách hàng. Các ứng dụng và dịch vụ đƣợc nhà cung cấp triển khai thƣờng là định vị dẫn đƣờng, tra cứu thông tin địa lý, cứu hộ cứu nạn, quản lý điều hành phƣơng tiện giao thông Hình 1. Các thành phần (component) của một LBS. 2.1.4 Phân loaị LBS (Types of Location-Based Services) Có thể chia LBS làm hai loại cơ bản , nếu xem xét ở góc đô ̣thông tin đƣơc̣ cung cấp có dƣạ trên tƣơng tác với ngƣời dùng hay không. Đó là Pull Services và Push Services. Pull Services: cung cấp thông tin đƣơc̣ yêu cầu trƣc̣ t iếp tƣ̀ ngƣờ i sƣ̉ duṇ g . Tƣơng tƣ ̣ nhƣ ta lên trình duyêṭ web và gõ vào điạ chỉ trang web mà ta cần , nhấn nút trên môṭ thiết bi ̣kết nối để tƣ ̣ đôṇ g goị taxi hay dùng các dic̣ h vu ̣thông tin tìm kiếm máy ATM gần nhất xung quanh mình. Push Services: cung cấp thông tin không đƣơc̣ yêu trƣc̣ tiếp tƣ̀ ngƣờ i sƣ̉ duṇ g , thƣờ ng đƣơc̣ kích hoaṭ bằng môṭ sƣ ̣ kiêṇ nào đó chẳng haṇ khi ngƣờ i dung đi vào môṭ vùng điạ lí đăc̣ biêṭ nào đó hoăc̣ đến môṭ thờ i điểm đa ̃ hoạch định trƣớc. Ví dụ, các dịch vụ tin tƣ́ c se ̃ tƣ ̣ đôṇ g thêm vào các đầu muc̣ tin tƣ́ c 13
14. Mobile Location-Based Recommender System liên quan đến thành phố thâṭ sƣ ̣ mà ta đang đi đến . Đây là ý tƣở ng cơ bản của các ƣ́ ng duṇ g quảng cáo . Ở đây, hê ̣thống push cần phải nhâṇ biết thông tin về nhu cầu và sở thích của khách hàng để có khuyến nghị phù hợp. 2.2 Recommender System 2.2.1 Recommender System là gi?̀ Hệ thống tƣ vấn (Recommeder System - RS) là một công cụ hỗ trợ ra quyết định , đề xuất các sản phẩm hoăc̣ dic̣ h vu ̣phù hơp̣ nhất vớ i nhu cầu và sở thích của mỗi ngƣờ i trong môṭ tình huống và ngƣ̃ cảnh cu ̣ thể. Những đề xuất nhƣ v ậy có thể giúp cho ngƣời dùng định hƣớng nhanh chóng trƣớc lƣợng thông tin khổng lồ về một sản phẩm, bài báo hay đối tƣợng khác cần tìm kiếm trên maṇ g. Ứng dụng phổ biến nhất có thể thấy của hệ thống tƣ vấn là các trang thƣơng mại điện tử (Amazon, Netflix), quảng cáo (Google Adsensen) RS are software agents that elicit the interests and preferences of individual consumers [ ] and make recommendations accordingly. They have the potential to support and improve the quality of the decisions consumers make while searching for and selecting products online. [Xiao & Benbasat, MISQ, 2007] Môṭ hê ̣thống tƣ vấn sẽ sử dụng dữ liệu và tri thức từ người dùng (sở thích, các đặc điểm cá nhân ), tƣ̀ sản phẩm (giá cả, đăc̣ điểm, ), và quá trình giao tiếp của ngƣời dùng với hệ thống (ratings, tags, user’s actions ) để đề xuất sản phẩm phù hơp̣ vớ i nhu cầu và sở thích của ngƣờ i sƣ̉ duṇ g. 14
15. Mobile Location-Based Recommender System Hình 2. Tư vâń thông tin trong Amazon.com 2.2.2 Phân loaị các hệ thống tư vấn Nhiêṃ vu ̣tính toán chủ yếu mà một RS phải giải quyết là dự đoán đánh giá chủ quan của ngƣời dùng cho môṭ sản phẩm hoăc̣ dic̣ h vu ̣ (item). Dƣ ̣ đoán này đƣơc̣ tính toán dƣạ vào môṭ số mô hình . Các mô hình dự đoán đều có một điểm c hung là khai thác các đánh giá (evaluations) hoăc̣ xếp haṇ g (rating) đƣơc̣ cho bở i môṭ (nhiều) ngƣờ i dùng cho các sản phẩm đƣơc̣ xem/mua trƣớ c đó. Tùy theo kĩ thuật dự đoán đƣợc sử dụng , các RS đƣợc phân thành bốn loại chính nhƣ sau [Burke, 2007]: dƣạ trên côṇ g tác (collaborative-based), dƣạ trên nôị dung (content-based), dƣạ trên tri thƣ́ c (knowledge-based), và các hệ thống lai (hybrid). 2.2.2.1 Collaborative-based Recommender Systems Các hệ thống tư vấn cộng tác sẽ tính toán mối tương quan giữa những ngƣời sử dụng vớ i nhau . Hê ̣ thống se ̃ dự đoán đánh giá của ngƣờ i dùng hiêṇ tại dựa trên ratings đƣợc cung cấp bởi ngƣời dùng khác 15
16. Mobile Location-Based Recommender System (nhƣ̃ng ngƣờ i có sở thích liên quan chặt chẽ với ngƣời sử dụng hiện tại) [Herlocker et al, 1999]. Đây là cách tiếp cận phổ biến , trang thƣơng maị điêṇ tƣ̉ nổi tiếng sƣ̉ duṇ g cách tiếp câṇ này là Amazon.com (people who buy x also buy y). Hình 3. Hệ thống tư vâń dự a trên cộng tác. Kĩ thuật lọc cộng tác (Collaborative filtering) thông thƣờ ng sƣ̉ dụng môṭ ma trâṇ đánh giá hai chiều , mỗi ô (i,j) của ma trận lƣu trữ đánh giá của ngƣời dùng i cho một mục sản phẩm j . Hầu hết các ô trong ma trâṇ này đều không có giá trị thật sự . Phƣơng pháp tiếp cận mới và tinh vi hơn se ̃ d ựa trên kỹ thuật phân ra ̃ ma trâṇ (matrix decomposition techniques). Kĩ thuật này c ố gắng để xấp xỉ ma trâṇ user- item ban đầu thành tích của hai ma trận nhỏ hơn [Koren, 2008]. Và với sự phân tích này, môṭ giá tri ̣dƣ ̣ đoán se ̃ đƣơc̣ tính toán và chèn vào các ô trống. Nhươc̣ điểm: dƣ̃ liêụ thƣa, cần nhiều hơn môṭ daṇ g feeback, vấn đề ngƣờ i dùng mớ i và item mới (cold start problems). 2.2.2.2 Content-based Recommender Systems Hệ thống tƣ vấn dƣạ trên nôị dung ch ỉ sử dụng các sở thích c ủa ngƣời sử dụng hiện tại, hê ̣thống d ự đoán mƣ́ c đô ̣phù phù hơp̣ của m ột item vớ i ngƣờ i dùng d ựa trên mƣ́ c đô ̣tƣơng tƣ ̣ giƣ̃a mô t ả của nó (nội dung) vớ i các item mà ngƣời dùng đã đánh giá cao trong quá khứ [Pazzani và Billsus, 2007]. Hình 4. Hệ thống tư vâń dự a trên nội dung. 16
17. Mobile Location-Based Recommender System Những cách tiếp câṇ này dƣạ trên ki ̃ thuâṭ truy vấn thông tin (Information retrieval) [Manning, 2008] vì mô tả của m ột item thƣờng là một văn bản (text) và vector đại diện (dƣạ trên đăc̣ trƣng ) xây dƣṇ g bằng cách nhâṇ diêṇ các tƣ̀ khóa liên quan trong văn bản đó . Tuy nhiên hê ̣thống tƣ vấn dƣạ trên nôị dung không có bất kì tƣơng đồng nào vớ i môṭ truy vấn trong hê ̣thống truy vấn thông tin thông thƣờng (IR system). Nhươc̣ điểm: cần mô tả nôị dung sản của sản phẩm , gây lối mòn trong tƣ vấn không gây ngac̣ nhiên cho ngƣờ i dùng, vấn đề ngƣờ i dùng mớ i (cold start problem). 2.2.2.3 Knowledge-based Recommender Systems Hê ̣thống truy vấn dƣạ trên tri th ức sử dụng một cấu trúc tri thức để suy luâṇ các nhu cầu và sở thích của ngƣời sử dụng. Hình 5. Hệ thống tư vâń dự a trên tri thứ c. Môṭ ki ̃ thuâṭ dƣạ trên tri thƣ́ c quan tro ̣ ng đƣơc̣ dƣ̉ duṇ g trong hê ̣thống tƣ vấn là suy di ễn dựa trên trƣờng hợp (case-based reasoning – CBR) [Bridge et al., 2006], đó là môṭ ki ̃ thuâṭ dƣ ̣ đoán, nó truy xuất nhƣ̃ng tƣ vấn tƣơng tƣ ̣ trong môṭ trƣờ ng hơp̣ (case-base) (đa ̃ đƣơc̣ lƣu t rƣ̃ trƣớ c đó ) và tái sử dụng thông tin trong nhƣ̃ng trƣờ ng hơp̣ này để xác điṇ h tâp̣ tƣ vấn đầu ra. Nhươc̣ điểm: chi phí trong viêc̣ xây dƣṇ g cơ sở tri thƣ́ c để khở i đôṇ g , mang tính tiñ h về cơ bản, không tác dụng với những xu hƣớng ngắn hạn (not react to short-term trends). 2.2.2.4 Hybrid Recommender Systems Hê ̣thống tƣ vấn lai : kết hơp̣ hai hay nhiều ki ̃ thuâṭ khác nhau để đaṭ đƣơc̣ hiêụ suất tốt hơn , hạn chế nhƣơc̣ điểm của mỗi phƣơng pháp. 17
18. Mobile Location-Based Recommender System Hình 6. Hệ thống truy vâń lai. 2.2.3 Các lĩnh vực ứng dụng Nghiên cƣ́ u về hê ̣thống tƣ vấn đƣơc̣ thƣc̣ hiêṇ vớ i muc̣ tiêu chính là cải thiêṇ các hê ̣thống tƣ vấn thƣơng maị và các ƣ́ ng duṇ g thƣc̣ tiêñ khác. Có thể phân thành các lĩnh vực sau: Giải trí – phim, nhạc và IPTV. Nôị dung – tin tƣ́ c, tài liệu, trang web, chƣơng trình hoc̣ trƣc̣ tuyến và bô ̣loc̣ email. Thương maị điêṇ tử (e-commerce) – sách, máy quay phim, PC Dịch vụ: dịch vụ du lịch, thuê nhà, mai mối Đặc biệt, sƣ ̣ kết hơp̣ giƣ̃a thông tin trong mạng xã hội, thông tin về vị trí hiện tại của ngƣời dùng đã và đang làm cho tính cá nhân hóa trong các tƣ vấn đƣợc nâng cao lên rất nhiều lần . Ví dụ điển hình cho loại hình này là các mạng di động theo điạ điểm nhƣ Foursquare hoăc̣ Facebook Places. Viêc̣ lƣạ choṇ thuâṭ toán cho RS trong môṭ liñ h vƣc̣ cu ̣thể phải dƣạ vào hiểu biết chi tiết về liñ h vƣc̣ đó, yêu cầu của nó, cũng nhƣ những thách thƣ́ c và haṇ chế của ƣ́ ng duṇ g. 18
19. Mobile Location-Based Recommender System Phần 3. Mobile Location Based Recommender System - FourSquare 3.1 Giới thiệu Các hệ thống tƣ vấn sử dụng đánh giá của cộng đồng để giúp đỡ ngƣời dùng xác định sản phẩm hữu ích trong không gian tìm kiếm rộng lớn (ví dụ: Amazon hay Netflix). Kĩ thuật đƣợc sử dụng phổ biến là kĩ thuật lọc cộng tác (collaborative filtering), trong đó các ý kiến của cộng đồng đƣợc phân tích để tìm ra sự tƣơng đồng giữa những ngƣời sử dụng và giữa các sản phẩm, từ đó đề xuất k sản phẩm phù hợp nhất với ngƣời dùng đang thực hiện truy vấn. Ý kiến của cộng đồng đƣợc thể hiện thông qua đánh giá tƣờng minh, biểu diễn bởi bộ ba (user, rating, item). Với sự phát triển của các thiết bị di động có tích hợp GPS, hiện tại có rất nhiều ứng dụng có thể tạo ra các đánh giá theo vị trí ịđ a lí (location-based ratings), tức là các đánh giá có kèm theo thông tin về vị trí của ngƣời dùng (user) hoặc sản phẩm (item). Ví dụ, các mạng xã hội dựa trên địa điểm (Foursquare và Face-book Places) cho phép ngƣời dùng “check-in” tại một vị trí ịđ a lí nào đó (nhà hàng, quán ăn) và đƣa ra đánh giá về địa điểm đó, đây là dạng đánh giá kết hợp thông tin vị trí của cả ngƣời sử dụng và sản phẩm. Điều này thúc đẩy sự ra đời của các hệ thống tƣ vấn dựa trên vị trí (Location Based Recommender System), trong đó khía cạnh “không gian” của đánh giá (spatial aspect of ratings) sẽ đƣợc khai thác để cho ra các tƣ vấn theo vị trí (location-aware recommendations). Một ví dụ cho loại hình này là tính năng “Explore” trong mạng xã hội Foursquare. Các hệ thống này hoạt động chủ yếu trên môi trƣờng di động, thƣ̀ a hƣở ng hai đăc̣ điểm đăc̣ thù của các dic̣ h vu ̣thông tin di đôṇ g đó là khả năng nhâṇ diêṇ vi ̣trí "location-awareness" và tính có mặt khắp nơi “ubiquity”. Hai vấn đề cần phải giải quyết khi xây dựng một hệ thống tƣ vấn dựa trên vị trí là: Khai thác thông tin về vị trí nhƣ thế nào cho hiệu quả? Làm thế nào tối ƣu hóa tốc độ truy vấn trên dữ liệu không gian (spatial data) để trả kết quả trong khoảng thời gian chấp nhận đƣợc? (Đặc biệt với những ứng dụng có lƣợng dữ liệu lớn nhƣ Foursquare chẳng hạn). Ta sẽ lần lƣợt xem xét cách giải quyết vấn đề qua: Cách các nhà phát triển Foursquare xây dựng recommender engine cho hệ thống của họ. Các kĩ thuật đƣợc đề xuất trong hệ thống LARS (Location-Aware Recommender System) do Levandoski và các đồng sự đề xuất.[Levandoski et al. 2012] 19
20. Mobile Location-Based Recommender System 3.2 Mạng xã hội di động FourSquare 3.2.1 Giới thiệu chung Foursquare là mạng xã hội dựa trên vị trí (location-based social network) có tích hợp các yếu tố của trò chơi ra đời vào tháng 3/2009. Ứng dụng sử dụng chức năng định vị vệ tinh (GPS), chạy trên nền các smartphone. Ngƣời dùng thực hiện “check-in” những địa điểm khác nhau mà họ đến, ghi chú, nhận xét về những địa điểm đó, chia sẻ với bạn bè và nhận phần thƣởng, giảm giá của các doanh nghiệp dành cho các thành viên của FourSquare. Ngƣời “check-in” nhiều nhất tại một địa điểm nhất định sẽ đƣợc trao vƣơng miện "Thị trƣởng" tại địa điểm đó cho đến khi bị ngƣời khác vƣợt qua. Ngƣời nhận vƣơng miện sẽ nhận đƣợc chƣơng trình khuyến mãi đặc biệt của các doanh nghiệp tại địa điểm tƣơng ứng. Sự hấp dẫn vốn có của các mạng xã hội cộng với tính di động và yếu tố trò chơi làm cho Foursquare trở thành một trong những mạng xã hội di động lớn nhất (sau Instagram) với số lƣợng ngƣời dùng hơn 15 triệu và hàng triệu “check-in” mỗi ngày. [Fousquare, 2012] 3.2.2 Tính năng Explore Explore, ra đời cùng với phiên bản Foursquare 3.0 vào cuối năm 2011, giúp ngƣời sử dụng khám phá nhanh chóng những địa điểm thú vị trên hành trình tiếp theo của mình. Ngƣời dùng sẽ lựa chọn loại địa điểm họ đang muốn đến, chẳng hạn nhƣ “nhà hàng”, “quán café”, ứng dụng sẽ tìm và đề xuất ra các địa điểm tốt nhất theo một vài tiêu chí (Hình 5). Kết quả trả về là một danh sách các địa điểm đƣợc xếp hạng với các thông tin nhƣ: khoảng cách, bao nhiêu ngƣời từng ghé thăm, nhận xét của họ Hình 7. Tính năng Explore của FourSquare. Về cơ bản, bên dƣới tính năng Explore chính là một Recommender Engine, trong đó thông tin tƣ vấn đƣợc rút trích từ hoạt động của chính ngƣời dùng, bạn bè của họ, vị trí địa lí dựa trên GPS, và những nhân tố khác. Với Explore, Foursquare không chỉ “chăm sóc” ngƣời dùng ở thì hiện tại theo kiểu “Bạn đang ở đâu?Làm gì?” mà còn ở cả thì tƣơng lai gần “Bạn dự định đi đến đâu?”. Đây là một tính năng hết sức 20
21. Mobile Location-Based Recommender System thú vị, tiêu biểu cho sự kết hợp giữa mạng xã hội di động và các hệ thống tƣ vấn thông tin sử dụng vị trí (Location-Aware Recommender System) . 3.2.3 Các thách thức và giải pháp của Foursquare khi xây dựng Recommender Engine Ngoại trừ tính toán độ tƣơng đồng đƣợc tính toán trƣớc, tất cả các khâu khác của hệ thống nhƣ truy vấn (retrieval), xếp hạng (ranking), và trả về kết quả (rendering) đều đƣợc thực hiện online với thời gian phản ứng trung bình của server không quá 100ms. Đây là một bài toán khó vì phải truy lục trên kho thông tin địa lí khổng lồ các địa điểm xung quanh và rất nhiều “check-in” liên quan. Hai vấn đề chính cần giải quyết là: Xác ịđ nh các tiêu chí để lựa chọn và xếp hạng các kết quả trả về Nâng cao tốc độ thực thi của hệ thống (truy vấn, tính toán ộđ tƣơng tự ) 3.2.3.1 Xác định các tiêu chí xếp hạng Thuật toán chính đƣợc sử dụng để cá nhân hóa nội dung cung cấp cho ngƣời dùng chính đƣợc sử dụng trong recommender engine của Foursquare là lọc cộng tác (collaborative filtering), thuật toán này khai thác thông tin từ các “check-in” của bản thân ngƣời dùng và những ngƣời dùng tƣơng tự nhƣ họ “people like you”. [ Moore, 2011] Tuy nhiên việc xếp hạng nhƣ vậy sẽ gặp nhiều khó khăn, ví dụ nhƣ: Nếu chỉ đơn thuần sắp xếp dựa và số lần “check-in”, ta có thể có những kết quả hết sức thú vị, lại bỏ sót một số “viên ngọc ẩn mình”[ Moore, 2011].Chẳng hạn một nhà hàng có công suất lớn, và thời gian phục vụ kéo dài sẽ đƣợc đánh giá nặng kí hơn những nhà hàng khác, mặc dù trên thực tế nó chỉ có sức hút cao với ngƣời sử dụng trung bình. Tƣơng tự nhƣ vậy, xếp hạng dựa vào thông tin phản hồi của ngƣời sử dụng (xếp hạng ngôi sao chẳng hạn), cũng dẫn đến những vấn đề khác, nhƣ sự khác nhau tƣơng đối giữa các bảng xếp hạng. Một ngƣời dùng có thể xếp hạng cả quán “Ốc Đào” và “Mực nướng Đại học Sư Phạm” 5 sao, nhƣng sự thật hai địa điểm này có tốt nhƣ nhau hay không? Việc giải quyết các thuật toán này là một thách thức lớn đòi hỏi những nghiên cứu nhất định ở cả hai phƣơng pháp thống kê phổ biến và bí truyền. Một số lƣợng lớn các đặc điểm khác nhau cần phải đƣợc khảo sát, đồng thời, phải cân bằng các thông tin gây nhiễu. Cũng giống nhƣ các RS truyền thống khác khi sử dụng lọc cộng tác, Foursquare cũng gặp vấn đề “khởi đầu lạnh”, họ đã xây dựng một thuật toán riêng để giải quyết vấn đề này. 21
22. Mobile Location-Based Recommender System Một vấn đề khác đƣợc quan tâm là việc giải thích kết quả tƣ vấn cho ngƣời sử dụng. “Tại sao” họ nên đến nơi này mà không phải là nơi khác. Vấn đề đƣợc giải quyết trên cơ sở coi trọng và khuyến khích các mối liên kết xã hội cũng nhƣ các thói quen (loyalty) của ngƣời sử dụng. Hệ thống sẽ cho ngƣời dùng biết những thông tin nhƣ: bạn bè của họ đến một nơi nào đó, những địa điểm họ từng đến mà ngƣời khác cũng đến, cũng nhƣ số lần “check-in” của họ tại một địa điểm nào đó. Những thông tin này không chỉ ảnh hƣởng đến kết quả xếp hạng mà còn bổ sung kinh nghiệm, gợi lên một cuộc trò chuyện với bạn bè, hoặc gợi nhớ cho ngƣời dùng tới một địa điểm mà họ chƣa viếng thăm trong một khoảng thời gian. [ Moore, 2011] 3.2.3.2 Vấn đề nâng cao hiệu suất của hệ thống Sự chậm trễ lớn nhất đến từ việc truy vấn cơ sở dữ liệu, bao gồm: Truy vấn dữ liệu ban đầu để xếp hạng o Yêu cầu: lấy tập hợp các địa điểm trong vòng bán kính do ngƣời dùng xác định (tuy nhiên bỏ lại một số vì lí do hiệu suất). Cần có một cách truy vấn CSDL địa điểm để lấy đƣợc top N giá trị ban đầu trong vòng tròn địa lí đó theo một số tiêu chí nào đó. o Giải pháp: Hầu hết các CSDL hiện tại không đáp ứng đƣợc yêu cầu này với quy mô dữ liệu của Foursquare vì nó đòi hỏi đầu tiên phải đánh chỉ mục (indexing) về mặt địa lí, sau đó hợp nhất các chỉ mục địa lý này. Mongo (open source document- oriented NoSQL database system) đƣợc lựa chọn. MongoDB có thể thực hiện truy vấn trên với thời gian 30ms cho một bán kính 10 dặm ở thành phố New York (hàng trăm ngàn địa điểm). [ Moore, 2011] Những nơi bạn bè đã ếđ n? o Yêu cầu: lục lại lịch sử “check-in” của những ngƣời bạn tại tất cả những địa điểm là một nhiệm vụ khó khả thi với số lƣợng ngƣời dùng và địa điểm hiện có của FourSquare. Chẳng hạn, ngƣời sử dụng có 50 bạn bè, và ngữ liệu ban đầu là 250 địa điểm, mỗi ngƣời bạn “check-in” khoảng 2 lần thì có khả năng hê thống sẽ phải thực hiện truy vấn trên 250 000 “check-in”. o Giải pháp: Xây dựng vùng “cache” đặc biệt lƣu trữ các dữ liệu đã đƣợc tính toán về mối tƣơng tác giữa ngƣời dùng và các địa điểm, bao gồm cả số lần “check-in”. [ Moore, 2011] Việc tính toán độ tƣơng tự, tuy là thực hiện offline nhƣng cũng phải thực hiện một khối lƣợng tính toán khổng lồ, lên đến hàng trăm nghìn tỉ phép tính với số lƣợng 10 triệu địa điểm. Một số kĩ thuật khác đã đƣợc các nhà phát triển thực hiện để xử lí khối lƣợng tính toán trên. 22
23. Mobile Location-Based Recommender System 3.3 LARS: A Location-Aware Recommender System LARS là một hệ thống tƣ vấn nhận diện vị trí sử dụng các đánh giá theo vị trí (location-based ratings) để tƣ vấn cho ngƣời dùng. Các hệ RS truyền thống, không quan tâm tới vị trí địa lí của ngƣời dùng/sản phẩm, ngƣợc LARS lại hỗ trợ mô hình ba loại đánh giá: “spatial ratings for non-spatial items”, “nonspatial ratings for spatial items” và “spatial ratings for spatial items”. LARS khai thác vị trí của ngƣời đánh giá qua kĩ thuật “user partioning”, và khai thác vị trí của sản phẩm sử dụng kĩ thuật “travel penalty”. Hai kĩ thuật này có thể áp dụng độc lập, hoặc kết hợp tùy theo loại đánh giá theo vị trí đƣợc thực hiện. Kết quả thực nghiệm trên dữ liệu thực của Foursquare và Movilens cho thấy LARS hiệu quả, uyển chuyển và có khả năng đƣa ra tƣ vấn chính xác gấp hai lần các tƣ vấn hiện có. [Levandoski et al. 2012] 3.3.1 Tổng quan về LARS Hai kĩ thuật quan trọng nhất, để khai thác thông tin về vị trí trong LARS, đƣợc xây dựng trên mô hình ba loại đánh giá theo vị trí và hai đặc tính rút ra đƣợc trên cơ sở khảo sát hai tập dữ liệu lớn của Foursquare và Movilens. [Levandoski et al. 2012] 3.3.1.1 Mô hình ba loại đánh giá theo vị trí Trong các RS truyền thống không quan tâm tới vị trí địa lí, đánh giá (rating) đƣợc biểu diễn bởi bộ ba (user, rating, item). Trong LARS, các đánh giá đƣợc chia làm ba loại: “spatial ratings for non-spatial items”, biểu diễn bởi bộ bốn (user, ulocation, rating, item), trong đó “ulocation” là vị trí của người dùng. “nonspatial ratings for spatial items” , biểu diễn bởi bộ bốn (user, rating, item, ilocation) “spatial ratings for spatial items”, biểu diễn bởi bộ năm (user, ulocation, rating, item, ilocation) 23
24. Mobile Location-Based Recommender System 3.3.1.2 “Preference locality” và “Travel locality” Hình 8. “Preference locality” trong đánh giá theo vị trí [Levandoski et al. 2012] Hai tính chất đặc biệt trong hành vi ngƣời dùng đƣợc rút ra khi khảo sát tập dữ liệu của Foursquare và Movilens [Levandoski et al. 2012] là: Preference locality (tạm dịch “Sở thích cục bộ”): Tính chất này chỉ ra rằng, ngƣời dùng trong một khu vực địa lí sẽ có sở thích (phim, hoặc địa điểm) rất khác với những ngƣời ở khu vực khác, thậm chí là những khu vực lân cận (Hình 8). Do đó, các tƣ vấn cho một ngƣời dùng u phải khai thác dựa trên các rating r gần về mặt địa lí với u nhất. Travel locality ( tạm dịch “Di chuyển cục bộ”): Khi đối tƣợng đƣợc tƣ vấn mang yếu tố không gian (spatial item), ngƣời dùng có xu hƣớng lựa chọn địa điểm nằm trong một khoảng cách giới hạn nhất định (limited distance). Trong bảng phân tích dữ liệu của Foursquare, ngƣời ta nhận thấy rằng 45% ngƣời dùng di chuyển trong 10 dặm hoặc ít hơn, trong khi 75% còn lại chỉ di chuyển trong vòng bán kính 50 dặm. Quan sát này chỉ ra rằng các đối tƣợng ở các khoảng cách gần hơn cần đƣợc ƣu tiên lựa chọn nhƣ là các ứng viên tƣ vấn. 3.3.2 SPATIAL RATINGS FOR NON-SPATIAL ITEMS LARS phát sinh các tƣ vấn cho loại hình “spatial ratings for non-spatial items” (với bộ bốn (user, ulocation, rating, item)) bằng cách sử dụng kĩ thuật phân vùng người dùng (user partioning). Kĩ thuật này sẽ khai thác sở thích cục bộ (preference locality) của ngƣời dùng. Kĩ thuật “phân vùng ngƣời dùng” sử dụng một cấu trúc kim tự tháp thích nghi (adaptive pyramid structure) để phân nhóm các đánh giá (ratings) theo vị trí của ngƣời sử dụng vào các vùng không gian có kích thƣớc thay đổi ở các cấp bậc khác nhau. Với ngƣời sử dụng đang thực hiện truy vấn ở tại khu vực R, kĩ thuật lọc cộng tác (CF) sẽ chỉ khai thác các đánh giá (ratings) đƣợc thực hiện trong khu vực R để tƣ vấn. 24
25. Mobile Location-Based Recommender System Tuy nhiên thách thức ở đây là việc quyết định xem có phải duy trì tất cả các vùng (regions) trong kim tự tháp, để đảm bảo cân bằng giữa hai yêu cầu đối lập nhau: tính cục bộ (locality) và khả năng mở rộng (scalability). Duy trì một số lƣợng lớn khu vực (regions) sẽ tăng tính địa phương (locality) (tức là, các tƣ vấn duy nhất cho các khu vực địa lí nhỏ), nhƣng ảnh hưởng xấu đến khả năng mở rộng hệ thống (scalability) bởi vì mỗi khu vực cần phải lƣu trữ và duy trì của một cấu trúc dữ liệu lọc cộng tác cần thiết để có thể phát sinh các tƣ vấn. Kim tự tháp LARS có thể tự động thích ứng, tìm ra hình dạng phù hợp để cân bằng khả năng mở rộng và tính địa phƣơng của tƣ vấn. [Levandoski et al. 2012] 3.3.3 NON-SPATIAL USER RATINGS FOR SPATIAL ITEMS LARS phát sinh các tƣ vấn cho loại hình “nonspatial ratings for spatial items” , biểu diễn bởi bộ bốn (user, rating, item, ilocation) bằng cách sử dụng kĩ thuật “travel penalty”. Kĩ thuật này khai thác thuộc tính “travel locality” của ngƣời sử dụng, tức là các ứng viên tƣ vấn có khoảng cách càng xa với ngƣời dùng càng có độ ƣu tiên thấp hơn. Vấn đề đặt ra là phải tránh việc tính toán khoảng cách cho tất cả các ứng viên (spatial items) để đƣa ra danh sách k tƣ vấn, vì việc này sẽ tiêu tốn rất nhiều tài nguyên hệ thống. LARS giải quyết vấn đề này bằng cách sử dụng cơ cấu truy vấn hiệu quả, có khả năng kết thúc ngay khi phát hiện ra danh sách k câu trả lời không thể tối ƣu hơn nữa (tức là không thể thay đổi dù có xử lí thêm các ứng viên khác). [Levandoski et al. 2012] 3.3.4 SPATIAL USER RATINGS FOR SPATIAL ITEMS Để phát sinh tƣ vấn cho hình thức “spatial ratings for spatial items”, biểu diễn bởi bộ năm (user, ulocation, rating, item, ilocation), LARS sử dụng cả hai kĩ thuật “user partioning” và “travel penalty” để khai thác cả vị trí của ngƣời dùng và đối tƣợng tích hợp trong các đánh giá (ratings). Đây là một đặc tính nổi bật của LARS, cả hai kĩ thuật có thể đƣợc sử dụng riêng rẽ, hoặc kết hợp tùy vào loại đánh giá theo vị trí (location-based ratings) mà hệ thống hỗ trợ. [Levandoski et al. 2012] 3.4 Đánh giá chung Cùng một bài toán, Foursquare và LARS đã có cách tiếp cận giải quyết vấn đề khá khác nhau. Về việc khai thác vị trí địa lí để đƣa ra kết quả tƣ vấn, Foursquare, với những yêu cầu của một ứng dụng thực tế, đã ốc gắng tìm ra các đặc trƣng tốt nhất để thực hiện việc xếp hạng tƣ vấn trong phạm vi cụ thể của ứng dụng. Trái lại, các tác giả của LARS đã xác định đƣợc hai đặc trƣng chung của các đánh giá theo vị trí là “preference locality” và “travel locality” từ đó đề xuất ra hai kĩ thuật khai thác một cách hiệu quả thông tin về vị trí khi đƣa ra tƣ vấn. Về vấn đề tốc độ truy vấn trên dữ liệu địa lí, đã đƣợc Foursquare giải quyết bằng những phƣơng pháp mang tính “kĩ thuật”, ngƣợc lại LARS đề xuất ra một kĩ thuật truy vấn hiệu quả dựa trên Tƣ tƣởng về “travel locality” [Levandoski et al. 2012]. 25
26. Mobile Location-Based Recommender System 3.5 Hướng phát triển Vớ i phát triển của các công nghê ̣mớ i nhƣ ki ̃ thuâṭ điṇ h vi ̣ (RFID hoặc Wi-Fi beacon-based và GPS), và sự hấp dẫn đáng kinh ngạc của các thiết bị di động , đa ̃ có nhiều nghiên cƣ́ u và dƣ ̣ án đang cố gắng áp dụng công nghệ tƣ vấn vào thị trƣờng này . Các loại hình dịch vụ mới xuất hiện ngày càng nhi ều và tinh vi hơn. Tuy nhiên, các lĩnh vực nghiên cứu này chƣa đƣợc định hình một cách rõ ràng và sẽ khó rõ ràng trong tƣơng lai vì khó mà xác điṇ h đƣơc̣ các đăc̣ tính của môṭ thiết bi ̣di đôṇ g đƣơc̣ ƣu chuôṇ g , thiết bi ̣nào se ̃ chiếm thi ̣phần lớ n nhất. Chẳng haṇ , ta thấy rất nhiều nghiên cƣ́ u đƣơc̣ thƣc̣ hiêṇ để khắc phuc̣ haṇ chế của thiết bị di động nhƣ màn hình nhỏ , khả năng tính toán kém , tất cả nhƣ̃ng haṇ chế này có thể đƣơc̣ khắc phuc̣ môṭ cách nhanh chóng và làm cho môṭ số reasearch trở nên lỗi thờ i [Ricci, 2011]. Măc̣ dù vâỵ , vâñ có môṭ số liñ h vƣc̣ troṇ g tâm đáng lƣu ý , bao gồm [Ricci, 2011]: Khám phá nhu cầu của ngƣời dùng (Elicitation of the user’s preferences). Viêc̣ thu nhâṇ nhanh và chính xác nhu cầu của ngƣời dùng vẫn còn là một vấn đề mở . Hê ̣thống tƣ vấn di đôṇ g , đăc̣ biêṭ là nhƣ̃ng hê ̣thống liên quan đến ngƣ̃ cảnh (context) sẽ cần nhiều thông tin về nhu cầu và sở thích của ngƣờ i dùng hơn nƣ̃a, nhƣng laị không có môṭ giao diêṇ linh hoaṭ để hỗ trơ ̣ nhiêṃ vu ̣này . Viêc̣ suy luâṇ ngầm (implicit) các sở thích, nhu cầu tƣ̀ hành vi của ngƣờ i dùng (user’s behavior), là một giải pháp dễ thấy nhất. Tuy nhiên, nhƣ̃ng giao diêṇ mớ i nhƣ âm thanh (dƣạ trên nhâṇ diêṇ gioṇ g nói ), hình ảnh, video (dƣạ trên ƣ́ ng duṇ g thƣc̣ tế ảo tăng cƣờ ng ) sẽ tạo ra một kênh giao tiếp hiệu quả hơn. Sƣ̉ duṇ g nhƣ̃ng ki ̃ thuâṭ mớ i này , thông tin đầu ngƣờ i dùng bao gồm cả tƣơng tác vớ i không gian , ví dụ, cƣ̉ chỉ, nét mặt , (the interaction with the space) sẽ khắc phục một vài hạn chế của cách tƣơng tác cổ điển (vớ i bàn phím). Tƣ vấn chủ đôṇ g dƣạ trên cảm biến (Proactive and sensor based recommendations ). Không có hê ̣ thống tƣ vấn nào đƣơc̣ xét đến ở trên có khả năng chủ đôṇ g làm gián đoaṇ hoaṭ đôṇ g của ngƣời dùng với các tƣ vấn không đƣợc yêu cầu , nhƣng có liên quan . Có quá nhiều rủ i ro cho viêc̣ làm phiền ngƣờ i dùng. Tuy nhiên, sƣ ̣ xuất hiêṇ của các bô ̣cảm biến sinh trắc hoc̣ thế hê ̣mớ i , đáng tin câỵ có thể làm tăng tính khả thi và tiêṇ lơị của loaị hình này. Viêc̣ này có thể cách maṇ g hóa vai trò của RSs từ công cụ tìm kiếm và hỗ trợ ra quyết định trở thành công cụ khám phá thông tin (information discovery) và giải trí đồng thời. Giải thích các tƣ vấn (Explanations of recommendations ). Đây là chủ đề ít đƣơc̣ nghiên cƣ́ u và rõ ràng là cần thiết trong một kịch bản sử dụng mobile . Giải thích phải dựa trên mô tả của sản phầm , và điều này khá khó với kích thƣớt màn hình của thiết bị di động. An ninh và bảo mật thông tin và bộ nhớ của ngƣời dùng (Security and privacy and the user memory). Ngƣời sử dụng điện thoại di động môṭ măṭ phải cung cấp thông tin để khám phá dịch vụ mới và đồng thời phải đƣơc̣ che giấu sự riêng tƣ và bảo mật c ủa mình khỏi những nguy hiểm tiềm tàng từ các chƣơng trình và dic̣ h vu ̣nguy hiểm. 26
27. Mobile Location-Based Recommender System Portable recommender systems. Điểm cuối cùng đề cập đến khả năng thƣc̣ hiêṇ và di chuyển các RS và qua các thiết bi ̣và nền tảng khác nhau. Ngƣời sử dụng trong thực tế nên có thể thƣc̣ hiêṇ môṭ dịch vụ thông tin bằng cách sử dụng một loạt các thiết bị (điện thoại, máy tính xách tay và máy ảnh kỹ thuật số) và nhƣ̃ng hoaṭ đôṇ g đa ̃ thƣc̣ hiêṇ , nhƣ̃ng dic̣ h vu ̣đa ̃ sƣ̉ duṇ g, với những thiết bị và giao diêṇ này nên đƣơc̣ tích hơp̣ laị vớ i nhau . Ngƣời sử dụng phải đƣợc nhâṇ diêṇ và phục vụ một cách thích hợp bất cứ thiết bị gì đƣ ợc sử dụng, và các hành động thực hiện với một thiết bị nên là một phần của quá trình cá nhân hoá toàn bộ dịch vụ. 27
28. Mobile Location-Based Recommender System Phần 4. Các nguyên tắc sáng tạo được vận dụng trong xây dựng FourSquare (01) Nguyên tắ c “tá ch khỏi” - Khi xếp hạng các kết quả trả về, các nhà phát triển đã lựa chọn ra những tiêu chuẩn quan trọng nhất để đánh trọng số: khoảng cách địa điểm với ngƣời sử dụng, mức độ rating của cộng đồng với các địa điểm và một vài yếu tố khác. Các yếu tố đƣợc đánh giáớ v i trọng số khác nhau. (02) Nguyên tắ c phẩm chấ t cuc̣ bô ̣ - Các địa điểm đang đƣợc ngƣời dùng di chuyển tới sẽ đƣợc đánh dấu trên bản đồ. (03) Nguyên tắ c kết hơp̣ - Kết hợp tính cộng tác trên mạng xã hội, thông tin vị trí địa lí trên các thiết bị di động để đƣa ra tƣ vấn cho ngƣời sử dụng thiết bị. (04) Nguyên tắ c phản đối xứng - Màn hình hiển thị của ứng dụng trên các thiết bị khác nhau (laptop, điên thoại) sẽ tự động điểu chỉnh để có chế độ hiển thị hợp lí. (05) Nguyên tắ c thưc̣ hiêṇ sơ bô ̣ - Để việc truy vấn cơ sở dữ liệu địa lí đƣợc thực hiện với tốc độ nhanh, trƣớc đó các địa điểm đã đƣợc đánh chỉ mục và . kiêṇ làm viêc̣ để không phải nâng lên hay ha ̣xuống các đối tƣơṇ g. (06) Nguyên tắc sử dụng trung gian - Yêu cầu: nâng cao hiệu suất hệ thống khi lục lại lịch sử “check-in” của những ngƣời bạn tại tất cả những địa điểm là một nhiệm vụ khó khả thi với số lƣợng ngƣời dùng và địa điểm hiện có của FourSquare. Chẳng hạn, ngƣời sử dụng có 50 bạn bè, và ngữ liệu ban đầu là 250 địa điểm, mỗi ngƣời bạn “check-in” khoảng 2 lần thì có khả năng hê thống sẽ phải thực hiện truy vấn trên 250 000 “check-in”. - Giải pháp: Xây dựng vùng “cache” đặc biệt lƣu trữ các dữ liệu đã đƣợc tính toán về mối tƣơng tác giữa ngƣời dùng và các địa điểm, bao gồm cả số lần “check-in”. [ Moore, 2011] 28
29. Mobile Location-Based Recommender System TÀI LIỆU THAM KHẢO [Bridge et al., 2006] Bridge, D., G¨ oker, M., McGinty, L., and Smyth, B. (2006). Case-based recommender systems.The Knowledge Engineering review, 20(3):315–320. [Burke, 2007] Burke, R. (2007). Hybrid web recommender systems. In The Adaptive Web, pages 377– 408. Springer Berlin / Heidelberg. [Fousquare, 2012] About foursquare. Truy cập ngày 15 tháng 4 năm 2012, từ [Herlocker et al., 1999] Herlocker, J. L., Konstan, J. A., Borchers, A., and Riedl, J. (1999). An algorithmic frame-work for performing collaborative filtering. In SIGIR ’99: Proceedings of the 22nd Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, August 15-19, 1999, Berkeley, CA, USA, pages 230–237. [Koren, 2008] Koren, Y. (2008). Factorization meets the neighborhood: a multifaceted collaborative filtering model. In Li, Y., Liu, B., and Sarawagi, S., editors, KDD, pages 426–434. ACM. [Levandoski et al. 2012] Levandoski, J. Sarwat, M. Eldawy, A. and Mokbel, M.(2012). LARS: A Location-Aware Recommender System. To appear in Proceedings of the IEEE International Conference on Data Engineering, Washington D.C., April 2012 [Manning, 2008] Manning, C. (2008). Introduction to Information Retrieval. Cambridge University Press, Cambridge. [ Moore, 2011] Moore, J. (2011). Building a recommendation engine, foursquare style. Truy cập ngày 10 tháng 04 năm 2012, từ [Pazzani và Billsus , 2007] Pazzani, M. J. and Billsus, D. (2007). Content-based recommendation systems. In [Brusilovsky et al., 2007], pages 325–341. [Ricci, 2011] F. Ricci (2011). Mobile Recommender Systems. International Journal of Information Technology and Tourism, 12(3):205-23. [Virrantaus et al. 2001] Virrantaus, K., Markkula, J., Garmash, A., Terziyan, Y.V., 2001. Developing GIS-Supported Location Based Services. In: Proc. of WGIS’2001 – First International Workshop on Web Geographical Information Systems., Kyoto, Japan. , 423–432. [Xiao and Benbasat, 2007] B. Xiao, I. Benbasat (2007). E-Commerce Product Recommendation Agents: use, characteristics, and impact. MIS Quarterly Vol. 31 No. 1, pp. 137-209. 29