Location-Based Social Networks, Yu Zheng
"In this tutorial, we first introduce and define the meaning of location-based social network (LBSN)"
Noniin, olen siis tutoriaalissa, jossa käsitellään sijaintiin perustuvia sosiaalisia verkostoja (raaka suomennos, käytän lyhennettä LBSN)
Microsoft Research Asia (MSRA) on tehnyt tämän tutkimuksen, käydään läpi sitä, miten LBSN:a voi käyttää apuna tehdessään käyttäjätutkimuksia.
Tutoriaali perustuu kirjan Computing with Spatial Trajectories (lukuihin 8-9)
Osa 1: Konsepti, määrittely, filosofia tutkimuksen takana
- Sosiaaliset verkostot sosiaalinen järjestelmä, jossa individuaalit kommunikoi ja on yhteydessä toisiinsa.
- Sosiaaliset verkkopalvelut; kuvastaa oikean elämän sosiaalista verkostoa, ja antaa mahdollisuuden kommunikoida online.
- Paikannus: GPS, WiFi, RFID jne.. liittyy navigaatioon, absoluuttinen, symbolinen (alueet, pisteet)
- Paikannus+Sosiaalinen verkko= antaa uuden ulottuvuuden,käyttäjäkeskeinen maantieteelliseen paikannukseen liittyvä media. Ihmiset voivat jakaa oman sijainnin = ymmärrys.
Data + Intelligence Microsoft services + third party services, data -> informaatio -> tieto -> älykkyys
Näiden sovellusten avulla, voimme ymmärtää paremmin sitä, mistä tulemme ja mitä teemme, opimme, koska voimme jakaa sijaintiin perustuvaa tietoa. Esim. ravintolat, ja niiden arvostelut (tulee mieleen Suomessa app eat.fi)
Kolme erilaista LBSN-palvelua: 1. maantieteellinen taggaus : flickr - geotagged photos, 2. Piste-paikannus, Point-location: Foursquare, 3. trajectory (kehityskaari)-centric: Geolife, google maps reitit
käyttäjien ymmärtäminen, tutkimusfilosofia
Käyttäjiä tutkittiin antamalla heille gps-paikantimet ja kännykät, joilla voi tehdä paikannusilmoituksia. Kaikkea ei kuitenkaan tarvinnut jakaa, käyttäjä sai päättää mitkä paikat halusi antaa tutkimukseen. Tämän perusteella tehdään graafeja ja paikannuskorrelaatioita.
Jakaminen: Tekee datasta ymmärrettävää, HCI (human computer interaction), tehokas keino kerätä tietoa.
Tutkimuksessa käyttäjän päivää seurattiin GPS:lla kun tämä kirjautua erilaisiin paikkoihin, jätti kommentin ja otti kuvan.
Ymmärtäminen: Käyttäjän ymmärtäminen; Yhtäläisyydet käyttäjien keskellä, esim. jos käy salilla, tykkää urheilusta jne.. Miten tunnistamme käyttäjistä expert-käyttäjän, jonka tiedot ovat tärkeämpiä kuin muiden, kuka on se johtohahmo verkostoissa. Tämän selvittyä voidaan tutkia myös enemmän yhteisöä.
Haasteet alalla: Heterogeeniset verkostot jakamisen ja käyttäjien suhteen. Erityistarpeet: Hierarkia, granularity. Kasvaa nopeasti: uuden paikan lisääminen helppoa, käyttäjien kokemukset ja tieto vaihtuu.
Osa 2:
Miksi tarvitaan tietoja käyttäjiltä? Voidaan tutkia käyttäytymistä ja toimintaa esim. kaupunkiympäristössä.
HAASTE: Käyttäjät voivat käyttää samaa reittiä, mutta paikannus näyttää erilaiselta, koska saattavat jättää erilaiset gea-tagit, vaikka ovat samassa paikassa.
Model user location history
Paikannukset -> data, monien käyttäjien, klusterointi, hierarkia, indiduaalit vertauksessa, hierarkinen klusterointi. Hierarkia syntyy
Välikommentti: Mining user similarity based on location history = Kaivostoiminta käyttäjä samankaltaisuus sijainnin historiaan (google translate :D)
Yhtenäiväisyydet käyttäjien kesken syntyy, kun tutkitaan, ketkä ovat käyneet samassa paikassa ja liikkuvat samalla tavalla. Näiden ihmisten välillä voi olla faktoreita ja samoja intressejä ja heillä voi olla jotain yhteistä.