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, ostoskäyttäytymistä, aikatauluja, arkea. Mielestäni on ihan hyvä väline tutkimusten tekemiseen, mutta muuten ihmisten liikkeiden seuraaminen voi johtaa big brother-meininkiin, mihin kyllä osaltaan esim. Facebookin kanssa ollaan menty, aina kun päivität statuksen kännykällä, näkyy siinä sijainti. Toisaalta se pitää asetuksista laittaa pois.
HAASTE: Käyttäjät voivat käyttää samaa reittiä, mutta paikannus näyttää erilaiselta, koska saattavat jättää erilaiset gea-tagit, vaikka ovat samassa paikassa.
Paikannukset -> data, monien käyttäjien, klusterointi, hierarkia, indiduaalit vertauksessa, hierarkinen klusterointi. Hierarkia syntyy
Välikommentti, yritin suomennella: Mining user similarity based on location history = Kaivostoiminta käyttäjä samankaltaisuus sijainnin historiaan (google translate 
)
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. Se, että näiden käyttäjien välillä on jotain yhteistä, ei kuitenkaan tarkoita sitä, että he olisivat suoraan samanlaisia tai kiinnostuneita samoista asioista. Hieman tuli kritiikkiä tähän liittyen yleisöltä, se, että ihmiset tsekkaa sisään samaan Starbucksiin joka päivä ei tee heistä välttämättä samanlaisia tai edes kiinnostuneita samoista asioista.
Samalla myös paikkoihin liittyvä filosofia muuttuu, jos joku paikka tulee suositummaksi, niin sen uniikki asema muuttuu, uniikista tulee yleistä.
KAHVITAUKO
Back in business
Nyt siirryttiin tietysti tiukkaan teoriaan ja esittelyssä kaavoja ja parametrejä siitä, miten tutkimuksen tuloksia analysoitiin.
Tutkimustapaa voidaan myös analysoida niin, että esim. kuinka monta ravintolaa on tietyllä alueella, tai kauppojen sijaintia, ja nimenomaan sellaisia, missä he käyvät. Uskoisin, että tällaisella tiedolla on markkina-arvoa kauppaketjuille ja ravintoloille.
Haasteet: Mikä on location? miten se määritellään? Locationin kiinnostavuus, ei voi laskea sillä, kuinka moni on käynyt siellä. Kuinka voi päätellä käyttäjän matkustamiskäyttäytymistä/käyttäytymistä.
Metodologiaa
HITS (hypertext induced topic search) malli
- auktoriteetti: Nettisivu, jossa on linkkejä + Hub: sivu, jossa on paljon linkkejä ulkopuolelle. = vahvistavat toisiaan.
Tutkimuksessa ei selviä esim. kauan ihmiset ovat paikalla, koska tsekkaavat vain sisään kerran. Tsekkauksia voi myös tehdä, jos on lähellä paikkaa, eikä juuri siinä kohdalla. Suosittujen reittien muodostaminen on helpompaa tsekkausten avulla. Jos ihmiset käyttävät jotain tiettyä reittiä jatkuvasti, on siihen joku syy. Joillain reiteillä voi myös olla aikaan liittyviä seikkoja.
Reunahavainnot: puhuja on elävöittänyt dioja kuvilla Kiinasta.
Item-based collaborative filtering for personalized location recommadation
esittelyssä algorytmi siihen, että miten käyttäjät voivat suosituksilla saada paikoista suositumpia / enemmän vierailijoita. Paikkojen arvostelu voi myös saada sinne enemmän ihmisiä, eli käyttäjien tulee arvioida paikka, mitä paremmin arvioita, sitä suositumpi paikka useimmiten tulee olemaan.
Puhuja tuntuu kiertävän ympyrää ja toistaa samat tulokset uudestaan eri tavalla, siksi en saa mitään kirjoitettua, koska uutta informaatiota tulee vähänlaisesti.
Ja tämä päättyi, kirjoitan tauon jälkeen pienen yhteenvedon!