شبکه های مخابرات بی سیم و دستگاه های مجهز به فناوری های تعیین موقعیت، امکان اشتراک گذاری موقعیت کاربران به همراه سایر موارد را برای کاربران شبکه های اجتماعی فراهم ساخته اند. از این رو شاخصه های مکانی را می توان به شبکه های اجتماعی افزود و از آن به عنوان داده مکان مبنا استفاده برد. یکی از مباحث پراهمیت در زمینه شبکه های اجتماعی مکان مبنا، تعیین شباهت میان کاربران است. در این تحقیق، برمبنای تحقیقات صورت پذیرفته راجع به شبکه های اجتماعی مکان مبنا، سعی شده مرور کاملی بر معیار های تعیین شباهت کاربران انجام پذیرد. بعلاوه تلاش شده است که با طبقه بندی حوزه های تحقیقاتی موجود، وضعیت روشن تری در اختیار کارشناسان و علاقه مندان این حوزه گذاشته شود. با توجه به نتایج تحقیق حاضر، می توان عنوان کرد که تحقیقات انجام شده در این زمینه هنوز در مراحل ابتدایی بوده و برخی معیارها همانند معیار های معنایی و محتوایی بیشتر از سایرین نیازمند تحقیقات می باشند.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

امروزه علوم شهری و رفتاری در حال تجربه دوره جدید تحت عنوان دوره داده های عظیم است. با توسعه هم زمان تکنولوژی های ارتباطاتی و اطلاعاتی و تکنولوژی های مکان مبنا، یک حجم غیر قابل پیش بینی از داده تحت عنوان داده های عظیم، تولید شده و هر روز نیز به آن افزوده می شود. این مجموعه های عظیم اطلاعاتی مرتبط با رفتار انسان، به محققان اجازه می دهد که رفتارهای تحرک و تعامل انسان ها را با دقت بی سابقه ای مطالعه نمایند و بر این اساس به الگوهای جابجایی افراد بین مناطق مختلف جغرافیایی دست یابند. در این میان، شبکه های اجتماعی مکان مبنا که یک مفهوم جدید از رسانه های اجتماعی روی خط می باشند، دارای پتانسیل بالا برای تولید داده هایی با دقت مکانی و زمانی بیشتر، اندازه نمونه بزرگ تر و هزینه بسیار پایین تر می باشند. داده های حاصل از این شبکه ها یکی از مدرن و به روزترین منابع داده ای است که امروزه مورد توجه محققین در موضوع مدیریت شهری قرار گرفته است و به آن ها اجازه می دهد تا سه جنبه مهم تحرک و تعامل انسان شامل: مکان، زمان و ارتباطات اجتماعی را مورد بررسی قرار دهند. در این تحقیق ضمن تشریح و بررسی عملکرد دو مدل تابشی و PWO به منظور برآورد ماتریس مبدا-مقصد تلاش شده است که با توسعه این مدل ها به منظور استفاده از اطلاعات قابل استخراج از داده های شبکه های اجتماعی مکان مبنا به عنوان پارامترهای ورودی این دو مدل، الگوهای حرکتی بین مناطق مختلف شهری شناسایی و ماتریس مبدا-مقصد بهینه استخراج گردد. نتایج ارزیابی ماتریس مبدا-مقصد مدل شده نشان می دهد که سفرهای پیش بینی شده حدود 70% سفرهای واقعی را بازسازی می نماید. این امر پتانسیل بالای داده های شبکه های اجتماعی مکان مبنا را در شناسایی رفتار حرکتی شهروندان و مدل سازی حرکت جمعیت پویای شهری اثبات می کند.

شناخت محیط های شهری و درک رفتار حرکتی شهروندان یک زمینه تحقیقاتی مهم در حوزه تحلیل داده های مکانی است. شبکه های اجتماعی مکان مبنا داده های به روز، غنی و عظیمی را که کاربران به طور صادقانه ای از رفتار مکانی، زمانی و معنایی خود به اشتراک می گذارند، ثبت و جمع آوری می کنند. در این تحقیق تلاش شده است بر مبنای داده های مکانی و معنایی شبکه های اجتماعی مکان مبنا، محیط های شهری بر مبنای کاربری های اجتماعی خوشه بندی شوند. بدون تردید ساختار فیزیکی و همچنین کاربری یک منطقه شهری بر روی رفتار مکانی شهروندان تأثیر می گذارد و این تأثیر به داده های شبکه های اجتماعی مکان مبنا نیز سرایت می کند. در این راستا در اولین گام با به کارگیری یک الگوریتم خوشه بندی مبتنی بر شبکه عصبی رقابتی (SOM) داده های مکانی کاربران خوشه بندی میگردد. سپس با رسم دیاگرام ورونوی بر روی مراکز خوشه ها، محیط شهری به چند منطقه افراز شده و داده هایی که کاربران در هر منطقه ثبت کرده اند مشخص می شود. پس از استخراج درصد هر گروه از داده های معنایی و با در نظر گرفتن وزن هر یک از این گروه ها، با بهره گیری از الگوریتم فرا ابتکاری ژنتیک شاخص بهینه ای برای تعیین کاربری اجتماعی محاسبه می گردد. سپس با استفاده از یک الگوریتم خوشه بندی بر مبنای شاخص تعیین شده، به هر منطقه یک بعد معنایی که نماینده کاربری اجتماعی آن منطقه است، نسبت داده شد. به منظور ارزیابی روش پیشنهادی، نمودار تغییرات زمانی تعداد داده ها در طول شبانه روز برای پنج روز کاری هفته و دو روز پایان هفته برای هر گروه از داده های معنایی رسم شده و برای خوشه های شناسایی شده از روش پیشنهادی نیز استخراج گردید. سپس از همبستگی بین این نمودارها به عنوان شاخص ارزیابی روش پیشنهادی استفاده شد. نتایج حاصل از این تحقیق، بیانگر پتانسیل بالای شبکه های اجتماعی مکان مبنا برای شناخت محیط های شهری می باشد.

تسهیل در دسترسی به تکنولوژی های مکان یابی مانند GPS امکان ذخیره تجربیات مکانی و انتشار آن بر روی بستر اینترنت را برای افراد به وجود آورده است. استفاده از این قابلیت در شبکه های اجتماعی تحت وب و در نظر گرفتن داده های مکانی به اشتراک گذاشته شده توسط کاربران، به عنوان یال های ارتباطی که کاربران یک شبکه اجتماعی را به لایه اطلاعات مکانی متصل می کند، شبکه های اجتماعی مکان مبنا را نتیجه می دهد. اضافه شدن بعد مکان در این شبکه ها باعث می شود که با ایجاد یک پل ارتباطی بین شبکه های اجتماعی مجازی و جهان واقعی، اطلاعات آنها به واقعیت نزدیک تر شود. شبکه های اجتماعی مکان مبنا به واسطه اخذ و به روز رسانی اطلاعات از کاربران خود در سراسر دنیا، منابع غنی برای داده کاوی و کشف اطلاعات محسوب می شوند. بر اساس این اطلاعات می توان سرویس های مختلفی را به کاربران ارائه کرد که هم می توانند باعث بهبود ساختار شبکه اجتماعی کاربران شوند و هم از نظر مکانی، خدمات مختلفی را به کاربران ارائه کنند. در این مقاله تلاش شد تا با مدل کردن اطلاعات پیشینه مکانی کاربران در یک چارچوب سلسه مراتبی و با استفاده از الگوریتم های داده کاوی، مکان ها و مسیرهای جذاب و کاربران خبره در یک محدوده جغرافیایی شناسایی و بر اساس آن یک سرویس توصیه گر مکانی- زمانی ارائه شود. در این سیستم با توجه به مکان و زمان پرس وجو و بر اساس اطلاعات به اشتراک گذاشته شده سایر کاربران، مکان هایی برای بازدید به کاربر مورد نظر پیشنهاد می شود.

امروزه پس از گذشت زمان نسبتا کوتاهی از ظهور شبکه های اجتماعی مکان مبنا، این رسانه های اجتماعی به یک عنصر جدایی ناپذیر از زندگی اجتماعی به خصوص در شهرهای بزرگ تبدیل شده اند. افزایش محبوبیت شبکه های اجتماعی، پیشرفت فناوری های تعیین موقعیت مکانی از جمله سیستم تعیین موقعیت جهانی(GPS) و هم چنین فراگیر شدن گوشی های تلفن هوشمند که علاوه بر مجهز بودن به GPS به راحتی به شبکه جهانی وب متصل می شوند، باعث تولید انبوه داده های مکانی به روز، کم هزینه و ارزشمند شده است. در کنار کاربرد های متعدد، از این داده ها می توان در راستای برطرف نمودن چالش های شهری سود جست. به عنوان نمونه ای از این کاربرد ها، در این تحقیق از رفتار کاربران در شبکه های اجتماعی مکان مبنا جهت تعیین کاربری اجتماعی در محیط های شهری استفاده شده است. در این راستا ابتدا با خوشه بندی داده های مکانی کاربران به تشخیص مناطق در محیط های شهری پرداخته شده، و سپس ضمن استخراج الگوهای تغییرات تعداد داده های کاربران و جابجایی شهروندان در مناطق شهری در شبکه های اجتماعی در طول شبانه روز، از این الگوها به عنوان شاخص تعیین کاربری استفاده شده و به هر منطقه، یک نوع کاربری اجتماعی نسبت داده می شود. به منظور ارزیابی روش پیشنهادی ماتریس در هم گسیختگی بر مبنای حضور مکان های ثبت شده با کاربری معین در مناطق شناسایی شده تشکیل شد و مقدار دقت کلی و شاخص کاپا به ترتیب 79 و 71 درصد محاسبه گردید. همچنین مقایسه نتایج حاصل با تصاویر ماهواره ای نشان دهنده پتانسیل بالای شبکه های اجتماعی مکان مبنا برای شناخت محیط های شهری و حل چالش های موجود است.

در این پژوهش یک مدل داده گراف مبنا مبتنی بر توپولوژی جبری و سادک ها برای مدل سازی شبکه های اجتماعی مکان مبنا برای فضاهای داخلی ارائه شده است. به کمک راهبرد ارائه شده در این مقاله، مدل داده گراف مبنا با معیارهایی سادک مبنا برای تخمین مشابهت و مربوط بودن مکانی اجتماعی توسعه داده می شود. این معیارها بازیابی داده در پرسش و پاسخ های مکانی اجتماعی را فراهم کرده و امکان آشکارسازی روابط پنهان بین افراد و مکان ها در فضای داخلی را مهیا می سازند. از سویی دیگر مدل داده پیشنهادی شامل یک سنجه سادک مبنا برای تخمین میزان آسانی دسترسی بین هر دو مکان در فضای داخلی است که می تواند در پردازش جزء مکانی پرسش و پاسخ های مکانی اجتماعی مورد استفاده قرار گیرد. پیاده سازی آزمایشی دو شبکه اجتماعی مکان مبنا در فضای داخلی، مزیت کمّی استفاده از ساختار گراف مبنا و برتری کیفی استفاده از سادک ها برای مدل سازی نمایه کاربران و مکان ها را در پردازش پرسش و پاسخ های مکانی اجتماعی در فضای داخلی نشان می دهد.

یکی از سرویس هایی که در بین کاربران تلفن های همراه هوشمند با استقبال زیادی روبه رو شده است، سرویس های مبتنی بر شبکه های اجتماعی است. توصیه مکان یکی از سرویس های محبوب برای شبکه های اجتماعی مکان مبناست. این سرویس بر اساس پیشینه رفتار کاربر و اطلاعات مکان مانند دسته بندی مکان، مکان های بازدید نشده را به کاربران پیشنهاد می دهد. روش های موجود که از اطلاعات ثبت موقعیت کاربر و اطلاعات مکان، استفاده می کنند، تنها تاثیر مکانی و تاثیر زمانی را در توصیه مکان در نظر گرفته اند. با توجه به اینکه روابط اجتماعی کاربر می تواند بر عملکرد بهتر توصیه مکان تاثیر بگذارد، این تاثیر نیز می تواند نقش مهمی در توصیه مکان ایفا کند. در این پژوهش، الگوریتم توصیه مکان PCLRTGS با در نظر گرفتن تاثیر مکانی، تاثیر زمانی و تاثیر روابط اجتماعی توسعه داده شده است. در این الگوریتم، تاثیر مکانی با استفاده از تابع توزیع مکانی مدل سازی شده است. همچنین برای مدل سازی تاثیر زمانی، منحنی زمانی هر کاربر در هر دسته ایجادشده و شباهت این منحنی با منحنی های زمانی کاربران دیگر در آن دسته به دست آمده و این شباهت برای مدل سازی تاثیر زمانی بکار گرفته شده است. تاثیر روابط اجتماعی نیز با استفاده از سه معیار شباهت ارتباطات اجتماعی کاربر و دوستانش، شباهت فعالیت های ثبت موقعیت کاربر و دوستانش و شباهت زمانی رفتار ثبت موقعیت بین کاربر و دوستانش، مدل سازی شده است. الگوریتم توسعه داده شده با استفاده از دو معیار دقت و جامعیت ارزیابی شده و با دو الگوریتم PCLR و sPCLR در پنج گروه با تعداد توصیه های مختلف مقایسه شده است. نتایج نشان می دهد که الگوریتم پیشنهادی PCLRTGS ازنظر دقت و جامعیت، حدود 15-10 درصد عملکرد بهتری نسبت به دو الگوریتم PCLR و sPCLR دارد.