Download to read offline
![[세미나] 20160520 Gradle](https://cdn.slidesharecdn.com/ss_thumbnails/20160520gradle-160523005620-thumbnail.jpg?width=640&height=640&fit=bounds)
![[논문발표] 20160725 A Random Walk Around the City: New Venue Recommendation in Lo...](https://cdn.slidesharecdn.com/ss_thumbnails/20160725arandomwalkaroundthecity-160726112403-thumbnail.jpg?width=640&height=640&fit=bounds)
![[논문발표] 20160801 A Sentiment-Enhanced Personalized Location Recommendation System](https://cdn.slidesharecdn.com/ss_thumbnails/20160801asentiment-enhancedpersonalizedlocationrecommendationsystem-160819055329-thumbnail.jpg?width=640&height=640&fit=bounds)
![[패스트캠퍼스] 네이버뉴스_및_다음_뉴스_분류_예측](https://cdn.slidesharecdn.com/ss_thumbnails/random-161219110653-thumbnail.jpg?width=640&height=640&fit=bounds)
![제 19회 보아즈(BOAZ) 빅데이터 컨퍼런스 - [REC] : 캠핏 데이터를 활용한 캠핑장 추천 시스템 구현](https://cdn.slidesharecdn.com/ss_thumbnails/rec-240209025555-294ceb64-thumbnail.jpg?width=640&height=640&fit=bounds)
![[패스트캠퍼스]개인맞춤 패션 쇼핑몰 상품 추천 시스템](https://cdn.slidesharecdn.com/ss_thumbnails/random-161213125036-thumbnail.jpg?width=640&height=640&fit=bounds)
[논문발표] 20160404 Supporting Serendipitous Social Interaction Using Human Mobility Prediction
- 1. Supporting Serendipitous Social Interaction UsingHuman Mobility Prediction Zhiwen Yu, IEEE TRANSACTIONS ON HUMAN-MACHINE SYSTEMS, 2015 윤상훈 Intelligent Database Systems Laboratory 16.04.04 제목과 동일 1
- 2. 논리 구조 이슈 • Serendipitous Social Interaction 문제 •Serendipitous Interaction Opportunity를 capture하기 힘들다 원인 • Serendipitous Interaction Opportunity는 시간 의 제약이 있다 해결 •Mobility Prediction •GPS trajectory에서 spatial & temporal regularity를 찾는다. •Supervised learning을 이용해서 training하고 mobility prediction 한다. 제목과 동일 2
- 3. Serendipitous Social Interaction • 의도치않게 우연히 생기는 사회적 interaction • Mobile peer-to-peer environment에서 두 개의 device가 가까이 있을 때 일어나는 interaction • Serendipitous social interaction의 특징 – Unplanned – Not affecting users’ schedules – Bringing convenience – Creating positive emotion (happiness) • Mobile sensor와 Portable device의 인기가 높아지면서 ”serendipitous” social interaction이 뜨고 있다. 제목과 동일 3
- 4. Motivation • 실제 세계에서사람들의 사회적 관계를 향상시키기 위해 • Use-case (application) – 두 친구가 가끔씩 같은 시간에 도서관을 가는데 서로 그것을 모른다. – 룸메이트가 마트를 지나갈 때 뭐 좀 사오라고 할 수 있다. 제목과 동일 4
- 5. Related Work • Similarity(interest)-basedfriend recommendation in social networks – Learning, date, travel • Face-to-face human interaction – Bluetooth를 이용한 주변의 친구 찾기 – 지역 기반 데이팅 – 특별한 배지를 착용한 사람들끼리 교류 – Information sharing & social interaction을 통한 serendipitous interaction opportunity capturing 제목과 동일 5
- 6. Problem Definition • Serendipitoussocial interaction opportunity의 시간적 제약이 크다 – Device detection을 통한 capturing은 이미 너무 늦어서 opportunity가 실제 interaction으로 이어지기 힘들다. 제목과 동일 6
- 7. Proposed Scheme • Approach –Mobility prediction • Framework – Data layer – Mobility prediction layer – Application layer • Experiment 제목과 동일 7
- 8. Approach • Opportunity capturing의시간적 제약을 완화하기 위해 prediction이 필요하다 • Mobility prediction! – GPS trajectory가 가지고 있는 strong spatial and temporal regularity를 이용한다 – Supervised learning algorithm으로 regularity를 extract한다. 제목과 동일 8
- 9. Data Layer 제목과 동일9 • GPS 데이터를 수집 • 각각의 GPS point는 여러 spatial & temporal attribute를 가진다 – Date, time, latitude, longitude, velocity • Data denoising 후에 GPS dataset을 구성한다
- 10. Mobility Prediction Layer 제목과동일 10 • Feature extraction – GPS Dataset에서 mobility feature를 extract한다 – Historical mobility instance를 생성 • Prediction – Individual level • Next venue • Arrival time – Crowd level • User encounter
- 11. Mobility Features Features DescriptionExample CMF (Current Mobility Features) @WE Weekday or weekend Weekday/weekend @Time Current time 18:06:08 @LatLng Latitude & longitude <34.0356,108.7600> @Di (Direction) N(north)/S(south)/E( east)/W(west) <N, E> @Sp (Speed) Discretized into 4 levels, separated 2, 5 and 10 (km/h) Stroll(0–2)/Walk(2-5)/Scurry(5- 10)/Trot(>10) FMF (Future Mobility Features) @NV Next venue Library @AT Arrival time of next venue 18:14:34 @UE Who, where and when will meet < Tom, Restaurant, 11:56:32 > 제목과 동일 11
- 12.
- 13. Predicting Next Venue •Supervised classification algorithm – Input: CMF – Output: next venue • Candidate inference model – Decision tree – Random forest – kNN – BayesNet 제목과 동일 13
- 14. Predicting Arrival Time •Supervised classification algorithm – Input: CMF – Output: arrival time • Candidate inference model – Model tree – Linear regression 제목과 동일 14
- 15. Predicting User Encounter •𝐸𝑛𝑐𝑜𝑢𝑛𝑡𝑒𝑟 𝑠1, 𝑠2 ⟺ 𝑁𝑉1 = 𝑁𝑉2&& 𝐴𝑇1 − 𝐴𝑇2 < 𝑇𝑜 – 𝑠1, 𝑠2: 𝑡𝑤𝑜 𝑢𝑠𝑒𝑟𝑠 – 𝑁𝑉1, 𝑁𝑉2: 𝑝𝑟𝑒𝑑𝑖𝑐𝑒𝑑 𝑛𝑒𝑥𝑡 𝑣𝑒𝑛𝑢𝑒𝑠 𝑜𝑓 𝑡𝑤𝑜 𝑢𝑠𝑒𝑟𝑠 – 𝐴𝑇1, 𝐴𝑇2: 𝑝𝑟𝑒𝑑𝑖𝑐𝑡𝑒𝑑 𝑎𝑟𝑟𝑖𝑣𝑎𝑙 𝑡𝑖𝑚𝑒 – 𝑇𝑜: 𝑡𝑖𝑚𝑒 𝑡ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑 제목과 동일 15
- 16. Application Layer 제목과 동일16 • Mobility prediction layer로부터 받은 FMF를 이용해서 serendipitous interaction을 용이하게 하는 application을 개발 • HelpBuy • EaTogether
- 17.
- 18. EaTogether • User encounter prediction을이용 제목과 동일 18
- 19. Evaluation • Data collection •Next venue prediction • Arrival time prediction • User encounter prediction • User study 제목과 동일 19
- 20. Data Collection • 17개의popular venue를 선정 – 4개의 categories로 분류 • Restaurant • Dormitory • Workplace • Sports • 156명의 학생들이 GPS logging device를 가지고 다니면서 trajectory를 기록 • 총 1200시간의 trajectory, 280만 개의 GPS points • Preprocessing 후에 64,482 mobility instances 제목과 동일 20
- 21. Next Venue Prediction •Feature들이 mutually independent하기 때문에 BayesNet 의 성능은 나빴다 • Inference model의 complexity를 고려해 decision trees를 선택했다 제목과 동일 21 64,482개의 mobility instance에 tenfold cross-validation 를 수행하여 각각의 prediction model의 성능을 테스트
- 22. Next Venue Prediction •Time과 LatLng은 pivotal feature이다 • Direction, speed는 negative effect – GPS signal noise 때문 • 대학생은 평일, 주말 스케줄이 다르기 때문에 WE가 1% 향상시킨다 • Next venue를 predict하기 위한 CMF set으로 {f1, f2, f5 }를 선택제목과 동일 22 Feature Sets Leave Numbers Size of the Tree Correct Percentage {f1} 497 993 35.46% {f2} 922 1843 48.59% {f1, f2} 4621 9241 89.72% {f1, f2, f3} 5405 10547 84.82% {f1, f2, f4} 5198 9849 88.64 {f1, f2, f5} 4388 8775 90.62% {f1, f2, f3, f5} 5337 10415 85.62% {f1, f2, f4, f5} 4940 9397 89.64% {f1, f2, f3, f4, f5} 5775 10730 84.47% Decision tree를 사용해서 feature selection을 위해 여러 feature set의 성능을 비교한다 (f1: Time, f2: LatLng, f3: Direction, f4: Speed, f5: WE)
- 23. Arrival Time Prediction •Model tree의 성능이 낫다 • 가장 낮은 mean absolute error는 0.0986시간(약 6분) 제목과 동일 23 Feature Sets Correlation Coefficient Mean Absolute Error (hour) Model Tree Linear Regression Model Tree Linear Regression {f1} 0.9983 0.9982 0.1459 0.154 {f2} 0.3823 0.1492 3.4134 3.8009 {f1, f2} 0.9994 0.9982 0.0992 0.1519 {f1, f2, f5} 0.9994 0.9982 0.0991 0.1518 {f1, f2, f3, f5} 0.9994 0.9983 0.099 0.1475 {f1, f2, f3, f4, f5} 0.9994 0.9983 0.0986 0.1476 𝑒𝑟𝑟𝑜𝑟𝐴𝑇 = 𝑃𝑟𝑒𝑑𝑖𝑐𝑡𝑒𝑑 𝐴𝑇 − 𝑅𝑒𝑎𝑙 𝐴𝑇
- 24. User Encounter Prediction •544개의 encounter instance를 선택 • 두 사용자는 약 2분 정도를 기다리고서 만났다 (𝑇𝑜 = 2𝑚𝑖𝑛) • 92.3%(502 / 544)의 정확도를 보였다 제목과 동일 24
- 25. User Study • Q1:사람들이 Henry와 같은 상황에 놓인다면 HelpBuy는 유용한가 • Q2: 만약 가끔씩 학생 식당에서 친구와 마주친다면 같이 밥을 먹을 것이다 • Q3: HelpBuy에서 다른 사람 대신 물건을 사는 일을 할 것이다. • Q4: EaTogether는 생각지 못하게 친구를 만나게 하는 것을 도와준다. 그리고 나는 다시 이용할 것이다 • Q5: 앱은 잘 작동했고 성능(prediction accuracy) 및 operating experience에 만족한다. • Q6: 앱은 친구들, 심지어 모르는 사람과의 관계를 돈독하게 한다 제목과 동일 25
- 26. Discussion • Offline socialinteraction – Friend recommendation을 접목할 수 있지 않을까 • System portability – In our experiments, the strong spatiotemporal regularity in students’ life trajectories may lead to acceptable prediction performance. – Localization tech • Privacy 제목과 동일 26
- 27. Thank you Q &A 27제목과 동일
- 28.
Editor's Notes
- #28 This is the end of my presentation. Do you have any questions or comments? Thank you for your concentration. ======================================= 우리가 uOR 저자한테 evaluation결과와 함께 물어봤는데, 그 결과에 대해 인정하였으며, 왜 그런지는 설명을 듣지 못하였다. 우리의 memory 사용전략 - Fact 저장시에 hashed value로 Fact manager에 저장? - Fact Duplication 제거 - Minimize memory cost for enhancing performance