People think about the decision of where to go many times throughout their lives. Although, it is a very rapid and repetitive decision, generally it is hard to choose suitable places from endless number of options for some specific circumstances. Recommender systems are supposed to help to deal with those issues and take appropriate actions. However, the location decision is different from other decisions like what to listen, buy, or read from various aspects and it is affected from different conditions. The popularity of location-based social networks has prompted researchers to study recommendation systems for location. Traditional recommendation algorithms have been also used for location recommendation. When used separately, each existing venue recommendation system algorithm has its own drawbacks (e.g. cold start, data sparsity, scalability). Another issue is that the context information is not commonly used in venue recommendation systems. For instance, time, distance and weather conditions have more impact on the decision of where to go than all other decisions. In addition, another point that should not be disregarded is that the effects of those contextual variables differ from user to user. This study proposes a hybrid recommendation model that combines contextual information, user- and item-based collaborative filtering and content-based filtering. For this purpose, user visit histories, venue-related information (distance, category, popularity, and price) and contextual information (weather, season, date, and time of visits) related to individual user visits were collected from Twitter, Foursquare, and Weather Underground. The proposed hybrid system has been evaluated using both offline experiments and a user study. This proposed system shows better results than baseline approaches.

İnsanlar hayatları boyunca gidecekleri yerleri defalarca düşünmüşlerdir. Bu çok hızlı verilebilecek ve sürekli tekrar eden bir karar olmasına rağmen sayısız seçenek arasından o anki şartlar için uygun yerleri seçmek zordur. Tavsiye sistemleri bu tip sorunları çözmekte ve uygun şekilde harekete geçmekte yardımcı olurlar. Fakat mekan seçimi kararı ne dinleneceği, ne alınacağı ya da ne okunacağı kararlarından birçok açıdan farklıdır ve değişik şartlardan etkilenir. Konum tabanlı sosyal ağların popülerliği araştırmacıları konum tavsiye sistemleri üzerine çalışmaya yönlendirmiştir. Geleneksel tavsiye algoritmaları konum tavsiyesi içinde kullanılmıştır. Tek başlarına kullanıldıklarında varolan mekan tavsiye sistemlerinin her biri farklı dezavantajlara (Örneğin: Soğuk başlama, very dağınıklığı, ölçeklenebilirlik) sahiptir. Diğer bir sorun da bağlamsal değişkenlerin mekan tavsiye sistemlerinde yaygın bir şekilde kullanılmamasıdır. Örneğin, zaman, uzaklık, hava durumu gibi değişkenler nereye gideceğimiz konusundaki kararımıza diğer kararlarımızdan daha çok etki ederler. Buna ek olarak, gözardı edilemeyecek diğer bir konu da bağlamsal faktörlerin kişiden kişiye değişiklik göstermeleridir. Bu çalışma bağlamsal bilgiyi, kullanıcı tabanlı işbirlikçi filtreleme, öğe tabanlı işbirlikçi filtreleme ve içerik tabanlı filtreleme yöntemlerini birleştirerek hibrit bir model önerir. Bu amaçla, kullanıcı ziyaret geçmişleri, mekanla ilgili bilgiler (kullanıcıya olan uzaklık, kategori, popülerlik ve fiyat) ve bağlamsal bilgiler (hava durumu, mevsim, tarih, ve ziyaret zamanı) Twitter ve Foursquare uygulamaları ve Weather Underground web sitesinden toplanmıştır. Sunulan hibrit sistem hem çevrimdışı deneyler hem de kullanıcı çalışması yöntemleri ile değerlendirilmiştir. Bu önerilen sistem temel yaklaşımlardan daha iyi sonuçlar vermiştir.