| کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | ترجمه فارسی | نسخه تمام متن |
|---|---|---|---|---|---|
| 382551 | 660770 | 2014 | 9 صفحه PDF | 21 صفحه WORD | دانلود رایگان |
کلید واژه ها
1.مقدمه
2. مقدمات
2.1 خوشه بندی
2.2 استخراج قوانین انجمنی
3. چارچوب استخراج قوانین انجمنی پویا
3.1 مرور چارچوب
3.2 منطقه مطالعه
3.3. اجزای چارچوب
4. نتایج خوشه بندی
4.1 خوشه بندی PoI در سطح جهانی
4.2 خوشه بندی PoI سطح محلی
4.3. PoI طبقه بندی شده
5. استخراج قوانین انجمنی
5.1 استخراج انجمن های PoI در سطح جهانی و محلی
5.2 استخراج قوانین انجمنی PoI دسته بندی شده
6. نکات نهایی
شکل 1. چارچوب استخراج الگوی POI انجمنی
شکل 2. فرمت داده های تگ دار جغرافیایی
شکل 3. توزیع کل مجموعه داده
شکل 4. POI سطح جهانی
جدول 1. 5 خوشه برتر POI سطح جهانی
شکل 5. نمودار میله ای انواع جغرافیایی POI سطح جهانی
شکل 6. POI سطح محلی
شکل 7. POI سطح محلی
شکل 8. POI طبقه بندی شده
شکل 9. تعداد POI هر دسته
شکل 10. مصورسازی 3 بعدی قوانین قوی سطح جهانی
جدول 2. 3 POI برتر هر دسته
جدول 3. 5 مکرر POI سطح جهانی
جدول 4. 5 مکرر POI سطح جهانی
جدول 5. 3 قوانین قوی برتر سطح جهانی
شکل 11. مصورسازی 3 بعدی قوانین قوی سطح محلی
شکل 6. 5 مکرر POI سطح محلی
شکل 7. 5 مکرر POI سطح محلی
شکل 8. 3 قوانین قوی برتر سطح محلی
جدول 9. تعداد الگوهای مکرر POI محلی و جهانی دسته بندی شده
جدول 10. برخی مکرر جالب
جدول 11. تعداد قوانین قوی POI محلی و جهانی دسته بندی شده با مقادیر اعتماد مختلف
شکل 13. مصورسازی 3 بعدی قوانین قوی در جدول 12
جدول 12 برخی قوانین قوی جالب با 100 اعتماد
• Propose a points-of-interest associative pattern mining framework.
• Extensive case studies with Flickr data in the area of Queensland, Australia.
• First time analyzing geo-tagged photos in this study region.
With the development of web technique and social network sites human now can produce information, share with others online easily. Photo-sharing website, Flickr, stores huge number of photos where people upload and share their pictures. This research proposes a framework that is used to extract associative points-of-interest patterns from geo-tagged photos in Queensland, Australia, a popular tourist destination hosting the great Barrier Reef and tropical rain forest. This framework combines two popular data mining techniques: clustering for points-of-interest detection, and association rules mining for associative points-of-interest patterns. We report interesting experimental results and discuss findings.
Journal: Expert Systems with Applications - Volume 41, Issue 2, 1 February 2014, Pages 397–405