Redes de Interesse: comparando o Google Places e Foursquare na captura da escolha de usuários por áreas urbanas

• Gustavo H. Santos UTFPR
• Fernanda R. Gubert UTFPR
• Myriam Delgado UTFPR
• Thiago H. Silva UTFPR

DOI: https://doi.org/10.5753/courb.2024.3248

Resumo

As Redes Sociais Baseadas em Localização (LBSNs) são úteis na compreensão do comportamento urbano, oferecendo dados valiosos sobre preferências dos usuários. A modelagem desses dados em grafos, como as Redes de Interesse, permite percepções relevantes. Essas redes podem ser úteis para, por exemplo, recomendações de áreas urbanas, previsões de mobilidade e formulação de políticas públicas. Este estudo compara redes de interesse de duas LBSNs distintas, Foursquare e Google Places, usando dados de check-ins e avaliações de estabelecimentos. Embora as LBSNs estudadas sejam diferentes em natureza, com dados diferindo em regularidade e propósito, ambas as redes de interesse modeladas revelaram padrões similares de comportamento urbano. Fatores socioeconômicos e geográficos também mostraram impacto semelhante nas redes de interesse estudadas.

Referências

Brockmann, D., Hufnagel, L., and Geisel, T. (2006). The scaling laws of human travel. Nature, 439(7075):462–465.

Cheng, Z., Caverlee, J., Lee, K., and Sui, D. (2021). Exploring millions of footprints in location sharing services. Proceedings of the International AAAI Conference on Web and Social Media, 5(1):81–88.

Ferreira, A. P., Silva, T. H., and Loureiro, A. A. (2020). Uncovering spatiotemporal and semantic aspects of tourists mobility using social sensing. Computer Communications, 160:240–252.

Ferreira, A. P. G., Silva, T. H., and Loureiro, A. A. F. (2015). Beyond sights: Large scale study of tourists’ behavior using foursquare data. In 2015 IEEE International Conference on Data Mining Workshop (ICDMW), pages 1117–1124.

González, M. C., Hidalgo, C. A., and Barabási, A.-L. (2008). Understanding individual human mobility patterns. Nature, 453(7196):779–782.

He, R., Kang, W.-C., and McAuley, J. (2017). Translation-based recommendation. In Proceedings of the Eleventh ACM Conference on Recommender Systems, RecSys ’17. ACM.

Huang, P. and Butts, C. T. (2023). Rooted america: Immobility and segregation of the intercounty migration network. American Sociological Review, 88(6):1031–1065.

Jordahl, K., den Bossche, J. V., Fleischmann, M., Wasserman, J., McBride, J., Gerard, J., Tratner, J., Perry, M., Badaracco, A. G., Farmer, C., Hjelle, G. A., Snow, A. D., Cochran, M., Gillies, S., Culbertson, L., Bartos, M., Eubank, N., maxalbert, Bilogur, A., Rey, S., Ren, C., Arribas-Bel, D., Wasser, L., Wolf, L. J., Journois, M., Wilson, J., Greenhall, A., Holdgraf, C., Filipe, and Leblanc, F. (2020). geopandas/geopandas: v0.8.1.

Ladeira, L., Souza, A., Filho, G. R., Silva, T. H., and Villas, L. (2019). Serviço de sugestão de rotas seguras para veículos. In Anais do XXXVII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 608–621, Porto Alegre, RS, Brasil. SBC.

Liu, X., Andris, C., and Desmarais, B. A. (2019). Migration and political polarization in the u.s.: An analysis of the county-level migration network. PLOS ONE, 14(11):e0225405.

Martí, P., Serrano-Estrada, L., and Nolasco-Cirugeda, A. (2019). Social media data: Challenges, opportunities and limitations in urban studies. Computers, Environment and Urban Systems, 74:161–174.

Nolasco-Cirugeda, A. and García-Mayor, C. (2022). Social dynamics in cities: Analysis through lbsn data. Procedia Computer Science, 207:877–886.

Pasricha, R. and McAuley, J. (2018). Translation-based factorization machines for sequential recommendation. In Proceedings of the 12th ACM Conference on Recommender Systems, RecSys ’18. ACM.

Rhee, I., Shin, M., Hong, S., Lee, K., and Chong, S. (2008). On the levy-walk nature of human mobility. In IEEE INFOCOM 2008 - The 27th Conference on Computer Communications. IEEE.

Santala, V., Miczevski, S., de Brito, S. A., Baldykowski, A. L., Gadda, T., Kozievitch, N., and Silva, T. H. (2017). Making sense of the city: Exploring the use of social media data for urban planning and place branding. In Anais do I Workshop de Computação Urbana, Porto Alegre, RS, Brasil. SBC.

Senefonte, H. C. M., Delgado, M. R., Lüders, R., and Silva, T. H. (2022). Predictour: Predicting mobility patterns of tourists based on social media user’s profiles. IEEE Access, 10:9257–9270.

Silva, T. H., de Melo, P. O. S. V., Almeida, J. M., and Loureiro, A. A. F. (2017). Uma fotografia do instagram: Caracterização e aplicação. Revista Brasileira de Redes de Computadores e Sistemas Distribuídos.

Silva, T. H. and Loureiro, A. A. (2016). Computaçao urbana: Técnicas para o estudo de sociedades com redes de sensoriamento participativo. Sociedade Brasileira de Computação.

Silva, T. H. and Silver, D. (2024). Using graph neural networks to predict local culture. arXiv.

Silva, T. H., Vaz de Melo, P. O. S., Almeida, J. M., Salles, J., and Loureiro, A. A. F. (2013). A comparison of foursquare and instagram to the study of city dynamics and urban social behavior. In Proc. ACM SIGKDD Int. Workshop on Urban Computing (UrbComp’13), Chicago, USA.

Silva, T. H., Viana, A. C., Benevenuto, F., Villas, L., Salles, J., Loureiro, A., and Quercia, D. (2019). Urban computing leveraging location-based social network data: A survey. ACM Computing Surveys, 52(1):1–39.

Silver, D. and Silva, T. H. (2023). Complex causal structures of neighbourhood change: Evidence from a functionalist model and yelp data. Cities, 133:104130.

Skora, L. E., Senefonte, H. C., Delgado, M. R., Lüders, R., and Silva, T. H. (2022). Comparing global tourism flows measured by official census and social sensing. Online Social Networks and Media, 29:100204.

Veiga, D. A. M., Frizzo, G. B., and Silva, T. H. (2019). Cross-cultural study of tourists mobility using social media. In Proceedings of the 25th Brazillian Symposium on Multimedia and the Web, WebMedia ’19, page 313–316, New York, NY, USA. Association for Computing Machinery.