Taller de Tesis II Juan Pablo Pilorget

Reporte
Marcelo Soria Asignación: 03/11/2018
Marı́a Elena Buemi Entrega: 24/11/2018

Revisión de paper Mazumdar et al. (2016)

Pregunta 1

Indagando en la bibliografı́a citada en las secciones 2 y 3, identifique si efectivamente mode-

lan el comportamiento e identifican similaridad de comportamiento con métricas y cuáles son
las más usadas.
La sección 2 del trabajo de Mazumdar et al. (3) refiere a un conjunto de autores que preten-
den modelar el comportamiento de la movilidad de los usuarios. Si bien en el paper se señala que
los modelos propuestos fallan en un conjunto de escenarios prácticos (que detalle en la sección
3) se indica efectivamente qué metricas utilizan para evaluar la similaridad, esto es, los vecinos
más cercanos de los usuarios.
Dentro de ellas, se destacan las medidas de hierarchical grap-based similarity, aplicadas por
Li et al. (2) y por Zheng et al. (6), las comparaciones de a pares mediante un score (Xiao et al.
(4)) y cocientes pesados por TFIDF (Ying et al. (5), como parte del MSTP ).
Por su parte, Chen et al. (1) proponen otra medida de similaridad computada de a pares
mediante Check-in patterns, esto es, estimando la distancia de los valores de soporte de los
patrones comunes de los usuarios con la métrica de similaridad de Bray-Curtis.

Pregunta 2

Las secciones 2 y 3 se presentan como independientes, ¿para usted lo son? Sı́/No ¿Por qué?
La sección 3 parece ser una continuación lógica y metodológica de la sección 2, donde se
formalizan escenarios prácticos no cubiertos por la bibliografı́a visitada en el sección 2. No
parece ser independiente y tampoco queda claro que sea, como su nombre lo indica, parte del
motivation and problem statement, sino fundamentalmente un racconto de las limitaciones que
presentan las medidas del estado del arte mencionado.

1
Pregunta 3

Respecto de la propuesta (sección 4), ¿qué representan las tablas en esta sección?
Las tablas del apartado 4 representan, respectivamente:

1. Las trayectorias por usuario (procesada y sin procesar).

2. La secuencia de trayectorias agrupadas y mapeadas como sequence mining.

3. Los ejemplos de los escenarios diarios de la métrica propuesta.

4. Los vecinos identificados por la métrica propuesta.

Pregunta 4

Las figuras 1, 2, 3 y 5, ¿le resultan necesarias? ¿Las mantendrı́a, agregarı́a otras?

Las figuras 1 y 2 parecen redundantes entre sı́, por lo que eliminarı́a la 1. Los modelos
gráficos de la figura 3 sirven para esquematizar lo desarrollado en las secciones 2 y 3, por lo que
creo que son necesarias. La figura 5 es relevante para identificar prácticamente los stay points
mediante la técnica propuesta por los autores.

Pregunta 5

¿Las experimentaciones reportadas le parecen suficientes? ¿Qué agregarı́a?

Las experimentaciones parecen suficientes para el alcance que busca tener el trabajo, evi-
denciado en las conclusiones.

Pregunta 6

¿Las conclusiones lo convencen? Las conclusiones no resultan del todo convincentes en el

sentido de que no resalta con claridad las ventajas prácticas por sobre los enfoques actuales,
ni en términos de desempeño ni de metodologı́a (con la excepción de la mención breve a que
eligen ”where a user have (sic) stayed instead of passing by”).

2
Pregunta 7

Si tuviera que modificar el artı́culo:

Proponga objetivo / hipótesis.

Proponga pruebas que tendrı́an que hacer para evaluar el ı́tem anterior.

Mejorar el artı́culo.

Como objetivo buscarı́a demostrar que existe un enfoque que representa mejor de manera
práctica las similitudes entre las trayectorias de distintos usuarios, superando las limitaciones
de los métodos actuales.
En ese sentido, las pruebas reportadas parecen suficientes pero deberı́an desarrollarse de-
jando en claro cómo llegaron a los parámetros reportados, esto es, cómo fue el proceso de
hiperparametrización de los algoritmos utilizados.
Para mejorar el artı́culo estructurarı́a mejor los contenidos (un ejemplo claro es la separación
entre las secciones 2 y 3, haciendo hincapié en las ventajas del enfoque propuesto.
Para dejar en claro el aporte del trabajo volcarı́a los resultados más concluyentes en el
apartado final (conclusiones) y marcarı́a más claramente en qué modifica el estado actual del
arte en este campo y cuáles son las próximas lı́neas de investigación.

Referencias

[1] X. Chen, R. Lu, X. Ma, J. Pang, Measuring user similarity with trajectory patterns: Prin-
ciples and new metrics, in: Proceedings of the 16th Asia- Pacific Web Conference, 2014, pp.
437–448.

[2] Q. Li, Y. Zheng, X. Xie, Y. Chen, W. Liu, W.-Y. Ma, Mining user similarity based on
location history, in: Proceedings of the 16th ACM SIGSPATIAL International Conference
on Advances in Geographic Information Systems, 2008, pp. 1–10. 37

[3] P. Mazumdar.; Patra, B.K.; Lock, R.; Korra, S.B. An approach to compute user similarity
for GPS applications. Knowl.-Based Syst. 2016,113, 125–142.

[4] X. Xiao, Y. Zheng, Q. Luo, X. Xie, Finding similar users using category- based location
history, in: Proceedings of the 18th SIGSPATIAL Interna- tional Conference on Advances
in Geographic Information Systems, 2010, pp. 442–445.

3
[5] J. J.-C. Ying, E. H.-C. Lu, W.-C. Lee, T.-C. Weng, V. S. Tseng, Mining user similarity
from semantic trajectories, in: Proceedings of the 2nd ACM SIGSPATIAL International
Workshop on Location Based Social Networks, 2010, pp. 19–26.

[6] Y. Zheng, L. Zhang, Z. Ma, X. Xie, W.-Y. Ma, Recommending friends and locations based
on individual location history, ACM Transactions on the Web 5 (1) (2011) 1–44.