Географические карты представляют собой повсеместно распространенное средство информации, через которое мы понимаем, конструируем и ориентируемся в естественном и искусственном окружении. На пересечении взрывного роста количества географической информации в сети, глубинного анализа информации (data-mining) и растущей популярности веб-картографии появилась новое направление исследований — вместо того, чтобы создавать одну карту для большого количества пользователей, персонализация и анализ неявных обратных связей может помочь в создании индивидуальных карт для каждого конкретного человека. Автоматизированная персонализация в картографии еще находится в зародышевом состоянии, но имеет потенциал предоставления более полезных карт для миллионов пользователей по всему миру.

Тогда как традиционная картография была нацелена на производство статичных карт для печати и распространения среди целевой аудитории, географические информационные системы (ГИС) предоставляют пользователю интерактивные инструменты для динамического сбора и обработки информации, трансформируя тем самым не только область картографии, но также географии, городского планирования и других активностей, основывающихся на знании географических данных. С 1960-х годов, используя ГИС, географы, городские планировщики, генералы армий и экономисты генерировали разнообразные репрезентации одних и тех же входных данных, чтобы лучше понять различные геопространственные явления. За последние 10 лет ГИС еще больше слился с веб- и мобильными технологиями, давая возможность массовому распространению цифровых карт при этом избегая ограничений бумажных карт.

По мере замены бумажных карт цифровыми «повсеместная картография» незаметно становится частью жизни, меняя не только потребление, но и процесс производства географической информации.5,7 Но, если взглянуть глубже под поверхность этой бурной реконфигурации, мы увидим что фундаментальные проблемы картографии практически не изменились. Сложная, динамическая и изменчивая географическая информация должна быть представлена на экране с учетом того, что должно быть отображено и как именно отображено, основываясь на информационных потребностях пользователя.6 Подходящие картографические проекции, масштаб, принципы обобщения, взаимодействие пользователя с компьютером и семиотические соглашения являются важными ингредиентами для создания удобных цифровых карт.

Несмотря на то, что карты часто воспринимаются как форма объективного научного знания о мире, один и тот же кусок пространства может быть представлен с разных альтернативных точек зрения, включая и исключая разнообразные области неопределенной информации, используя произвольные графические и символические соглашения — к примеру, Рисунок 1 демонстрирует альтернативные представления кампуса University of College Dublin.

Для картографов неоспоримо, что для разных задач нужны радикально отличающиеся виды карт. Навигационные карты, туристические карты, карты городского планирования отображают различную географическую информацию, заточенную под конкретные нужды (такие как безопасное достижение порта, понимание структуры города или определение подходящего места для постройки нового моста). Менее очевиден факт того, что для выполнения одного и того же задания разным людям могут понадобится разные виды карт. С 1950-х годов исследования психологов показали, что каждый человек воспринимает и строит индивидуальную ментальную модель окружающего пространства, основываясь на непосредственном и опосредованном субъективном опыте восприятия.11

Таким же образом с поздних 1990-х годов важность персонализации веб-сервисов с точки зрения экономики начала привлекать большое внимание, выражаясь в появлении сейчас широко распространенных персонализированных подборок новостей, коммерческих предложений, рекомендаций фильмов и результатов поиска. В 1995 году Nicholas Negropont, основатель MIT’s Media Lab, представлял себе газету с названием Daily Me, которая автоматически бы собирала и выставляла истории, важные конкретному читателю, вместо того чтобы предлагать всем одинаковое содержание, тем самым данная газета разрушала бы экономическую парадигму массового производства, доминировавшею в 20 веке.16

Изучение предпочтений и особенностей поведения покупателя через наблюдения за ним стало распространенной техникой в маркетинге, в плотном контуре обратной связи, чему был дан термин больше похожий на оксюморон — «массовая кастомизация».19

По мере превращения цифровых карт в основной способ получения знаний о мире, идея применения к ним массовой персонализации становится все более близкой. Сейчас стало возможным создать веб-платформы, которые смогут генерировать индивидуальные карты не только для конкретной задачи, а даже для конкретного человека, учитывая его индивидуальный опыт, особенности поведения, знания и конкретную точку зрения. Удивительно, несмотря на то, что многие онлайн-продукты и сервисы за последние 10 лет стали персонифицированными, цифровые карты до сих пор фундаментально не были затронуты этим процессом.

Персонализация сегодня

Карты — это сложные культурные и технические объекты, включающие в себя множественные источники информации, допущения о пользователе, картографические традиции и решения по поводу дизайна. Элементы, формирующие цифровую карту, в принципе, могут быть персонифицированы для увеличения удобства, эффективности и ясности карты в свете поставленной задачи.20 Для индивидуализации карты полезная информация может предоставляться пользователем в виде прямой или косвенной обратной связи.10

«Явная обратная связь» включает в себя осознанный выбор пользователем предпочтительных опций через интерфейс программы и любое действие, которое явно указывает на определенное предпочтение элементов карты, как например изменение языка или настроек по умолчанию в интерфейсе. С другой стороны, косвенная обратная связь включает в себя информацию о пользователе, которую можно получить не напрямую: к примеру, щелчок мышкой на определенной части карты сигнализирует об интересе к данному географическому региону, в то время как отключение информационного слоя на карте при каждом начале работы с ней говорит об отсутствии интереса к данной информации. Косвенные данные могут в принципе быть получены из любых действий пользователя: активность в соцсетях, общение в мессенджерах, покупки в интернете и почтовая переписка.

Наиболее важным индикатором является задача, которую пользователь решает в данный момент с помощью карты. Основные задачи, решаемые на таких сервисах как Yahoo! Maps и Google Maps, включают в себя: получение конкретной информации, общее исследование интересующего района и составление маршрута. Разные виды карт подходят для решения разных задач, с учетом особенностей карты, информационных слоев и элементов управления. Тогда как в некоторых случаях понять намерения пользователя относительно легко (набор названия населенного пункта говорит о попытке найти о нем информацию или проложить маршрут), в других случаях по поведению пользователя довольно сложно понять решаемую задачу. Эти случаи представляют собой серьезный вызов в плане интерпретации действия пользователя. Автоматическое определение задачи может основываться на множестве индикаторов, таких как демография пользователя, история действий и запросов поиска, контекст, пространственное расположение, временные условия и особенности вычислений, возможных в данный момент.

За последние 15 лет академические исследователи, включая нас, работая в двух дополняющих направлениях, изучили идеи и техники, через которые персонализация карт может быть достигнута. С одной стороны, автоматическая адаптация преследует цели увеличения ясности и эффективности путем уменьшения информационной нагрузки через удаление или выделение нужных данных, основываясь на предпочтениях пользователя в текущей задаче. С другой стороны, область поисковых подсказок и рекомендаций принесла с собой методы персонализации поисковой выдачи и рекомендаций отелей, ресторанов и других мест, основываясь на индивидуальных или коллективных предпочтениях пользователей. Эти два направления пересекаются, так как похожие техники предоставления информации могут быть использованы как для адаптации карт к каждому конкретному пользователю, так и для индивидуальной выдачи результатов поиска и рекомендаций.

В своей новаторской работе 2000-го года Oppermann и Specht разработали Hippie, инструмент предоставляющий различную музейную информацию, основываясь на необходимом контексте использования.17 Программа опирается на модель пользователя, созданную на основе знаний и интересов пользователя, предметной модели и модели пространства, в котором происходит взаимодействие. Brubato и Battiti4 разработали Personal Item Locator and General Recommendation Index Manager (PILGRIM), систему рекомендаций, которая учитывает расположение пользователя для ранжирования веб-страниц в поисковой выдаче. Несмотря на то, что системы рекомендаций начали широко использоваться с середины 2000-х годов, совсем немного было сделано, чтобы увеличить их знание о пространственном положении пользователя.21

Наша работа фокусируется на применении системы косвенной обратной связи для непосредственной адаптации содержания цифровых карт. Ключевое предположение работы заключается в том, что такие индикаторы косвенной обратной связи как движение мыши и поисковое поведение могут быть использованы для понимания интересов пользователя.13 Повторяющейся проблемой, особенно в контексте использования мобильных устройств, является тот факт, что избыток информации об окружающей обстановке или избыточное отображение элементов на карте, больше мешают, чем помогают пользователю.

CoMPASS — это ГИС-приложение, наблюдающее за поведением пользователя и рекомендующее вывод необходимой информации (например, слоев) на карте на основе этих наблюдений.12, 22

Система MAPPER генерирует карты, содержащие определенные данные, основываясь на предпочтениях и контексте запроса пользователя, на косвенной обратной связи при просмотре пользователем карт и догадках по поводу индивидуальных и групповых предпочтений пользователей.23 Данный подход был опробован на множестве заданий, связанных с картами,24 и показал увеличение эффективности и более частое успешное решение задачи; похожий подход был применен для распознавания задачи и адаптации генерируемой карты к уже определенной задаче.14

В прототипе RecoMap2 мы исследовали возможность оценки уровня интереса к географическим объектам на карте на основе двух дополняющих друг друга аспектов — количества взаимодействия с объектом и географической близости пользователя относительно данного объекта, что потом использовалось для составления персональных рекомендаций. Модель памяти в данном случае имитирует потерю интереса пользователя к объекту со временем, предполагая, что уменьшение взаимодействия с объектом означает снижение к нему интереса. Более того, мы исследовали возможность интегрирования пространственной информации на основе краудсорсинга в процесс анализа, а также возможность использования Linked Open Data, сети взаимосвязанных наборов данных, для улучшения смысловой (семантичской) составляющей географических элементов на карте.1 Несмотря на то, что данное исследование инициировало теоретическое и практическое развитие методов персонализации карт, новые концепции, парадигмы и техники все еще ожидают дальнейших исследований и оценки.

Данная линия исследований обещает принести с собой множество видов коммерческого применения, намного улучшив существующие веб-платформы. С середины 2000-х годов, вслед за увеличением пропускной способности сетей и развитием веб-броузеров, появился растущий рынок цифровой картографии, доступный для неспециалистов, сначала на домашних компьютерах, а в недавнее время и на смартфонах с GPS.a В целях оценки состояния передовых методов персонализации карт в потребительских продуктах полезно провести разделение на методы ручной и автоматизированной персонализации, отражающие подходы с прямой и косвенной обратной связью. Ручная персонализация позволяет пользователю изменять аспекты существующей карты на основе предпочтений, выставляемых в настройках, закладках и редакторах карт. С другой стороны, автоматизированная персонализация делает ставку на косвенную обратную связь, основанную на анализе данных и вычислениях предпочтений и намерений пользователя для изменения карт без прямого вмешательства пользователя; таблица перечисляет возможности персонализации, предоставляемые существующими популярными глобальными картографическими сервисами. Google Maps — единственный сервис сегодня, предоставляющий некоторые возможности автоматической персонализации, подбирая результаты поиска и рекламные модули с учетом истории поисковых запросов и рейтингов, обещая тем самым генерировать «карты для каждого, где бы он ни находился».b Другие популярные сервисы онлайн-картографии (например, ArcGIS Online и Yahoo! Maps) предлагают некоторые виды ручной персонализации, обычно в форме закладок или редакторов для создания и последующего распространения карт с пользовательской информацией и визуальным стилем. Никакой из этих сервисов не пытается польностью использовать алгоритмы автоматизированной персонализации.

Проблемы вычислений

Серьезное увеличение разнообразия и объемов информации предоставляет по большей части неисследованную, но очень благодатную, почву для переосмысления понятия карт. Как мы показали, область персонализации карт все еще находится на ранней стадии развития, с небольшим количеством проведенных исследований коммерческих применений. Для продвижения персонализации карт некоторые компоненты должны быть интегрированы в существующий концептуальный фреймворк.

Механизм персонализации должен уметь проводить анализ обратной связи по многим переменным, основываясь на множестве каналов информации, через которые пользователь сообщает о своих интересах и предпочтениях, касающихся окружающего пространства. Наблюдая за тем, как пользователь решает задачу, механизм должен уметь проанализировать и найти полезные закономерности, выводя из них эффективные допущения и догадки относительно пользователя. На основе этих допущений можно опознать решаемую задачу и, в подходящие моменты, не отвлекая пользователя, предложить возможные пути персонализации в виде адаптации карты или рекомендаций.

Множество возможностей доставки более нужной, эффективной и полезной картографической информации открываются перед нами. На основе одной и той же географической информации подобные системы смогут создавать карты как для туристки из Японии в Сан-Франциско, так и для итальянского экспата, живущего там же. Туристка явно указала интерес к архитектуре и неприемлемость для нее ресторанов быстрого питания. Особенности ее взаимодействия с картой неявно указывают на интерес к историческим местам, что приведет к автоматическому выделению на карте города, например, исторических музеев. Карта также будет знать, что женщина посещала город и раньше — ранее посещенные места будут отмечены на карте, что позволит лучше понимать свое местоположение, а также подскажет незнакомые места в городе со значимыми зданиями (достопримечательностями). Рестораны быстрого питания останутся скрытыми до тех пор, пока она не станет искать их непосредственно или до момента, когда эти рестораны могут являться важной точкой для ориентирования на местности. Перед обеденным временем на карте будут подсвечены рестораны, рекомендованные ее друзьями, которые посетили город; в то время как ночью больший приоритет получат кинотеатры, учитывая ее интерес к кино.

С другой стороны, экспат из Италии указал интерес к музыке. При поиске маршрута, карта старается спрятать знакомые туристические места и наоборот подсветить полезную информацию поблизости маршрута от дома до работы. Основываясь на истории взаимодействия с картой, система также определила интерес к району Mission District, на карте этот район будет показан более явно и подробно. Так как наш экспат перемещается по городу на машине, информация об общественном транспорте перейдет в малозаметный фоновый слой. Но, если перемещения будут совпадать, например, с быстрым и эффективным автобусным маршрутом, система предложить воспользоваться этой альтернативной возможностью перемещения. Периодически карта будет выделять незнакомый район с большой плотностью музыкальных площадок, приглашая экспата посетить новые места и разорвать ритм привычной рутины. Перед тем как превратить это видение в реальность, предстоит еще решить несколько вычислительных задач.

Определение и предсказание решаемой задачи в реальном времени.

Так как карты используются в различных ситуациях для решения разных задач, система должна уметь эффективно определять и предсказывать эти задачи. Специально для этой цели предстоит разработать специфические алгоритмы машинного обучения. В процессе сбора косвенной обратной связи важными вещами являются пространственный и временной контекст пользователя, а также поисковые запросы и особенности взаимодействия с картографической информацией.

Построение модели пользователя в пространстве.

Так как карты работают с пространственной информацией, персонализация карт требует понимания действий пользователя в пространстве и времени. Поэтому аккумулирование и расшифровка больших объемов зашумленной пространственной и временной информации (включая сигналы GPS, клики на экран, историю поиска) являются очень важными аспектами в построении моделей поведения пользователя и нахождения закономерностей и отклонений от нормы (например, переход к туристическому поведения вместо ежедневной поездки на работу). Запись, хранение и расшифровка больших объемов подобной информации и пространственно-временных траекторий представляет собой серьезный вызов для разработчиков.25 Траектории пересекают географическое пространство, а также и другие пространства, включая траектории движения мыши в интерфейсе. Анализ пространственной информации из социальных сетей также может выделить глубинные структуры, оказывающие влияние на способ взаимодействия пользователей с картой.

Персонализации на основе географического положения.

Так как карты помогают пользователю ориентироваться и исследовать географическое пространство, системы персонализации должны уметь определять пространственные изменения в действиях пользователя. Развитие техники генерации карт с учетом географического положения пользователя основывается на допущении, что индивидуальные потребности в информации, а также характер необходимой информации, меняются как в зависимости от положения пользователя в пространстве, так и от времени. Подобные допущения о пользователе и его потребностях увеличивают необходимое количество вычислений для традиционных моделей персонализации. В свою очередь, внедрение данных моделей позволит добиться более точной персонализации картографической информации.

Геосемантическое взаимодействие и интеграция информации.

Персонализация карт требует сбора и интеграции разнообразной разнородной географической информации, характеризующейся внутренней неопределенностью, неясностью и склонностью к быстрому устареванию, будь то из данные традиционных государственных агентств, краудсорсинговая информация или информация от волонтеров. В этом смысле исследования в направлении семантического интернета и слияния открытых данных предлагают подходящие инструменты для представления, организации, хранения, исследования и получения информации об объектах в пространстве и времени.9 Требуется разработка надежных механизмов для каталогизации объектов и подтверждения подлинности информации,для уменьшения тем самым противоречий при использовании разнообразных источников данных и алгоритмов обработки.3

Геопарсинг и анализ эмоционального контекста.

Так как огромный объем географических знаний представлен в виде текста, алгоритмы обработки естественного языка (natural language processing (NLP) очень важны в процессе персонализации карт для извлечения важной информации из неструктурированных данных. Геопарсинг, извлечение географической информации из натурального языка, является открытым вопросом в NLP, близко привязанным к проблеме устранения смысловых противоречий в связке слово-смысл. Определение эмоций, настроений в тексте — новый, но важный аспект в интерпретации поведения пользователя, помогающий в извлечении нужной информации и формировании правильных моделей пользовательского отношения к локации.

Когнитивный подход к дизайну карт.

Концепции и принципы когнитивного дизайна15 могут применяться для создания и оценки альтернативных видов отображения картографической информации, предоставляя отличную возможность для тестов теорий познания на основе реальных сценариев взаимодействия большого числа пользователей. С технологической точки зрения интерактивные карты перешли от подхода, основанного на составлении карт из уже готовых (пререндеренных) растровых кусочков мозаики, к подходу с векторной графикой, при котором генерация карты происходит в реальном времени на стороне клиента, что является прекрасной платформой для экспериментов с альтернативными особенностями отображения и стилями. Знание об особенностях познания пространственной информации человеком также может быть полезно для генерации более персонализированных карт и углубленного понимания восприятия человеком пространственного окружения.8

Чтобы добиться серьезного прорыва в данной области, академические исследователи и коммерческие разработчики должны воспользоваться богатством информации, каждодневно предоставляемой миллионами пользователей по всему миру во время работы с онлайн-платформами, в которой данные о месте и положении тесно переплетены с социальными, культурными и экономическими процессами. Из-за присущей этим процессам сложности, область персонализации карт нуждается в помощи со стороны бурно развивающейся отрасли анализа больших данных. В дополнение NLP и анализ эмоционального контекста могут использоваться для анализа мнений пользователя о локации и увеличения или уменьшения важности данных мест на генерируемой карте. Продвинутые техники анализа данных необходимы для извлечения смысла из «зашумленных» логов взаимодействия пользователя с веб-сервисами. Помимо вышеперечисленных вычислений трудности претворения в жизнь процесса персонализации карт многодисциплинарны и включают в себя идеи и инструменты географии, картографии, когнитивной психологии, изучения взаимодействия пользователя с компьютером, а также разработки программного обеспечения.

Последствия

С точки зрения общества автоматизированная персонализация карт в большом масштабе может иметь серьезные последствия, которые должны быть серьезно приняты к сведению коммерческими разработчиками, продуктами которых пользуются миллионы людей. Помимо общего беспокойства о сохранности приватной информации, подпитываемого любой технологией наблюдения за пользователем, возникают еще и специфические проблемы, включающие возможность потери общепринятого представления о реальности на карте. Персонализированные карты могут привести к тому, что Интернет-активист Eli Pariser называет «фильтрующим пузырем», который приводит к увеличению социальной и культурной сегрегации между группами пользователей18. Также такое явление как персонализированные «достопримечательности» помогают лучше ориентироваться по карте конкретному пользователю, но могут нарушить общее семантическое представление о местности среди живущих там людей. В этом смысле Google Maps, единственная на данный момент коммерческая платформа с элементами персонализации карт, представляет несколько нерешенных вопросов. Наибольшие подозрения вызывает отсутствие прозрачности продукта, делая трудным понимание пользователем, почему некоторые места на карте выделяются системой как более популярные, а другие — нет. Пользовательские модели Google являются «черными ящиками», недоступными для понимания пользователями, которых они собственно и должны представлять, и более того в ближайшей видимости не присутствует кнопка отключения данного механизма персонализации; даже при выходе из системы результаты поиска все равно персонализируются по непонятным пользователю механизмам, основанным на куки и ip-локации пользовательского компьютера.

Серьезным вызовом для академических исследователей персонализации карт является отсутствие реалистичных наборов данных о взаимодействии пользователей с компьютером, на которых могли бы проверяться новые системы и подходы. Так как понятно, что частные компании не горят желанием распространять информацию о своих пользователях, исследования, описанные здесь, не имели широких возможностей для достаточной оценки всех факторов изучаемой области: таких как сложность, зашумленность и многое другое из возникающего широкого спектра ситуаций при реальном взаимодействии пользователей с картографическими приложениями. Тем самым контекст исследования ограничивался небольшими, искусственно созданными ситуациями. Всего несколько больших корпораций (такие как Google и Microsoft) привлекают большую часть пользователей онлайн-карт и, соответственно, имеют привилегированную позицию для разработки и последующей оценки собственных методов решения разнообразных задач на больших группах пользователей, интерпретируя их поведение на основе косвенной обратной связи. Поэтому академические исследователи должны либо сосредоточиться на хорошо определенных когнитивных, вычислительных и картографичеких аспектах персонализации карт, которые (аспекты) они смогут достаточно хорошо оценить; либо работать в тесной связке с провайдерами карт. Никакой прогресс в персонализации не может быть достигнут без точной, доскональной оценки эффективности используемых техник, алгоритмов и моделей.

Заключение

Разработка персонифицированных карт имеет важные перспективы во многих областях. До сегодняшнего дня основной фокус был на разработке коммерческих приложений. К примеру, Google исследовал возможности предоставления рекламы с учетом географического положения пользователя, пытаясь максимизировать полезность и тем самым доходность рекламных сообщений, имеющих сильный географический компонент. Также большинство исследований было сосредоточено на эффективности и уменьшении информационной нагрузки, увеличении ясности информации и помощи пользователям в ускорении выполняемой задачи и уменьшении напряжения (например, при принятии решений, поиске информации или построении маршрутов). Персонализированные карты не должны укреплять пользовательские стереотипы и ограниченность взгляда на мир, но могут быть использованы наоборот для привлечения внимания к новому и неизведанному, поощряя разносторонность, пытливость ума и тягу к открытиям. В обучении самоадаптирующиеся карты могут поддержать стедентов, приспосабливаясь к различным стилям обучения и культурному фону. Разумно предположить, что персонализация карт может привести к тихой, но глубокой реконфигурации знакомых карт, неся с собой неожиданные изменения в том, как мы воспринимаем и представляем себе окружающий нас мир.

Благодарность

Представленное выше исследование было профинансировано грантом Strategic Research Cluster (07/SRC/I1168) организации Science Foundation Ireland under the National Development Plan.

Ссылки

1. Ballatore, A. and Bertolotto, M. 2011. Semantically enriching VGI in support of implicit feedback analysis.Web and Wireless Geographical Information Systems, K. Tanaka, P. Fröhlich, and K.-S. Kim, Eds. LNCS, Vol. 6574 (Kyoto, Japan, Mar. 3–4). Springer, Berlin, Germany, 78–93.

2. Ballatore, A., McArdle, G., Kelly, C., and Bertolotto, M. RecoMap: An interactive and adaptive map-based recommender. In Proceedings of the 25th ACM Symposium on Applied Computing (Sierre, Switzerland, Mar. 22–26). ACM Press, New York, 2010, 887–891.

3. Ballatore, A., Wilson, D., and Bertolotto, M. A survey of volunteered open geo-knowledge bases in the semantic Web. In Quality Issues in the Management of Web Information, G. Pasi, G. Bordogna, and K. Jain, Eds. Intelligent Systems Reference Library, vol. 50. Springer, Berlin, Germany, 2013, 93–120.

4. Brunato, M. and Battiti, R. PILGRIM: A location broker and mobility-aware recommendation system. InProceedings of the IEEE International Conference on Pervasive Computing and Communications (Fort Worth, TX, Mar. 23–26). IEEE, Piscataway, NJ, 2003, 265–272.

5. Gartner, G., Bennett, D., and Morita, T. Towards ubiquitous cartography. Cartography and Geographic Information Science 34, 4 (2007), 247–257.

6. Haklay, M., Ed. Interacting with Geospatial Technologies. John Wiley & Sons, Chichester, U.K., 2010.

7. Haklay, M., Singleton, A., and Parker, C. Web mapping 2.0: The neogeography of the GeoWeb. Geography Compass 2, 6 (Nov. 2008), 2011–2039.

8. Hirtle, S.C. Geographical design: Spatial cognition and geographical information science. Synthesis Lectures on Human-Centered Informatics 4, 1 (2011), 1–67.

9. Janowicz, K., Scheider, S., Pehle, T., and Hart, G. Geospatial semantics and linked spatiotemporal data: Past, present, and future. Semantic Web 3 (2012), 321–332.

10. Kelly, D. and Teevan, J. Implicit feedback for inferring user preference: A bibliography. ACM SIGIR Forum 37, 2 (Fall 2003), 18–28.

11. Lynch, K. The Image of the City. MIT Press, Cambridge, MA, 1960.

12. Mac Aoidh, E. and Bertolotto, M. Improving spatial data usability by capturing user interactions. In The European Information Society: Leading the Way with Geo-information, S.I. Fabrikant and M. Wachowicz, Eds. Springer, Berlin, Germany, 2007, 389–403.

13. Mac Aoidh, E., Bertolotto, M., and Wilson, D.C. Analysis of implicit interest indicators for spatial data. InProceedings of the 15th Annual ACM International Symposium on Advances in Geographic Information Systems (Seattle, WA, Nov. 7–9). ACM Press, New York, 2007, 1–4.

14. Mac Aoidh, E., McArdle, G., Petit, M., Ray, C., Bertolotto, M., Claramunt, C., and Wilson, D. Personalization in adaptive and interactive GIS. Annals of GIS 15, 1 (2009), 23–33.

15. Montello, D. Cognitive map-design research in the twentieth century: Theoretical and empirical approaches. Cartography and Geographic Information Science 29, 3 (2002), 283–304.

16. Negroponte, N. Being Digital. Random House, New York, 1995.

17. Oppermann, R. and Specht, M. A context-sensitive nomadic exhibition guide. In Handheld and Ubiquitous Computing, P. Thomas and H.-W. Gellersen, Eds. LNCS, Vol. 1927. Springer, Berlin, Germany, 2000, 127–142.

18. Pariser, E. The Filter Bubble: How the New Personalized Web Is Changing What We Read and How We Think. Penguin, London, U.K., 2012.

19. Piller, F.T. and Tseng, M.M., Eds. Handbook of Research in Mass Customization and Personalization, Volume 1. World Scientific, Singapore, 2010.

20. Reichenbacher, T. Adaptive concepts for a mobile cartography. Journal of Geographical Sciences 11, 1 (2001), 43–53.

21. Stiller, C., Ros, F., and Ament, C. Towards spatial awareness in recommender systems. In Proceedings of the International Conference for Internet Technology and Secured Transactions (London, U.K., Nov. 9–12). IEEE, Piscataway, NJ, 2009, 1–7.

22. Weakliam, J., Bertolotto, M., and Wilson, D. Implicit interaction profiling for recommending spatial content. In Proceedings of the 13th Annual ACM International Workshop on Geographic Information Systems (Bremen, Germany, Nov. 4–5). ACM Press, New York, 2005, 285–294.

23. Weakliam, J., Wilson, D., and Bertolotto, M. Personalising map feature content for mobile map users. InMap-based Mobile Services: Theories, Methods and Implementations, L. Meng, A. Zipf, and T. Reichenbacher, Eds. Springer, Berlin, Germany, 2008, 125–145.

24. Wilson, D., Bertolotto, M., and Weakliam, J. Personalizing map content to improve task completion efficiency. International Journal of Geographical Information Science 24, 5 (2010), 741–760.

25. Zheng, Y. and Zhou, X., Eds. Computing with spatial trajectories. Database Management & Information Retrieval. Springer, Berlin, 2011.

Об авторах

Andrea Ballatore ([email protected]) — после защиты докторской диссертации занимается исследованиями и координацией исследовательских проектов в Center for Spatial Studies at the University of California, Santa Barbara.

Michela Bertolotto ([email protected]) — Старший лектор в School of Computer Science and Informatics at the University College Dublin, Ireland.

Дополнительная информация

a.

http://www.comscore.com/Insights/Blog/Map_Searches_Shift_from_Desktops_to_Smartphones

b.

http://google-latlong.blogspot.it/2013/05/meet-new-google-maps-map-for-every.html