Récemment, avec l'avancement de la technologie, les réunions ad hoc ou les rassemblements impromptus deviennent de plus en plus courants. Les réunions/rassemblements qui impliquent au moins deux personnes nécessiteront un emplacement de point physique spécifique qui leur est utile ou intéressant, appelé point d'intérêt (PoI). Ces personnes peuvent résider à des endroits différents ; chacune avec ses propres préférences qui sont les plus susceptibles d'être différentes. Sans aucun doute, étant donné n personnes dans un groupe, il n'y aura pas de préférences d'utilisateur. Trouver un PoI approprié qui répond à ces n préférences de l'utilisateur n'est pas une tâche simple. Les solutions existantes qui utilisent le traitement de ligne d'horizon pour découvrir les meilleurs objets les plus préférés pour satisfaire les préférences d'un groupe d'utilisateurs dans une zone prédéterminée ont montré des résultats acceptables. Cependant, ces solutions doivent être exécutées à plusieurs reprises pour chaque groupe de requêtes de l'utilisateur car elles n'exploitent pas les possibilités qu'une zone qui a été visitée par un groupe d'utilisateurs puisse être la zone d'intérêt d'un autre groupe d'utilisateurs à l'avenir. Intrinsèquement, ils nécessitent de rescanner les objets et de recalculer les skylines d'une région précédemment visitée, ce qui est sans aucun doute imprudent et coûteux. Ce document propose les cadres Skyline basé sur la région pour un groupe d'utilisateurs (RSGU) et Skyline basé sur la région étendue pour un groupe d'utilisateurs (ERSGU) qui tentent de résoudre les limites des solutions existantes. Dans ce travail, les objets de lignes d'horizon sont des points d'intérêt (PoI) qui sont recommandés à un groupe d'utilisateurs qui sont dérivés en analysant à la fois les emplacements des utilisateurs, c'est-à-dire les attributs spatiaux, ainsi que les attributs spatiaux et non spatiaux des objets qui se trouvent dans une région prédéterminée du groupe d'utilisateurs. Ici, chaque région est divisée en unités plus petites appelées fragments de telle sorte que les zones de chevauchement entre les régions actuellement et précédemment visitées peuvent être facilement déterminées ; tandis que les résultats du calcul des horizons de chaque fragment, connus sous le nom d'horizons de fragments, sont enregistrés pour être utilisés par les demandes ultérieures. Pendant ce temps, ERSGU a une caractéristique supplémentaire dans laquelle les horizons dérivés pour un groupe d'utilisateurs ne sont pas seulement basés sur l'évaluation des attributs spatiaux et non spatiaux des objets, mais aussi sur la proximité des objets avec les installations souhaitables ou d'autres objets intéressants dans la région. Indéniablement, un point d'intérêt situé à proximité d'autres attractions est attrayant et vaut le détour. Plusieurs expériences ont été menées et les résultats montrent que nos cadres proposés surpassent les travaux précédents en ce qui concerne le temps CPU.

Recientemente, con el avance de la tecnología, las reuniones ad-hoc o las reuniones improvisadas son cada vez más comunes. Las reuniones/encuentros que involucren al menos a dos personas requerirán un punto físico específico que les sea útil o interesante, llamado punto de interés (PoI). Estas personas podrían residir en diferentes lugares; cada uno con sus propias preferencias, que probablemente sean diferentes. Sin lugar a dudas, dadas n personas en un grupo, habrá n preferencias de usuario. Encontrar un PoI adecuado que cumpla con estas n preferencias del usuario no es una tarea sencilla. Las soluciones existentes que utilizan el procesamiento del horizonte para descubrir los mejores y más preferidos objetos para satisfacer las preferencias de un grupo de usuarios dentro de un área predeterminada han mostrado resultados aceptables. Sin embargo, estas soluciones deben ejecutarse repetidamente para cada grupo de consultas del usuario, ya que no explotan las posibilidades de que un área que ha sido visitada por un grupo de usuarios pueda ser el área de interés de otro grupo de usuarios en el futuro. Inherentemente, requieren volver a escanear los objetos y volver a calcular los horizontes de una región visitada anteriormente, lo que sin duda es imprudente y costoso. Este documento propone el horizonte basado en la región para un grupo de usuarios (RSGU) y el horizonte basado en la región extendida para un grupo de usuarios (ERSGU) que intentan resolver las limitaciones de las soluciones existentes. En este trabajo, los objetos de skylines son puntos de interés (PoI) que se recomiendan a un grupo de usuarios que se derivan analizando tanto las ubicaciones de los usuarios, es decir, los atributos espaciales, como los atributos espaciales y no espaciales de los objetos que se encuentran dentro de una región predeterminada del grupo de usuarios. Aquí, cada región se divide en unidades más pequeñas llamadas fragmentos de tal manera que las áreas superpuestas entre las regiones visitadas actualmente y anteriormente se pueden determinar fácilmente; mientras que los resultados del cálculo de los skylines de cada fragmento, conocidos como skylines de fragmentos, se guardan para ser utilizados por las solicitudes posteriores. Mientras tanto, ERSGU tiene una característica adicional en la que los skylines derivados para un grupo de usuarios no solo se basan en la evaluación de los atributos espaciales y no espaciales de los objetos, sino también en la cercanía de los objetos a las instalaciones deseables u otros objetos interesantes en la región. Sin lugar a dudas, un PoI que está cerca de otras atracciones es atractivo y vale la pena el viaje. Se han realizado varios experimentos y los resultados muestran que nuestros marcos propuestos superan el trabajo anterior con respecto al tiempo de CPU.

Recently, with the advancement of technology, ad-hoc meetings or impromptu gathering are becoming more and more common. The meetings/gatherings which involve at least two people will require a specific physical point location that is useful or interesting to them, called point of interest (PoI) . These people might be residing at different locations; each with their own preferences which most likely to be different. Undoubtedly, given n people in a group, there will be n user'f preferences. Finding a suitable PoI that meets these n user'f preferences is not a straightforward task. Existing solutions that utilise skyline processing in discovering the best, most preferred objects in satisfying the preferences of a group of users within a predetermined area have shown acceptable results. However, these solutions have to be executed repeatedly for each group of user's queries since they do not exploit the possibilities that an area that has been visited by a group of users might be the area of interest of another group of users in the future. Inherently, they require rescanning the objects and recomputing the skylines of a previously visited region which is undoubtedly unwise and costly. This paper proposes the Region-based Skyline for a Group of Users (RSGU) and Extended Region-based Skyline for a Group of Users (ERSGU) frameworks which attempt to resolve the limitations of existing solutions. In this work, skylines objects are point of interests ( PoIs ) that are recommended to a group of users that are derived by analysing both the locations of the users, i.e. spatial attributes, as well as the spatial and non-spatial attributes of objects that are within a predetermined region of the group of users. Here, each region is partitioned into smaller units called fragments in such a way that overlapping areas between the currently and previously visited regions can be easily determined; while the results of computing the skylines of each fragment, known as fragment skylines, are saved to be utilised by the subsequent requests. Meanwhile, ERSGU has an additional feature in which the skylines derived for a group of users are not only based on the evaluation of the spatial and non-spatial attributes of the objects, but also the closeness of the objects to the desirable facilities or other interesting objects in the region. Undeniably, a PoI that is nearby to other attractions is appealing and worth the journey. Several experiments have been conducted and the results show that our proposed frameworks outperform the previous work with respect to CPU time.

في الآونة الأخيرة، مع تقدم التكنولوجيا، أصبحت الاجتماعات المخصصة أو التجمعات المرتجلة أكثر شيوعًا. ستتطلب الاجتماعات/التجمعات التي تضم شخصين على الأقل موقعًا ماديًا محددًا مفيدًا أو مثيرًا للاهتمام بالنسبة لهم، يسمى نقطة الاهتمام (PoI). قد يكون هؤلاء الأشخاص مقيمين في مواقع مختلفة ؛ ولكل منهم تفضيلاته الخاصة التي من المرجح أن تكون مختلفة. مما لا شك فيه، بالنظر إلى عدد الأشخاص في المجموعة، لن تكون هناك تفضيلات للمستخدم. إن العثور على نقطة اهتمام مناسبة تلبي تفضيلات المستخدم هذه ليس مهمة بسيطة. أظهرت الحلول الحالية التي تستخدم معالجة SKYLINE في اكتشاف أفضل الأشياء وأكثرها تفضيلاً في تلبية تفضيلات مجموعة من المستخدمين داخل منطقة محددة مسبقًا نتائج مقبولة. ومع ذلك، يجب تنفيذ هذه الحلول بشكل متكرر لكل مجموعة من استعلامات المستخدمين لأنها لا تستغل الاحتمالات بأن المنطقة التي تمت زيارتها من قبل مجموعة من المستخدمين قد تكون مجال اهتمام مجموعة أخرى من المستخدمين في المستقبل. وهي تتطلب بطبيعتها إعادة مسح الأشياء وإعادة حساب أفق منطقة تمت زيارتها سابقًا وهي بلا شك غير حكيمة ومكلفة. تقترح هذه الورقة أفق المنطقة لمجموعة من المستخدمين (RSGU) وأفق المنطقة الموسعة لمجموعة من المستخدمين (ERSGU) التي تحاول حل قيود الحلول الحالية. في هذا العمل، تعتبر كائنات الأفق نقطة اهتمام (PoIs) موصى بها لمجموعة من المستخدمين يتم اشتقاقها من خلال تحليل كل من مواقع المستخدمين، أي السمات المكانية، بالإضافة إلى السمات المكانية وغير المكانية للكائنات الموجودة ضمن منطقة محددة مسبقًا من مجموعة المستخدمين. هنا، يتم تقسيم كل منطقة إلى وحدات أصغر تسمى الشظايا بطريقة يمكن من خلالها تحديد المناطق المتداخلة بين المناطق التي تمت زيارتها حاليًا والتي تمت زيارتها سابقًا بسهولة ؛ بينما يتم حفظ نتائج حساب أفق كل شظية، والمعروفة باسم أفق الشظايا، لاستخدامها في الطلبات اللاحقة. وفي الوقت نفسه، يتمتع ERSGU بميزة إضافية لا تستند فيها الأفق المستمدة لمجموعة من المستخدمين فقط إلى تقييم السمات المكانية وغير المكانية للأجسام، ولكن أيضًا إلى قرب الأشياء من المرافق المرغوبة أو الأشياء الأخرى المثيرة للاهتمام في المنطقة. لا يمكن إنكار أن نقطة الاهتمام القريبة من مناطق الجذب الأخرى جذابة وتستحق الرحلة. تم إجراء العديد من التجارب وأظهرت النتائج أن أطرنا المقترحة تتفوق على العمل السابق فيما يتعلق بوقت وحدة المعالجة المركزية.