Estratégias de Comunicação de Marketing para o Website Corporativo do Promenade Champagnat: Usando o MIS para o Turismo

IHC 2014 Proceedings - Short Paper

Foz do Iguaçu - PR, Brazil

Estudo de H´abitos Alimentares e de Bebida Usando M´ıdia Social Thiago H. Silva, Pedro O. S. Vaz de Melo, Jussara M. Almeida, Antonio A. F. Loureiro Ciˆencia da Computac¸a˜ o, Universidade Federal de Minas Gerais (UFMG) {thiagohs,olmo,jussara,loureiro}@dcc.ufmg.br Especificamente em [10] os autores propuseram a utilizac¸a˜ o de dados p´ublicos dispon´ıveis a partir da LBSN Foursquare para mapear as preferˆencias individuais de usu´arios. Isto e´ interessante porque um check-in1 em uma LBSN expressa a preferˆencia de um usu´ario por um determinado tipo de lugar. Al´em disso, LBSNs s˜ao acess´ıveis em quase todos os lugares e por qualquer pessoa, resolvendo o problema de escalabilidade e permitindo que dados em diversas regi˜oes do mundo sejam coletados.

RESUMO

Novas abordagens para o estudo do comportamento social urbano usam check-ins do Foursquare para representar as preferˆencias do usu´ario. Nesse linha, um trabalho anterior apresentou uma metodologia para a identificac¸a˜ o de culturas semelhantes. Nosso estudo baseia-se nessa metodologia. Usamos um dataset, ainda n˜ao utilizado, para comparar os resultados obtidos anteriormente, seguindo a mesma metodologia proposta. Nossos resultados preliminares est˜ao de acordo com os observados. Propomos, tamb´em, duas novas abordagens para identificar culturas similares.

O estudo da influˆencia de diferenc¸as culturais no comportamento humano e´ um tema particularmente bastante desafiador. Cultura e´ um conceito t˜ao complexo e interessante que nenhuma definic¸a˜ o simples pode captur´a-lo. Entre os v´arios aspectos que definem a cultura de uma sociedade incluem suas artes, crenc¸as religiosas e costumes.

Palavras-chave

Redes Sociais Online, Foursquare, Diferenc¸as Culturais ABSTRACT

New approaches to study urban social behavior use Foursquare check-ins to represent user preferences. In this direction, a previous work has presented a methodology for identifying similar cultures. Our study is based on that methodology. We use a dataset, not used previously, to compare the results obtained before, following the same methodology proposed. Our preliminary results agrees with those observed. We also propose two new approaches to identify similar cultures.

Sabemos que os h´abitos alimentares e de bebidas s˜ao capazes de descrever fortes diferenc¸as entre as pessoas [1]. Com base nisso, o objetivo de Silva et al. [10] foi propor uma nova metodologia para a identificac¸a˜ o de fronteiras culturais e semelhanc¸as entre sociedades, considerando h´abitos alimentares e de bebida. Para isso, foram usados check-ins do Foursquare para representar as preferˆencias do usu´ario em relac¸a˜ o ao que se come e bebe localmente, por exemplo, em uma determinada cidade. Os autores estudaram como essas preferˆencias mudam de acordo com a hora do dia e localizac¸o˜ es geogr´aficas. A partir disso criaram uma metodologia para a identificac¸a˜ o de culturas semelhantes, que pode ser aplicada regi˜oes de tamanhos variados, como pa´ıses, cidades ou at´e mesmo bairros nas cidades.

Author Keywords

Online Social Networks, Foursquare, Cultural Differences ACM Classification Keywords

J.4 Computer Applications: Social and Behavioral Sciences

Este presente trabalho visa utilizar a mesma metodologia para o estudo de diferenc¸as culturais proposta em [10], no entanto n´os objetivamos: (1) utilizar uma nova base de dados do Foursquare e verificar se podemos obter os mesmos resultados apresentados por [10]; (2) responder duas perguntas que n˜ao foram respondidas por [10]. Qual o resultado de separac¸a˜ o de culturas se desconsiderarmos o tempo e considerarmos apenas os tipos de locais presentes nas regi˜oes analisadas? E se considerarmos o tipo de local e a sua popularidade na regi˜ao?

General Terms

Human Factors, Measurement ˜ INTRODUC ¸ AO

As formas tradicionais para estudar o comportamento social urbano, por exemplo question´arios, s˜ao caras e n˜ao escalam. Recentemente alguns estudos, dentre eles [2, 10, 8, 4, 9], revelam uma nova forma de obtenc¸a˜ o de dados atrav´es de redes sociais baseadas em localizac¸a˜ o (LBSNs) que pode revolucionar o estudo do comportamento social urbano.

Nesse trabalho, que ainda se encontra em andamento, consideramos apenas as mesmas cidades do trabalho em que estamos nos baseando. Nossos resultados preliminares refletem os mesmos resultados identificados por [10]. Al´em disso, verificamos que se considerarmos apenas as categorias de locais, com ou sem suas popularidades, temos resultados inferiores de agrupamento de cidades.

Permission to make digital or hard copies of all or part of this work for personal or classroom use is granted without fee provided that copies are not made or distributed for profit or commercial advantage and that copies bear this notice and the full citation on the first page. To copy otherwise, or republish, to post on servers or to redistribute to lists, requires prior specific permission and/or a fee. IHC'14, Brazilian Symposium on Human Factors in Computing Systems. October 27-31, 2014, Foz do Iguaçu, PR, Brazil. Copyright 2014 SBC. ISSN 2316-5138 (pendrive). ISBN 978-857669-291-1 (online).

1

337

Ato de disponibilizar o local onde vocˆe se encontra para seus amigos.

IHC 2014 Proceedings - Short Paper

Foz do Iguaçu - PR, Brazil

do local onde foi realizado o check-in, e do tipo (categoria) do local visitado. Esse dataset e´ in´edito.

TRABALHOS RELACIONADOS

Recentemente v´arios trabalhos mostraram que o estudo do comportamento social em larga escala e´ poss´ıvel grac¸as aos avanc¸os na tecnologia de informac¸a˜ o e comunicac¸a˜ o. Fatores importantes para a obtenc¸a˜ o dos dados necess´arios s˜ao a popularizac¸a˜ o de smartphones e redes sociais baseadas em localizac¸a˜ o.

Como estamos interessados principalmente no que as pessoas comem ou bebem, n´os agrupados manualmente as subcategorias de locais, dispon´ıveis em nosso dataset do Foursquare, relacionadas com trˆes classes: Bebida, Fast Food e Slow Food. Ap´os este processo de classificac¸a˜ o manual, a classe Bebida resultou em 216.694 check-ins, disponibilizados por 135.671 usu´arios u´ nicos; a classe Fast Food com 301.634 check-ins, disponibilizados por 190.517 usu´arios u´ nicos; e a classe Slow Food com 306.836 check-ins disponibilizados por 193.694 usu´arios u´ nicos. Al´em disso, a classe Bebida tem 21 subcategorias (por exemplo, sake place, karaoke bar e pub), ao passo que a classe Fast Food tem 27 subcategorias (por exemplo, bakery, burger joint e wings joint) e a classe Slow Food tem 53 subcategorias, incluindo Chinese restaurant, steakhouse e Greek restaurant.

Nessa direc¸a˜ o, Cranshaw et al. [2] apresentaram um modelo que classifica regi˜oes de uma cidade a partir de padr˜oes de atividades coletivas. Para isso os autores utilizaram um conjunto de dados do Foursquare. Utilizando tamb´em dados do Foursquare, Noulas et al. [8] propuseram classificar a´ reas e usu´arios de uma cidade usando as categorias dos locais registrados nesse sistema. Silva et al., al´em de estudarem diferenc¸as culturais em [10], propuseram tamb´em uma nova forma de visualizar a dinˆamica de cidades a partir de h´abitos e rotinas de usu´arios, derivados dos check-ins no Foursquare [11]. Wagner et al. [12] mostraram que os padr˜oes alimentares observados em um sistema online de receitas refletem bem h´abitos conhecidos dos pa´ıses analisados (pa´ıses de l´ıngua Alem˜a). Alguns estudos recentes mostraram como o uso de sistemas Web pode variar entre os pa´ıses. Por exemplo, Hochman et al. [6] investigaram as preferˆencias de cor em fotos compartilhadas atrav´es do Instagram, mostrando diferenc¸as consider´aveis nas preferˆencias entre os pa´ıses com culturas distintas. Garcia-Gavilanes et al. [4] estudaram variac¸o˜ es de uso do Twitter entre os pa´ıses, mostrando que as diferenc¸as culturais n˜ao s˜ao apenas vis´ıveis no mundo real, mas tamb´em observadas no Twitter. O estudo de diferenc¸as culturais e´ de grande importˆancia para a comunidade de IHC, e v´arios estudos j´a foram feitos, por exemplo: [3] e [5].

Figure 1. Usu´arios expressando suas preferˆencias em redes sociais online

ˆ Mapeando Check-ins em Preferencias

Um check-in pode ser considerado um sinal, porque e´ uma informac¸a˜ o que expressa a preferˆencia de um usu´ario por um determinado tipo de lugar, como ilustrado na Figura 1. Com isso em mente, n´os usamos check-ins do Foursquare para representar as preferˆencias do usu´ario em relac¸a˜ o a locais para comer e beber, assim como em [10]. Consideramos trˆes classes de locais mencionadas anteriormente: Bebida, Fast Food e Slow Food.

y

W

in

er

ar

ar

yB

eB in

sk

W

r

m

Ba

oo aR

hi

Te

W

r

y as

ts

ke

or

Sp

b

Ba

ea

Pu

ke

Sa

Sp

e

ar

ok

oB

ra

an Pi

r

ar

Ka

Ba

eB

el

ic Ju

r

h ka

oo

ot

H

H

ar

ry

Ba ay

G

le

eB

til

iv D

l

p ho

eS

is

fe C

D

y

ai

er

kt oc

of

C

Br

er Be

Analisamos um conjunto de dados do Foursquare, que e´ uma rede social baseada em localizac¸a˜ o bastante popular. Nesse sistema os usu´arios podem disponibilizar para seus amigos os seus locais visitados, os chamados check-ins. Os dados do Foursquare foram coletados atrav´es do Twitter2 , que e´ um servic¸o de microblogging, ou seja, ele permite que os seus usu´arios enviem e recebam atualizac¸o˜ es pessoais de outros contatos em textos de at´e 140 caracteres, conhecidos como “tweets”. Al´em de tweets de texto simples, os usu´arios tamb´em podem compartilhar localizac¸o˜ es (ou check-ins) a partir de uma integrac¸a˜ o com o Foursquare. Neste caso, check-ins do Foursquare anunciados no Twitter passam a ficar dispon´ıveis publicamente, o que por padr˜ao n˜ao acontece quando o check-in e´ publicado unicamente no sistema do Foursquare.

5

10

rg e Bu r rri to C af e C up ca ke D el D is es se rt D o Fa nut st F Fi sh ood &C hi Fo p od s C Fo our t o Fr dT r ie dC uck hi ck en H ot D o Ic eC g M rea ac m &C he e. Pi zz R a am en Sa Sa lad nd w ic h Sn ac k So up Ta co Ta pa s W in gs

Bu

l

t as

ke

kf

Ba

Br

ea

ge

ry

0

10

Ba

# Check−ins

(a) Bedida

5

10

0

10

AmAfri er can ic A an Ar rep ge a Asnti. BBAus ian Q tra l BrJoin. a t C zili C aju . C arib n hi b ne . D Cub se im a Su n D D m Ea um ine st pl r . E in Et ur g hi o. Fa opi . Fi lafe lip l i F no G Fr ood as en tr c G op h G ermub lu .− an f G ree re e In Indi k do an n Ja Ita es. pa lia ne n La Ko se t. re A a M mn a e M lay r. e s M di i. M ex ter. id ica . M Ea n o s M lec t. M on ul N oro go . ew c li. Amcan e PePae r. r l Po uvi la a Sc rtu n g a u S nd . So eaf in. ut oo So hA d u m S lFo . St pan od ea is kh h Su ou Swshi is Th s Vi Veg ai et a na n m .

# Check−ins

(b) Fast Food

(c) Slow Food Figure 2. Numero ´ de check-ins em todas as subcategorias de lugares para as trˆes classes analisas.

Para dar uma ideia geral sobre a popularidade das preferˆencias do usu´ario com relac¸a˜ o aos diferentes locais relacionados com comida e bebida, as Figuras 2a, 2b e 2c mostram a frequˆencia de check-ins em cada subcategoria das classes Bebida, Fast Food e Slow Food, respectivamente. Estes n´umeros mostram a popularidade de diferentes locais

Em Abril de 2012 (do dia 20 a 29), foram coletados mais de 3,2 milh˜oes de tweets contendo check-ins georreferenciados. Cada tweet e´ composto de coordenadas GPS (latitude e longitude), do hor´ario de realizac¸a˜ o do check-in, do identificador 2

ew

de

Ba

r

n

0

10

G

˜ dos Dados Descric¸ao

5

10

ar

# Check−ins

ˆ DOS DADOS DO FOURSQUARE COMO PREFERENCIAS ´ USUARIOS

http://www.twitter.com.

338

IHC 2014 Proceedings - Short Paper

Foz do Iguaçu - PR, Brazil

1

Natal−1 Recife−2 B.H.−3 Rio−4 S.P.−5 P. A.−6 Manaus−7 Miami−8 N.Y.−9 Chicago−10 Dallas−11 Denver−12 Las Veg−13 SanFra.−14 Paris−15 London−16 Istanb.−17 Moscow−18 Bangkok−19 Kuala L−20 Singap.−21 Jakarta−22 Bandung−23 Suraba.−24 Manila−25 Osaka−26 Tokyo−27

0.8 0.6 0.4 0.2 0 −0.2 −0.4 −0.6 −0.8

Natal−1 Recife−2 B.H.−3 Rio−4 S.P.−5 P. A.−6 Manaus−7 Miami−8 N.Y.−9 Chicago−10 Dallas−11 Denver−12 Las Veg−13 SanFra.−14 Paris−15 London−16 Istanb.−17 Moscow−18 Bangkok−19 Kuala L−20 Singap.−21 Jakarta−22 Bandung−23 Suraba.−24 Manila−25 Osaka−26 Tokyo−27

sinalizados por pessoas em todo o mundo. Note que Coffee Shop e Bar s˜ao as duas subcategorias mais visitadas da classe de locais Bebida, com 66.495 e 61.677 check-ins, respectivamente. As duas subcategorias mais populares de Fast Food s˜ao Caf´e3 e Fast Food Restaurant, com 65.436 e 40.847 check-ins, respectivamente. Finalmente, American Restaurant (34.921) e Italian Restaurant (21.802) s˜ao as subcategorias de locais mais visitadas da classe Slow Food. Esses resultados foram praticamente os mesmos encontrados por [10], com excec¸a˜ o da segunda categoria mais popular de Slow Food, que naquele trabalho era Mexican Restaurant com 28.712 check-ins. Em nosso dataset, o usu´ario e´ representado por um vetor de m = 101 caracter´ısticas (ou features) correspondentes a` s 101 subcategorias que comp˜oem as trˆes classes que definimos. Uma caracter´ısticas fi ∈ F = {f1 , f2 , . . . , f101 } e´ igual a 1 se o usu´ario fez pelo menos um check-in em fi , e 0 caso contr´ario. Desta forma, um vetor de caracter´ısticas representa as preferˆencias positivas e negativas de um usu´ario com relac¸a˜ o a` s subcategorias das classes Bebidas, Fast food e Slow Foods. Com isso, um conjunto finito de preferˆencias e´ extra´ıdo e as ac¸o˜ es dos usu´arios s˜ao mapeados para este vetor. Veja que isso s˜ao como respostas em um question´ario, por exemplo, vocˆe gosta de comida indiana? Para associar um usu´ario a um local, analisamos as coordenadas GPS de todos os check-ins executados pelo usu´ario. Se todos os check-ins realizados s˜ao do mesmo pa´ıs, identificados a partir de uma geocodificac¸a˜ o reversa (reverse geocoding) realizada com uma API oferecida pelo Yahoo4, n´os assumimos que o usu´ario em quest˜ao e´ desse pa´ıs. Caso contr´ario, n´os n˜ao consideramos o usu´ario em nossa an´alise. Desta forma, minimizamos a associac¸a˜ o errada de um usu´ario a um pa´ıs. Ap´os este procedimento, cerca de 1 % dos usu´arios foram desconsiderados da nossa an´alise.

−1

Figure 3. Correlac¸a˜ o de preferˆencias para cidades para a classe Slow Food. 1

# checkins

0.8

Belo Horizonte Porto Alegre Sao Paulo

0.6 0.4 0.2 0

2 4 6 8 10 12 14 16 18 20 22

Hora

Figure 4. Numero ´ de check-ins realizados na classe Slow Food ao longo das horas do dia em diferentes cidades brasileiras em dias de semana.

a cor, mais forte a correlac¸a˜ o (azul para correlac¸o˜ es positivas, vermelho para correlac¸o˜ es negativas). Como podemos observar, a classe Slow Food apresenta alta distinc¸a˜ o, ou correlac¸a˜ o menor, na maior parte das e cidades, exceto para as cidades que pertencem ao mesmo pa´ıs. Observe que as cidades dos EUA, Brasil, Jap˜ao e Indon´esia, os u´ nicos pa´ıses que possuem pelo menos duas cidades representantes, s˜ao altamente correlacionadas. Esse resultado tamb´em foi observado por [10], assim como os resultados para as classes Bebidas e Fast Food, resultados omitidos nesse artigo.

RESULTADOS

Nossos resultados preliminares consideram, at´e o presente momento, as mesmas 27 cidades analisadas por [10]. ´ Analise Espacial

Nessa sec¸a˜ o analisamos onde as pessoas de diferentes cidades frequentam, considerando as trˆes classes de locais definidas. Nosso objetivo e´ estudar diferenc¸as e similaridades no resultado obtido com um dataset diferente do analisado por [10]. Para isso, agrupamos todos os vetores de preferˆencias de todos os usu´arios da mesma cidade a em um u´ nico vetor F a , como definido em [10].

´ Analise Temporal

Nessa sec¸a˜ o analisamos os hor´ario em que os usu´arios comem e/ou bebem. Primeiramente n´os contamos o n´umero de check-ins por hora em todos os dias do nosso dataset nos locais de cada classe (Bebidas, Fast Food e Slow Food) para as diferentes cidades. Em seguida, agrupamos os dias em dias de semana e fins de semana, somando os check-ins realizados na mesma hora do dia em cada classe e para cada cidade. A partir disso, normalizamos esse n´umero pelo valor m´aximo encontrado em qualquer hora para cada regi˜ao espec´ıfica. Dessa forma, podemos comparar os padr˜oes obtidos em diferentes cidades.

Para verificar se duas a´ reas de a e b s˜ao culturalmente semelhantes, calculamos o coeficiente de correlac¸a˜ o de Pearson entre os dois vetores de preferˆencias F a e F b dessas a´ reas. Calculamos a correlac¸a˜ o considerando todos as preferˆencias (F a e F b ), bem como um subconjunto delas (por exemplo, a b FSlowF ood e FSlowF ood ). Em particular, a Figura 3 mostra as correlac¸o˜ es entre as a´ reas correspondentes a` s 27 cidades populares analisadas para a classe Slow Food; quanto mais escura

Para fins de ilustrac¸a˜ o, vamos mostrar os resultados para trˆes cidades brasileiras (Belo Horizonte, Porto Alegre e S˜ao Paulo) na Figura 4. Como podemos observar nessa figura, que mostra o n´umero de check-ins realizados na classe Slow Food

3

Consideramos este termo como muitos pa´ıses europeus, onde Caf´e significa um restaurante que serve caf´e, bem como produtos de pastelaria. 4 http://developer.yahoo.com.

339

IHC 2014 Proceedings - Short Paper

Foz do Iguaçu - PR, Brazil

Table 2. Resultados da clusterizac¸ a˜ o considerando apenas os tipos de locais presentes em cada cidade.

ao longo das horas do dia em diferentes cidades brasileiras em dias de semana, as cidades analisadas exibem um padr˜ao semelhante. E´ interessante notar que as cidades refletem um comportamento apresentado pelo pa´ıs (resultado agregado de todas as cidades), apresentando o maior pico de atividade por volta da hora do almoc¸o. Isso reflete uma caracter´ıstica j´a conhecida do h´abito dos brasileiros: dar maior importˆancia ao almoc¸o. Esse resultado tamb´em est´a de acordo com o apresentado em [10].

Cluster 1 2 3 4

bem como a popularidade de cada um deles, mas ainda sem considerar nenhuma quest˜ao temporal. O resultado dessa clusterizac¸a˜ o est´a apresentado na Tabela 3. Como podemos observar, esse resultado e´ mais esperado do que o apresentado na Tabela 2, no entanto ainda e´ inferior ao resultado obtido utilizando a metodologia apresentada no trabalho [10].

Identificando Fronteiras Culturais

Para a clusterizac¸a˜ o de regi˜oes com h´abitos alimentares e de bebida similares, utilizamos tamb´em a mesma metodologia proposta em [10]. Primeiramente representamos cada a´ rea a por um vetor de preferˆencia composto de 808 caracter´ısticas, ou seja, o n´umero normalizado de check-ins em cada uma das 101 subcategorias em quatro per´ıodos distintos do dia (madrugada, manh˜a, tarde e noite), durante a semana e nos fins de semana. Em seguida, aplicamos uma An´alise de Componentes Principais (PCA) [7]. Finalmente, usamos o algoritmo k-means, uma t´ecnica de clusterizac¸a˜ o amplamente utilizada, para agrupar a´ reas no espac¸o definido pelos componentes principais encontrados.

Table 3. Resultados da clusterizac¸ a˜ o considerando a popularidade dos tipos de locais presentes em cada cidade. Cluster 1 2 3 4

Considerando um dataset ainda n˜ao analisado anteriormente, nossos resultados preliminares indicam que h´abitos alimentares e bebida dos usu´arios s˜ao bastante similares aos h´abitos observados anteriormente por [10]. Isso sugere que os resultados observados naquele trabalho, mesmo considerando apenas uma semana de dados, podem sim explicar os h´abitos culturais dos usu´arios das regi˜oes analisadas. Al´em disso, estudamos duas novas abordagens para clusterizac¸a˜ o de regi˜oes, que inicialmente foram piores do que a abordagem apresentada por [10].

Table 1. Resultados da clusterizac¸ a˜ o considerando todas as caracter´ısticas, como no trabalho realizado por Silva et al.

4

Cidades S˜ao Paulo, Rio, Belo Horizonte, Recife, Manaus, Natal, Porto Alegre NYC, San Francisco, Chicago, Las Vegas, Dallas, Miami, Denver Paris, Istanbul, Bangkok, Tokyo, London, Osaka Moscow, Singapore, Bandung, Jakarta, Surabaya, Kuala Lumpur, Manila

˜ CONCLUSAO

O resultado da clusterizac¸a˜ o seguindo esse m´etodo est´a representado na Tabela 1. Esse resultado vai de acordo com o esperado, as cidades dos Estados Unidos, Brasil, Europa e ´ Asia foram clusterizadas separadamente. Esses resultados s˜ao idˆenticos aos encontrados por [10]. Isso j´a era esperado, pois os resultados que encontramos nas an´alises espac¸otemporal dos h´abitos alimentares e de bebida tamb´em est˜ao de acordo com os resultados daquele trabalho.

Cluster 1 2 3

Cidades Rio, Belo Horizonte, Recife, Manaus, Natal, Porto Alegre NYC, San Francisco, Chicago, S˜ao Paulo, Istanbul, Jakarta, Kuala Lumpur, Tokyo, Manila Paris, Bangkok, Singapore, Bandung, Surabaya, London, Osaka Moscow, Las Vegas, Dallas, Miami, Denver

REFERENCES 1. Carole, C. Food And Culture: A Reader, 2nd ed. Routledge, Dec. 1997.

Cidades S˜ao Paulo, Rio, Belo Horizonte, Recife, Manaus, Natal, Porto Alegre NYC, San Francisco, Chicago, Las Vegas, Dallas, Miami, Denver Bangkok, Singapore, Bandung, Jakarta, Surabaya, Kuala Lumpur, Tokyo, Manila, Osaka Paris, Istanbul, Moscow, London

2. Cranshaw, J., Schwartz, R., Hong, J. I., and Sadeh, N. The Livehoods Project: Utilizing Social Media to Understand the Dynamics of a City. In Proc. of ICWSM’12, AAAI (Dublin, Ireland, 2012). 3. De Castro Salgado, L. C., De Souza, C. S., and Leit˜ao, C. F. On the epistemic nature of cultural viewpoint metaphors. In Proc. of IHC and CLIHC (Porto Alegre, Brazil, Brazil, 2011), 23–32.

Em seguida, nosso objetivo e´ avaliar se a metodologia de clusterizac¸a˜ o que estamos seguindo, proposta em [10], e´ satisfat´oria. Para isso realizamos uma nova clusterizac¸a˜ o utilizando uma nova metodologia. Nessa nova abordagem o vetor de preferˆencias considera apenas os tipos de locais presentes em cada cidade. N˜ao consideramos o n´umero de check-ins realizados em cada local e, consequente, tamb´em n˜ao consideramos nenhuma quest˜ao temporal. O restante da metodologia continua a mesma de [10], (PCA + k-means), a diferenc¸a e´ apenas o novo vetor de preferˆencias. O resultado dessa clusterizac¸a˜ o est´a apresentado na Tabela 2. Como podemos observar o resultado e´ bastante diferente do encontrado anteriormente (Tabela 1), e n˜ao vai de acordo com o esperado. Observe, por exemplo, que Tokyo e Istanbul est˜ao no mesmo cluster, o que n˜ao e´ muito intuitivo, j´a que essas cidades s˜ao culturalmente bastante distintas.

4. Garcia-Gavilanes, R., Quercia, D., and Jaimes, A. Cultural dimensions in Twitter: Time, individualism and power. In Proc. of ICWSM’13 (Boston, USA, 2013). 5. Gasparini, I., Pimenta, M. S., and De Oliveira, J. P. M. Vive la diff´erence!: A survey of cultural-aware issues in hci. In Proc. of IHC and CLIHC (Porto Alegre, Brazil, Brazil, 2011), 13–22. 6. Hochman, N., and Schwartz, R. Visualizing instagram: Tracing cultural visual rhythms. In Proc. of Work. on Social Media Vis. (Dublin, Ireland, 2012), 6–9. 7. Jolliffe, I. T. Principal Component Analysis, 2nd ed. Springer, 2002. 8. Noulas, A., Scellato, S., Mascolo, C., and Pontil, M. Exploiting Semantic Annotations for Clustering Geographic Areas and Users in Location-based Social Networks. In Proc. of ICWSM’11, AAAI (Barcelona, Spain, 2011). 9. Sales, A., Alves, L., Ara´ujo, M., Menezes, A., Morais, A., and Andrade, N. O uso de uma rede geossocial nas cidades brasileiras e sua relac¸a˜ o com fatores socioeconˆomicos. In Proc. of IHC’13 (Manaus, Brasil, 2013), 142–147. 10. Silva, T., Vaz de Melo, P., Almeida, J., Musolesi, M., and Loureiro, A. You are What you Eat (and Drink): Identifying Cultural Boundaries by Analyzing Food & Drink Habits in Foursquare. In Proc. of ICWSM (Ann Arbor, USA, 2014). 11. Silva, T. H., Vaz de Melo, P. O. S., Almeida, J. M., Salles, J., and Loureiro, A. A. F. Visualizing the invisible image of cities. In Proc. of CPSCom (Besancon, France, 2012).

Al´em disso, modificamos a nova abordagem para o agrupamento de regi˜oes apresentada aqui. Nessa nova abordagem consideramos os tipos de locais presentes em cada cidade,

12. Wagner, C., Singer, P., and Strohmaier, M. Spatial and temporal patterns of online food preferences. In Proc. of WWW (2014), 553–554.

340