همانگونه از طریق IBM ذکر شد، توسعه سریع شبکه‌بندی اجتماعی تلفن همراه (MSN) که در شکل 1 نشان داده شده است، تولید کلان داده‌ها را بهبود بخشید (1). در واقع، آمارهای فراوان حاکی از آن است که اکثر کلان‌داده‌های تولید شده توسط MSN، برای نمونه، گزارش‌های دسترسی اینترنت کاربران Unicom در چین به TB 10 در روز رسیده است. به واسطه چنین افزایش موقعیتی، بسیاری از برنامه‌های مبتنی بر کاوش کلان‌داده‌ها و اشتراک‌گذاری، نظیر سیستم‌های پیشنهاد دهنده دوستی WeChat (2) و توییتر (3) و دیگر سیستم‌های توصیه‌کننده شخصی (7-4)، ظهور یافتند. در این برنامه‌ها، هنگام به اشتراک‌گذاری عمومی اطلاعات شخصی مانند موقعیت و علاقمندی‌ها، افراد می‌توانند انواع خدمات مبتنی بر مکان را از سیستم‌های توصیه‌کننده دریافت کنند.
در این مقاله، بر مطالعه نوعی از برنامه‌های موقعیت محور بسیار محبوب موسوم به پیشنهاد دوستان مجاور (PFR) ذکر شده در (8) تمرکز نمودیم که امکان می‌دهد کاربران تلفن همراه نزدیک به لحاظ جسمی امکان تعامل رو در روی بیشتری در مکان‌های عمومی مانند فرودگاهها، ورزشگاهها و سالن‌های قطار داشته باشند (9). به طور کلی، یکی از راههای ممکن استفاده از روش شناخت شده تطبیق مشخصات (10) است که مرحله نخست آن به یافتن کاربر هدف می‌پردازد.
همانگونه که وو[1] و همکاران به آن اشاره کردند (11)، ماهیت اصلی تطبیق مشخصات آن است دو کاربر به مقایسه ویژگی‌های مشخصات شخصی خود پیش از تعامل واقعی نیاز دارند. از این رو، نگرانی دنیای واقعی آن است که ویژگی‌های مشخصات اجتماعی مورد استفاده در فرایند تطبیق مشخصات از جمله اطلاعات مهم در مورد کاربران و نقض حریم خصوصی کاربران ویژگی‌های اجتماعی می‌تواند مسائل جدی مطرح کند.
