Friendship and mobility: user movement in location-based social networks

文章发现用户的活动规律：在一定地理区域内，周期性活动（占50-70%）；对于跳跃性大的签到跟社交关系有关（占10-30%），并且建立用户活动模型用来预测用户的行为。

分析Gowalla数据，发现的一些规律：

1. 距离home越远，签到概率越小。但是超过100km时，概率随着距离变化基本不变；
2. 好友关系会影响签到，并且强于签到对新好友关系形成的影响；
3. 去好友去过的地方，距离越远，效果越强；
4. 轨迹线越相似，好友概率越大；
5. 用户签到周期性，用香农熵表示，越小，签到规律性越强；

之后对用户活动建模：xu(t)表示用户u在时间t的位置；cu(t)表示用户u在时间t时候的状态，在家=H还是工作=W；zu(t)表示用户u在时刻t的签到种类，=1表示该签到是受社交关系影响的，=0表示使规律性的签到。

Pu[x(t)=x]= P[x(t)=x|zu(t)=1]*P[zu(t)=1] + P[x(t)=x|zu(t)=0]*P[zu(t)=0]

P[x(t)=x|zu(t)=0]= P[x(t)=x] = P[x(t)=x|cu(t)=H]*P[cu(t)=H] + P[x(t)=x|cu(t)=W]*P[cu(t)=W]

 

  文章最后对其进行了评价，给出了几个评价标准和对比标准。

自我感想：文章对用户活动的分析数据以及对用户活动的建模，对我的研究还是有启发左右的。特别是其中的高斯分布的运用，值得深入思考。