本文分析LBSN数据，通过用户签到确定活动范围和规律，发现社交网络仅影响用户10%~30%的活动。用户约50%~70%的行为具有周期性。提出PMM和PSMM模型，后者考虑社交网络，提高预测精确度，对商业和推荐系统有启示。
尽管人类的活动具有很大的随机性，但还是会受到时间或空间的限制，本文目的是通过研究三类能隐含用户位置的数据，对这类数据建模，从而发现用户活动的规律和特征。
文中收集了三类数据集：BrighKite、Gowalla和手机用户数据。其中前两种网站是基于位置（LBSN）的社交网络，通过用户签到功能定位用户位置；手机用户数据是通过手机信号塔跟踪通话两端的用户位置。
首先是对用户签到特点的分析，其主要目的是找到LBSN数据与用户活动之间的关系，其步骤如下：
① 用户签到位置在哪？用来确定用户的“家”，把所有离散的签到数据划分成各个规模很小的数据集（按地理空间比例缩小规模），分析每个数据集中频率最高的数据，定义为某一用户的“家”。
② 用户会去离家多远的地方旅行？用来确定用户活动的范围。通过分析用户随离家距离变化的签到概率，发现曲线在100km处有一较大变化；继而分析了用户朋友间住址的距离和随机用户
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
