![](https://img-blog.csdnimg.cn/20190918140037908.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
论文解读
文章平均质量分 51
阅读论文过程中的点点滴滴
阿清陪你聊聊数据分析
985硕士毕业,阿里数据分析专家~
展开
-
The Places of Our Lives: Visiting Patterns and Automatic Labeling from Longitudinal Smartphone Data
文章分析用户的地理访问历史记录,给出用户的行为模式,最后给出一种对位置贴标签的机制。数据集:文献[15]的,114个用户长达18个月的,来自两个大学的学生和老师的记录。用户访问的特征:每个用户总共访问了多少个地点?每个地点被访问了多少次?人们访问新地点的比例?个人信息(性别、年龄、职业)对用户行为模式的影响。访问记录的时间分布。地点的被访问特征:地点都有哪些原创 2014-03-28 21:23:35 · 944 阅读 · 0 评论 -
Modeling Temporal Effects of Human Mobile Behavior on Location-Based Social Networks
文章主要是解决的问题:已知用户的社交关系以及历史签到记录,预测给定时间用户的签到位置。重点提出时间对预测的影响,可以显著提高精度。数据集:公开Foursquare数据集http://www.public.asu.edu/~hgao16/dataset.html公开Brightkite数据集http://snap.stanford.edu/data/loc-brightkite.ht原创 2014-03-28 21:26:22 · 1499 阅读 · 2 评论 -
Mining user similarity based on location history
文章利用用户的GPS位置历史记录来衡量用户之间的相似性。提出HGSM算法,主要考虑了用户轨迹的顺序性和访问地点的层次性。 首先,对用户轨迹分析,抽取出所有的stay points(文中提出一个算法,主要看两点之间的距离以及时间),其他点就忽略掉(LBSN中的签到其实就几乎等价于本文的stay points)。 之后,对所有的staypoi原创 2014-03-28 21:28:29 · 1795 阅读 · 0 评论 -
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: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;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;去好友去过的地方,距离越远,效果越强;轨迹线原创 2014-03-28 21:14:19 · 2073 阅读 · 0 评论