want a coffee?predicting users' trails(2013.10.12)

1。ABSTRACT 采用马尔科夫链预测 ，认为当前的轨迹包含未来的轨迹的线索（轨迹是否当指一连串的点，所以不能简单理解为轨迹推荐，而因理解为位置推荐），数据集基于Twitter 和Foursquare，Foursquare  数据集的特点，含有种类信息（category）,此信息相对可读且较高层。

2。INTRODUCTION 预测将来访问的类型。Foursquare的类型分为三个等级，第一层有9个种类，第二层有391个种类，

3。METHODS AND EXPERIMENTS  Xt表示访问地点的种类（category）。将马尔科夫函数简化 ，以此验证随机依赖的设想。基本设想认为用户会处于当前的类型,此论证似乎不像引2 那么有说服力，但是作为位置推荐仍然有一定道理。其依据是

实验地点，选取POIs 位于NY，CH，LC，SF，以期发现访问模式是否有地理上的一致性

4。CONCLUSION AND FUTURE WORK

    在初步的研究中，基于带有POI（places of interest）标签的推特信息使用马尔科夫链估计用户接下来访问的地点类型的可行性。

     根据用户划分测试集和训练集

思考 ：Foursquare 数据集合确有其特点，其与移动设备的记录的轨迹信息相比，其轨迹具有不完备性，因为用户的签到具有其主观意愿，但事实上仍然要观察数据集合。