Travel Toute Recommendation Using Geotags inPhoto Sharing Sites(2013.10.14)

1。ABSTRACT 采用Flicker 的数据集合，采用马尔科夫方法进行预测，Flicker 的数据和LBSN的数据有相似性，采用轨迹预测。不同之处是其参考条件除了当前状态之外还有用户的喜好。

2。INTRODUCTION 其认为传照片是对该地址表达了一种喜爱，从而该地址可以作为被推荐的对象。Fpursquare这种社交网络似乎不能如此 判定（核实下有无喜爱这种选项）。

该文的贡献主要是提出了一个依据用户的空余时间、兴趣爱好、当前位置的推荐模型。若转变为位置推荐的话似乎和杨师兄的位置推荐有所不同：杨师兄的是基于社交网络的位置推荐，而它的位置推荐则是依据用户的个人信息，且其推荐的是一个位置序列。对位置预测的借鉴意义则是其模型

3。基本的旅行路线推荐框架：

模型的基本假设：

具体步骤：

mean-shift(均值漂移)

马尔科夫模型是否意外着只代表和当前状态相关，和之前的状态无关。该模型从大量数据中找出受欢迎的路线序列（采用一阶马尔科夫）。

topic model:EM算法（聚类算法）

4.本文的输入是有时间参数的，因此是要考虑游览时间的。

5.Topic model:分层的概率模型，用户被抽象为主题的混合，每个主题被模型化为基于地标的概率分布。主题模型被广泛用于信息检索、语言建模及用于用户兴趣建模等应用程序。

在EM 步骤中也采用了最大似然估计的方法。

需要理解这两个公式。前者的右侧是遍历了所有访问的地点，在历史记录中产生某种主题的概率正比于。。。。其是对所有产生的地点而言的，为何不对所有用户来说

后者的右侧是遍历了所有的用户N（）项在基于历史记录的情况下选择地表l 的次数，在某种主题镇南关访问某个地点的概率，当对所有用户而言