Find me if you can:improving geographical...(2013.9.27)

1。关于位置预测 ，数据FACEBOOK，地理位置和好友关系之间的联系

2。位置预测的作用1）提供更好的服务（如本地内容），2）安全，如QQ异地登陆提示 3）给出用户联系人位置，计算出该用户的家庭位置。

3。若是好友聚集一处，预测想必是简单的，若是好友比较分散，则预测的难度会变大吧。

4。以权重的预测是存在问题的，尤其显示在位于海岸线的用户上。

5。

。

好友关系和距离成幂律分布。采用最大似然方法进行拟合

6。最大似然估计的一个熟悉：实际上是用样本来估计整体，即在不可能获得整体信息的情况下，使样本可以代替整体的可能性最大。其实其思路并不复杂

7.论文根据数据得出了图7 ，可能有朋友关系的概率和距离之间的关系。并根据其拟合出了方程 。同时给出了最大似然方程 ，E为边的集合，即理解为好友集合。计算时间复杂度为O（N），即需要遍历所有节点。时间复杂度较高。两步化简以降低时间复杂度。第一步给出改进的目标方程 ，化简方法，预先计算出针对每个位置l的常量 （即对于每个位置此为常量，该操作是将美国作为一个细网格处理，计算量较大，优点是只需要计算一次，问题是初始带入的时候是代入哪一个常量），将原公式处以该常量则可以得到改进的目标方程。第二步的优化是对函数p（.）的优化，该函数在p（0）时取得极大值

8.  方案在实际验证时无论是一维和二维u点都会出现在某一个朋友点上，似乎和p(0)取得较为突起的极大值有关。因此采取的改进方案是用其所有的朋友节点带入进行计算，采取人工的方法从某个朋友的位置到相近的一个地方。 其时间复杂度为O（k*k）

9。回顾下文章的导入（introduction），由于网络的出现，地理位置对社交关系的限制越来越小。识别出用户的地里位置是有作用的：1。防止钓鱼网站的欺诈 2。个性化的信息推荐（且不用用户输入自己的地址）。然当前的地理位置和家乡、常用地理位置当时有很大区别的。现有根据ip进行定位的问题：1。粒度较粗，只能定位到城市级别2。前后不一致的问题，因为大型网络和移动网络是由IP池分配ip 的，这会影响到 用户体验。根据报告，整体定位精度不高，且由于ip的重新分配，需要持续维护成本。整个步骤a.通过数据验证好友关系和距离之间的关系，呈单调递减关系 b。最大 似然的方法建立模型并且验证其相对IP方法的优越性c.采用迭代的方法提高精度。贡献1.大量准确数据确保了研究深度和广度。2.比现在ip方法更好的定位方法，精确且降低维护成本。

10。回顾下background。核心问题：地理位置和社会结构的关系及此种关系对位置预测的影响。

11.DATA ，好友情况和距离的关系受到人口密度的影响。这个当是必须考虑的因素，因为好友

12。 思考：如果只是依赖好友关系必然是有缺陷的，WEEKDAY和WEEKEND的数据是有所区别的，家乡是假期的一个中心。而很多好友关系是和家乡有关的，这个事实上有必要加以区分。