Activity Duration Analysis for Context-aware Services(2013.10.27)

1.[ABSTRACT]发现计算活动时间的模式，活动的延续时间对推荐系统的及时推荐有很大作用（不太明白活动的延续时间对及时推荐的作用）。本文给出了初始的推荐结果和评价及其将来的计划。

2.可能延续时间的作用似乎可用距离说明：在用户还处于商场中 的时候向其推销该商场的优惠券（这当和预测性推销是 不相同的一种预测模式，是否可以理解为一种是时间上的实时，一种是位置上的实时）。

3。GPS 等设备记载的信息和从LBSN 获取的签到信息的区别：GPS的缺点在于隐私的问题及电池电量的限制，有点事自动记录，签到的连续性和完整性。LBSN的一些优势：数据量巨大、 活动更具代表性（分析相对容易）

4. [INTRODUCTION]本文做的一些先期工作：1。使用大规模的数据，发现了不同用户活动的签到模式。2。通过模式预测用户的活动时间。3。获取“ground truth”（及其学习术语，真是的分类标准）中的挑战及解决方案。

5.[CHECK-IN PATTERNSFOUNDINDATA]分析出三种用户模式（签到量当是一个很大的考虑因素）：1.automatic:类似于GPSshebei 2.long-term：重复相同的地点或者活动，每天的地点相同，时间有所区别。3.transportation ：明确用户采用的某种具体的交通方式（对时间估计很有用）。

6.foursquare中category的分类特点，签到分为两层，第一层有8种

详细分类介绍见此处https://github.com/popomore/foursquare-category

7.[APPROACH TO DETERMINE ACTIVITY DURATION]主要选取对象为long-term用户（为何？）。

8.[CALCULATIONS FOR ACTIVITY DURATION ]分别采用正太分布 和对数正太分布的方法来估算平均的活动时间。

做出估计的猜想基础：1.long-term用户每天采用相似的时间框架进行活动（有一定的随机误差），则每一个用户的时间标记可近似为正态分布（高斯分布）。则将活动时间近似为单个用户重复次数最多的时间戳，表示为签到时间加上标准误差。2.用户多数会在活动开始的时间进行签到。则和对数正态分布相似。