社会友谊和人群移动：基于位置的社交网络中的用户移动（二）

上接前译文http://blog.csdn.net/ztf312/article/details/47143375

4. 人类移动模型

模型预测了人类移动的地理性（返回相同位置）和时空性（一天固定移动）

Periodic Mobility Model (PMM)移动预测模型：设置两个状态：上班、在家。一天当中，人们要么在工作单位、要么在家、要么往返途中。图6根据两个状态的中心建模，构成高斯分布，概率模型：一天当中每个时间段是否处于两个状态之一。

图6(a)在家用红色，上班用蓝色，图6(b)用户在家和单位移动的时空模型

概率公式：

用户u,在时间t，登陆地理位置x, 地理位置函数x(t). P[x(t)=x]描述了这种可能性. c(t)是状态函数，只有两个值：H为在家状态，W为工作状态。

t时刻用户的状态P[x(t)=x]是在家状态和工作状态的混合，混合因子由上述概率公式决定。

PMM模型的时空因素：t 时刻在家人数符合正态分布，taoH，taoW表示平均在家W、工作时间，因为一天是周期性的，为了方便起见，计算平均时间将中午 11:59到12:01 这两分钟除外。Pch是是时间上的独立可能性。

PMM模型的空间因素：

CSDN不方便编辑公式直接原文，covariance matrices意思是是协方差矩阵。

图7 (a)用户登陆的经纬度，(b)一天中登陆时间长短的可能性

Periodic & Social Mobility Model (PSMM)预测与社会模型

Zu(t)=1表示用户登录是社会性的（无周期性），Zu(t)=0表示用户登录是非社会性的（周期性），

Zu(t)=1条件下登陆xi的概率P由两个因素决定：距离朋友登陆的间隔时间，距离朋友登陆地点的距离。

PMM和PSMM模型的兼容性：模型参数定义，采用期望最大化，

图8 从家到单位的人员流动

图9 登陆时间和空间概率(a)用户登录的时间与最后一位朋友登陆相同地点的时间差(b)两个用户最后一次通话的距离差。

5.实验评估

评价指标：(a)不可见的测试集中的用户登录平均似然函数。(b)预测精度。

下面公式计算了，用户登录地点和模型计算出来的用户登录地点距离差的平均期望。

基准模型

三个没有测试的基准模型来比较：

(1)最频繁登陆位置概率模型（M）。尽管简单，很强大的一个对比模型。

|Cu|->正无穷，Pm会接近潜在的现实模型。

(2) 高斯模型(G)

给定一个星期的一天，N()中第一个参数是各个星期同一天的平均登陆位置，N()中第二个参数是协方差矩阵。

这个模型基于统计学，给出了用户活动范围。

(3) 下一移动位置模型（RW）

实验步骤：我们抽取一天中用户的至少10次登陆，80%在实验集，20%在测试集。这意味着抽取了6233个Brightkite用户，10997个Gowalla用户，853812个手机用户。对每个用户建立了七个模型对应一周的七天。

预测模型：首先我们比较了PMM模型和参照模型的性能，为简便起见我们只讨论Brightkite和手机用户。图10展示了四种模型结果。图10(c)和(d)给出了特使数据的对数似然矩阵结果。10(e)和(f)给出了预期相对距离差。

社会模型的预测性能：PSMM模型对PMM模型有所改进，提升了10%的相对期望距离差，

相似的日常移动模式：日常移动模式有相似性，我们进行了相似测量。C1，C2表示两个不同的登陆数据集，P1,P2表示PMM模型的计算结果。S函数类似于协方差矩阵的一个子集，可比较两个PMM模型，无论是统一用户不同日期登陆，还是不同用户同一天登陆。

潜在状态的数量：除了家和单位仍然可能有第三种状态。打个比方，在Brightkite，采用一个状态来预测精度为19.7%，两个状态精度为36.1%，相对提升了83.1%，三个状态精度则仅仅相对提升3.3%。

图11 平均相似性，方块越黑，则相似性越强。

6. 结论

我们发现用户小范围的移动具有时空周期性，不受社会结构影响，长距离的移动更容易受社会结构影响。还建立了一个动态模型，模拟了受人际关系影响的日常移动。可预测人类移动，

7.参考文献：

[1] L. Backstrom, E. Sun, and C. Marlow. Find me if you can: Improving geographical prediction with social and spatial proximity. In WWW ’10, pages 61–70, 2010.

[2] D. Brockmann, L. Hufnagel, and T. Geisel. The scaling laws of human travel. Nature, 2006.

[3] A. Clauset, C. R. Shalizi, and M. E. J. Newman. Power-law distributions in empirical data. SIAM Review, 2009.

[4] N. Couldry and A. Mccarthy. Mediaspace: Place, Scale and Culture in a Media Age (Comedia). Routledge, Nov. 2003.

[5] D. Crandall, L. Backstrom, D. Cosley, S. Suri, D. Huttenlocher, and J. Kleinberg. Inferring social ties from geographic coincidences. PNAS, 2010.

[6] J. Cranshaw, E. Toch, J. I. Hong, A. Kittur, and N. Sadeh. Bridging the gap between physical location and online social networks. In UbiComp, pages 119–128, 2010.

[7] N. Eagle and A. Pentland. Eigenbehaviors: Identifying structure in routine. Behavioral Ecology and Soc., 2009.

[8] N. Eagle, A. Pentland, and D. Lazer. Inferring friendship network structure by using mobile phone data. PNAS, 2009.

[9] S. Eubank, H. Guclu, V. S. Anil Kumar, M. V. Marathe, A. Srinivasan, Z. Toroczkai, and N. Wang. Modelling disease outbreaks in realistic urban social networks. Nature, 2004.

[10] E. Glaeser and M. Kahn. Sprawl and urban growth. Handbook of regional and urban economics, 2004.

[11] J. Goldenberg and M. Levy. Distance is not dead: Social interaction and geographical distance in the internet era. Arxiv, abs/0906.3202, 2009.

[12] M. C. Gonzalez, C. A. Hidalgo, and A.-L. Barabasi. Understanding individual human mobility patterns. Nature, 453(7196):779–782, 2008.

[13] Q. Hao, R. Cai, C. Wang, R. Xiao, J.-M. Yang, Y. Pang, and L. Zhang. Equip tourists with knowledge mined from travelogues. In WWW ’10, pages 401–410, 2010.

[14] T. J. Hatton and J. G. Williamson. Global Migration and the World Economy: Two Centuries of Policy and Performance. The MIT Press, 2008.

[15] L. Humphreys. Mobile social networks and social practice: A case study of dodgeball. Journal of Computer-Mediated Communication, 2008.

[16] B. Jiang, J. Yin, and S. Zhao. Characterizing the human mobility pattern in a large street network. Physical Review E, 80(2):021136, Aug. 2009.

[17] A. Kapoor, N. Eagle, and E. Horvitz. People, quakes, and communications: Inferences from call dynamics about a seismic event and its inﬂuences on a population. In AAAI Spring Symposiumg, 2010.

[18] M. Kim, D. Kotz, and S. Kim. Extracting a mobility model from real user traces. INFOCOM ’06, 2006.

[19] R. Lambiotte, V. Blondel, C. Dekerchove, E. Huens, C. Prieur, Z. Smoreda, and P. Vandooren. Geographical dispersal of mobile communication networks. Physica A, 387(21):5317–5325, Sept. 2008.

[20] K. Lee, S. Hong, S. J. Kim, I. Rhee, and S. Chong. SLAW: A new mobility model for human walks. In INFOCOM ’09, pages 855–863, 2009.

[21] T. Leighton. Improving performance on the internet. Queue, 6:20–29, 2008.

[22] J. Leskovec and E. Horvitz. Planetary-scale views on a large instant-messaging network. In WWW ’08, 2008.

[23] Z. Li, B. Ding, J. Han, R. Kays, and P. Nye. Mining periodic behaviors for moving objects. KDD ’10, 2010.

[24] D. Liben-Nowell, J. Novak, R. Kumar, P. Raghavan, and A. Tomkins. Geographic routing in social networks. PNAS, 2005.

[25] M. McPherson, L. Smith-Lovin, and J. M. Cook. Birds of a feather: Homophily in social networks. Annual Review of Sociology, 27(1):415–444, 2001.

[26] D. Mok, B. Wellman, and J. Carrasco. Does distance matter in the age of the internet? Urban Studies, 47(13), 2010.

[27] A. J. Nicholson and B. D. Noble. Breadcrumbs: Forecasting mobile connectivity. In MOBICOM ’08, pages 46–57, 2008.

[28] A. Noulas, S. Scellato, C. Mascolo, and M. Pontil. An empirical study of geographic user activity patterns in foursquare. In ICWSM ’11, 2011.

[29] S. Scellato, A. Noulas, R. Lambiotte, and C. Mascolo. Socio-spatial properties of online location-based social networks. In ICWSM ’11, 2011.

[30] C. Song, Z. Qu, N. Blumm, and A. Barabási. Limits of predictability in human mobility. Science, 2010.

[31] B. Wellman and K. Hampton. Living networked on and off line. Contemporary Sociology, 28(6):648–654, Nov. 1999.

[32] V. W. Zheng, Y. Zheng, X. Xie, and Q. Yang. Collaborative location and activity recommendations with GPS history data. In WWW ’10, pages 1029–1038, 2010.

[33] Y. Zheng, L. Zhang, X. Xie, and W.-Y. Ma. Mining interesting locations and travel sequences from GPS trajectories. In WWW ’09, pages 791–800, 2009.

社会友谊和人群移动：基于位置的社交网络中的用户移动（二）相关推荐

社会友谊和人群移动：基于位置的社交网络中的用户移动（一）
原文标题:Friendship and Mobility: User Movement In Location-Based Social Networks 作者单位:斯坦福大学发表日期:201 ...
基于位置的社交网络中的poi推荐
首先简单介绍下什么是poi.poi即为points of interest,比如小区,汽车站,火车站等等,这些都是poi. 随着移动设备的快速增长和基于位置的社交网络的扩张,会产生大量的用户移动数据. ...
社交网络中基于位置的影响力最大化 CIKM2015 译文
社交网络中基于位置的影响力最大化摘要这篇文章的目的是通过研究在LBSN平台中基于位置的影响最大化来实现O2O模式上的产品推广.随着O2O环境下存在的消费行为,传统的线上影响力扩散模型不能准确描述产 ...
【AC.HASH】OpenHarmony啃论文俱乐部——在基于位置的隐私感知服务中实现K-匿名之浅析
本文出自AC.HASH团队,AC<=>Adaptive Creator,适应性创作者,旨在能够在未来新领域下创造出新的哈希算法以应对未来局面. 产出本文的成员:中原工学院大一在校生我们在 ...
基于位置服务（Location Based Service）lbs
LBS英文全称为Location Based Services, 它包括两层含义:首先是确定移动设备或用户所在的地理位置:其次是提供与位置相关的各类信息服务.意指与定位相关的各类服务系统,简称&quo ...
基于位置服务的信息推送系统设计
1.1 研究目的与意义随着空间信息技术和网络技术的快速发展,普通的地图信息展示已经无法满足人们的需求.GIS(Geographic Information System)作为拥有处理和分析空间信息 ...
基于位置数据的分析挖掘
一.背景介绍运营商主要提供的数据包括位置数据及APP行为的数据,基于这些数据我们可获知用户的偏好信息及位置信息,相当于人群的特征.人群迁徙路径等.那么在人群的需求.人群的可接触时间.人群的可接触位置 ...
服务器位置超差保护,浅议基于位置服务(LBS)的隐私保护
范勇蔡键摘要:LBS隐私的泄露问题不仅包含用户提交的位置和查询数据,更是包含了其中隐藏的用户身份.兴趣爱好.社会习惯.行为模式等.文章重点介绍了位置服务的几种应用场景,并且对LBS隐私保护体系结构 ...
服务器位置超差保护,基于位置服务的隐私保护方法研究
摘要: 由于带有定位功能的智能手机的普及,以及车载移动计算的发展,基于位置的服务已逐渐进入人们的生活范围,为人们的生活带来便利.从传统意义上来说移动用户是基于位置服务的消费者,但是越来越多的社会应用显 ...

社会友谊和人群移动：基于位置的社交网络中的用户移动（二）

社会友谊和人群移动：基于位置的社交网络中的用户移动（二）相关推荐

最新文章

热门文章