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：2011年
会议：第十七届 ACM SIGKDD 国际会议——知识发现和数据挖掘
引用：Cho E, Myers S A, Leskovec J. Friendship and mobility: user movement in location-based social
networks[C]// Proceedings of the 17th ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2011:1082-1090.
摘要：尽管人类移动和迁移有高度自由性和变化性，但由于地理位置和社会关系限制仍然存在一定结构。本文采用电话定位数据、两个基于位置的社交网络，来理解人类基本活动模式。短途移动不影响社会结构，长途旅行受社会关系制约。
社会关系解释10%-30%的人类迁移活动，而周期性行为揭示50%-70%。本文结合短周期活动建立一个人类移动模型，预测未来人类活动的位置和动态。
1.介绍
相关研究。【7,23】将人类有很强周期性的习惯性移动看做往返于家和工作单位之间。【12】人类移动被一天可移动的地理距离限制。【11,26】移动可进一步被社会关系限制，例如拜访请朋友好的住所。
然而由于可靠的人类移动数据很难收集，这些研究和假设都有局限性。借助最近出现的新兴社交网络如Foursquare, Facebook, Gowalla，通过收集登陆地点（checking-in），可获得人类移动数据。而传统方式是借助手机电话、局域网定位来确定移动位置。但是当你从二楼工作室移动到一楼咖啡厅时，很明显位置定位比手机定位更精确。位置定位更零星，手机定位则集中。不论哪种方式，都可收集网络信息。前者适用于友谊网络，后者适用于交流网络。后文提到的数据将可用于调查三方面的主要人类活动：移动到哪里(geographic
movement)，移动频率(temporal dynamics)、社会关系对移动影响(social network)。我们将从这三方面展开研究。
广义上，理解人类移动模式有很多应用。例如，帮助改进大规模计算、基于内容的发布网站、城市规划、理解人类迁徙规律、疾病传播。
如今工作：调查了移动位置、频率、社会关系三者的联系；分析人类活动中的地理位置和活动路线的角色，以及社会关系影响，比如去见一位朋友；识别控制人类活动的基础因素：人类为了见老朋友而移动的可能性有多大；人类为了结识新朋友移动的可能性多大；当离家越远，这种可能性是增加还是减少。
结果：经验结论。从两个流行的基于位置的社交网络获取数据：Gowalla and Brightkite，并追踪欧洲国家一个两百万人的电话。观察到人们基本在一个地理位置范围内活动，偶尔长途旅行。当一个地方有朋友时长途旅行可能性增加，而短途旅行很少受这种社会关系影响。总之，为了友谊的移动频率是为了结识新朋友的移动频率的两倍。同时，登陆数据和通话数据显示出很强的一致性和稳健性。
一般上，用友谊预测个体移动位置有优势和不足。比如，一个人可能在他朋友登陆的地方登陆，而随着时间差异增大，这种可能性降低。84%的人在朋友拜访之后相比之前有少于20%的登陆。总而言之，收集数据可解释10%的人类移动，登陆数据可解释30%。
结果概述：建立模型。基于经验发现，我们建立一个预测与社会移动模型来预测个体移动。首先设定第一目的地和第二目的地，比如家和公司。模型将包含三个组成部分：(1)用户经常登陆的空间位置模型。(2)这些位置之间临时移动模型
(3)社会关系影响下的移动模型。每日移动模式是在家和工作场所转换，在此基础上，每周增加了社交移动模型。
模型可预测用户位置移动的概率有40%，手机数据平均距离错误率0.23%。登陆数据记录的错误率有2.7%。且观测了两种数据的一致性和稳定性。
进一步相关工作：将人类移动看做扩散过程【2】，或围绕一个中心点的随机过程【12】,我们的模型将人类活动看做围绕几个固定点的随机过程。这种灵活性会带来更多的灵活性。还有一些研究专注于无线网络的移动检测【18,27】。同理，还有基于GPS的人类位置监测，这种方式受限于具体马路位置【16】。GPS和无线定位可长时间追踪用户位置，这方面研究已经限制于小部分用户和区域。
2. 登陆位置的角色
我们用不同的数据集来捕获人类移动：2009 and Oct.2010 for Gowalla、Apr. 2008 to Oct. 2010 for Brightkite. Gowalla登陆总数是6.4百万，Brightkite有4.5百万。前者友谊关系构成无向图，后者是有向图。为了简便，我们将Brightkite视作无向图，仅仅考虑双向边。 Gowalla共有196,591个节点，950,327条边。Brightkite有58228个节点，214078条边。
为了确保数据准确，同时引入手机追踪数据。由欧洲提供，包括近2亿个用户，4.5亿条通话记录。平均追踪455天。最近的电话基站将记录每个电话的位置。这意味着我们有接近9亿个精度3公里的登陆检测数据。只考虑城市范围内的登陆，当每对个体间打电话超过5次(总共10次)，为他们建立联系边，包括2亿个节点，4.5亿条边。
Brightkite的数据显示为蓝色，Gowalla是红色，电话数据是绿色。
用户登陆行为。用户可能倾向于离家多远，他们有多大的可能性在旅行地点遇见社交网络的朋友。这是我们兴趣点。用户家庭位置不会明确给出，我们假设是25个登陆地点的平均【29】。人工检查鉴定这种方法具有85%的准确性。
首先，我们测量用户 倾向于离家多远，Figure 1标出了Brightkite, Gowalla 和the cell phones数据显示的离家距离，带有指数特性。当离家超过100km，分布快速衰减。
图1
100公里范围内，B地和G地登陆可能性以及手机联系可能性随距离变化
图2 (a)朋友之间住宅距离分布，(b)所有用户住宅距离分布，(c)200个大城市之间距离,(d)当一个占非均匀人口密度，作为距离函数的友谊概率
3.友谊与移动
（大意）假设B是A的朋友，B的位置会影响A的移动，我们测量这种移动的可能性来调查人类活动的社会性。
：A在B的住处为圆心，半径r的范围内登陆，可能性为P。离家的距离为d。变化r值做多组实验。
图3 (a)说明，离家距离越近，拜访朋友而移动的可能性越大。如果我们离家100km，有30%的可能性拜访朋友。100km以外，拜访朋友可能性保持不变。随着距离变大，一个人可能到达的位置增多，朋友数则减少。而我们观察到的是保持不变，我们猜想可能是随着距离增大，朋友的影响越大。我们将此模型与忽略社会结构的null模型做了比较，后者用虚线画出。3(b)描述了二者比值。
很明显，如果不受社会结构影响，人们出远门不可能遇见朋友。旅行1000km时朋友的影响是40km时候的10倍
个体移动中朋友的影响
因为朋友可能在旅行前和旅行后产生，因此有两种假设。前一种是朋友影响旅行，后一种是移动影响社会关系。
为了区分二者，我们取了Gowalla社会网络距离三个月的两个时间点t1和t2。Ca表示t1后一天内A登陆地点与他所在人际关系网中朋友分布对比，证明他是否由于朋友而旅行。Cb表示t1之前的登陆，与三个月之后的人际关系网络对比，证明是否旅行产生了新朋友。范围限定在半径25km。事实证明有61%的可能拜访已经存在的朋友，24%的可能产生新朋友。前者大约是后者2.5倍。手机数据显示，前者高出后者70%。
移动到朋友之前的登陆地点
旅行超过100km，10%的可能登陆与朋友相似的地点。距离越远可能性越高。
用友谊预测移动的限制
数据显示，Gowalla有9.6%， Brightkite 有4.1%的概率先有朋友登陆后有用户登录。这表明只有一小部分用户与朋友登陆交叠。
我们创建i位置的轨迹矢量：
图4(a)展示了A和朋友轨迹矢量的一致性，当一对用户同时同地登录超过40%，他们友谊可能性0.3。 图4(b)描述大量用户不会登陆之前朋友登陆的地点。Gowalla，80%少于20%，52%为零次。这表明至少50%的用户没有信息来证明他的社会关系对移动影响。
人类活动的临时和地理预测
4.人类活动模型
主要提出两个模型：Periodic Mobility Model (PMM)移动预测模型与 Periodic & Social Mobility Model (PSMM) 社会移动预测模型。
将在社会友谊和人类活动：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）继续翻译。