社會友誼和人群移動：基於位置的社交網路中的使用者移動（一）

標籤：社交網路   交流網路   移動網路   

原文標題：Friendship and Mobility: User Movement In Location-Based Social Networks

作者單位：斯坦福大學    發表日期：2011年

會議：第十七屆 ACM SIGKDD 國際會議——知識發現和資料採礦

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：儘管人類移動和遷移有高度自由性和變化性，但由於地理位置和社會關係限制仍然存在一定結構。本文採用電話定位元據、兩個基於位置的社交網路，來理解人類基本現用模式。短途移動不影響社會結構，長途旅行受社會關係制約。

社會關係解釋10%-30%的人類遷移活動，而周期性行為揭示50%-70%。本文結合短周期活動建立一個人類移動模型，預測未來人類活動的位置和動態。

1.介紹

相關研究。【7,23】將人類有很強周期性的習慣性移動看做往返於家和工作單位之間。【12】人類移動被一天可移動的地理距離限制。【11,26】移動可進一步被社會關係限制，例如拜訪請朋友好的住所。

然而由於可靠的人類移動資料很難收集，這些研究和假設都有局限性。藉助最近出現的新興社交網路如Foursquare, Facebook, Gowalla，通過收集登陸地點（checking-in），可獲得人類移動資料。而傳統方式是藉助手機電話、區域網路定位來確定移動位置。但是當你從二樓工作室移動到一樓咖啡廳時，很明顯位置定位比手機定位更精確。位置定位更零星，手機定位則集中。不論哪種方式，都可收集網路資訊。前者適用於友誼網路，後者適用於交流網路。後文提到的資料將可用於調查三方面的主要人類活動：移動到哪裡(geographic movement)，移動頻率(temporal dynamics)、社會關係對移動影響(social network)。我們將從這三方面展開研究。

廣義上，理解人類移動模式有很多應用。例如，協助改進大規模計算、基於內容的發布網站、城市規劃、理解人類遷徙規律、疾病傳播。

如今工作：調查了移動位置、頻率、社會關係三者的聯絡；分析人類活動中的地理位置和活動路線的角色，以及社會關係影響，比如去見一位朋友；識別控制人類活動的基礎因素：人類為了見老朋友而移動的可能性有多大；人類為了結識新朋友移動的可能性多大；當離家越遠，這種可能性是增加還是減少。

結果：經驗結論。從兩個流行的基於位置的社交網路擷取資料：Gowalla and Brightkite，並追蹤歐洲國家一個兩百萬人的電話。觀察到人們基本在一個地理位置範圍內活動，偶爾長途旅行。當一個地方有朋友時間長度途旅行可能性增加，而短途旅行很少受這種社會關係影響。總之，為了友誼的移動頻率是為了結識新朋友的移動頻率的兩倍。同時，登陸資料和通話資料顯示出很強的一致性和穩健性。

一般上，用友誼預測個體移動位置有優勢和不足。比如，一個人可能在他朋友登陸的地方登陸，而隨著時間差異增大，這種可能性降低。84%的人在朋友拜訪之後相比之前有少於20%的登陸。總而言之，收集資料可解釋10%的人類移動，登陸資料可解釋30%。

結果概述：建立模型。基於經驗發現，我們建立一個預測與社會移動模型來預測個體移動。首先設定第一目的地和第二目的地，比如家和公司。模型將包含三個組成部分：(1)使用者經常登陸的空間位置模型。(2)這些位置之間臨時移動模型 (3)社會關係影響下的移動模型。每日移動模式是在家和工作場所轉換，在此基礎上，每周增加了社交移動模型。

模型可預測使用者位置移動的機率有40%，行動數據平均距離錯誤率0.23%。登陸資料記錄的錯誤率有2.7%。且觀測了兩種資料的一致性和穩定性。

進一步相關工作：將人類移動看做擴散過程【2】，或圍繞一個中心點的隨機過程【12】,我們的模型將人類活動看做圍繞幾個固定點的隨機過程。這種靈活性會帶來更多的靈活性。還有一些研究專註於無線網路的移動檢測【18,27】。同理，還有基於GPS的人類位置監測，這種方式受限於具體馬路位置【16】。GPS和無線定位可長時間追蹤使用者位置，這方面研究已經限制於小部分使用者和地區。

2. 登陸位置的角色

我們用不同的資料集來捕獲人類移動：2009 and Oct.2010 for Gowalla、Apr. 2008 to Oct. 2010 for Brightkite. Gowalla登陸總數是6.4百萬，Brightkite有4.5百萬。前者友誼關係構成無向圖，後者是有向圖。為了簡便，我們將Brightkite視作無向圖，僅僅考慮雙向邊。 Gowalla共有196,591個節點，950,327條邊。Brightkite有58228個節點，214078條邊。

為了確保資料準確，同時引入手機追蹤資料。由歐洲提供，包括近2億個使用者，4.5億條通話記錄。平均追蹤455天。最近的電話基站將記錄每個電話的位置。這意味著我們有接近9億個精度3公裡的登陸檢測資料。只考慮城市範圍內的登陸，當每對個體間打電話超過5次(總共10次)，為他們建立聯絡邊，包括2億個節點，4.5億條邊。

Brightkite的資料顯示為藍色，Gowalla是紅色，電話資料是綠色。

使用者登陸行為。使用者可能傾向於離家多遠，他們有多大的可能性在旅行地點遇見社交網路的朋友。這是我們興趣點。使用者家庭位置不會明確給出，我們假設是25個登陸地點的平均【29】。人工檢查評鑑這種方法具有85%的準確性。

首先，我們測量使用者 傾向於離家多遠，Figure 1標出了Brightkite, Gowalla 和the cell phones資料顯示的離家距離，帶有指數特性。當離家超過100km，分布快速衰減。

圖1 100公裡範圍內，B地和G地登陸可能性以及手機聯絡可能性隨距離變化

圖2 (a)朋友之間住宅距離分布，(b)所有使用者住宅距離分布，(c)200個大城市之間距離,(d)當一個占非均勻人口密度，作為距離函數的友誼機率

3.友誼與移動

（大意）假設B是A的朋友，B的位置會影響A的移動，我們測量這種移動的可能性來調查人類活動的社會性。

：A在B的住處為圓心，半徑r的範圍內登陸，可能性為P。離家的距離為d。變化r值做多組實驗。

圖3 (a)說明，離家距離越近，拜訪朋友而移動的可能性越大。如果我們離家100km，有30%的可能性拜訪朋友。100km以外，拜訪朋友可能性保持不變。隨著距離變大，一個人可能到達的位置增多，朋友數則減少。而我們觀察到的是保持不變，我們猜想可能是隨著距離增大，朋友的影響越大。我們將此模型與忽略社會結構的null模型做了比較，後者用虛線畫出。3(b)描述了二者比值。

很明顯，如果不受社會結構影響，人們出遠門不可能遇見朋友。旅行1000km時朋友的影響是40km時候的10倍

個體移動中朋友的影響

因為朋友可能在旅行前和旅行後產生，因此有兩種假設。前一種是朋友影響旅行，後一種是移動影響社會關係。

為了區分二者，我們取了Gowalla社會網路距離三個月的兩個時間點t1和t2。Ca表示t1後一天內A登陸地點與他所在人際關係網中朋友分布對比，證明他是否由於朋友而旅行。Cb表示t1之前的登陸，與三個月之後的人際關係網路對比，證明是否旅行產生了新朋友。範圍限定在半徑25km。事實證明有61%的可能拜訪已經存在的朋友，24%的可能產生新朋友。前者大約是後者2.5倍。行動數據顯示，前者高出後者70%。

移動到朋友之前的登陸地點

旅行超過100km，10%的可能登陸與朋友相似的地點。距離越遠可能性越高。

用友誼預測移動的限制

資料顯示，Gowalla有9.6%， Brightkite 有4.1%的機率先有朋友登陸後有使用者登入。這表明只有一小部分使用者與朋友登陸交疊。

我們建立i位置的軌跡向量：

圖4(a)展示了A和朋友軌跡向量的一致性，當一對使用者同時同地登入超過40%，他們友誼可能性0.3。 圖4(b)描述大量使用者不會登陸之前朋友登陸的地點。Gowalla，80%少於20%，52%為零次。這表明至少50%的使用者沒有資訊來證明他的社會關係對移動影響。

人類活動的臨時和地理預測

4.人類活動模型

主要提出兩個模型：Periodic Mobility Model (PMM)移動預測模型與 Periodic & Social Mobility Model (PSMM) 社會移動預測模型。

將在社會友誼和人類活動：社會友誼和人群移動：基於位置的社交網路中的使用者移動（二）繼續翻譯。

社會友誼和人群移動：基於位置的社交網路中的使用者移動（一）