where would you go this weekend?...

這是一個建立於 的文章，其中的資訊可能已經有所發展或是發生改變。1. [ABSTRACT]時間敏感性極其重要，推薦時間太晚或者太遲都可以。，比之預測 即將到來的惡活動， 尤為重要的是預測將來相對較為久遠的活動（似乎難度也更大一些）。本文 要處理的就是時間相關的長期的處理方法。以4square資料集作為基礎。能夠做到給定使用者的曆史，可以預測使用者能否在給定的日子裡訪問特定的地點類型。數周內的預測精度達75%。發現事實：點之間的 互動，由此點的訪問曆史可以決定其將來的訪問點。2.[INTRODUCTION]預測使用者在下周購買飛機票而提前購買即從此處來，很多文章致力於相關性，本文致力於時效性。預測分為短期和長期，短期即是指“突發的”或者“下一個活動”。短期預測在諸如交通規劃這樣的應用中是有用的，但由於使用者會提前制定很多計劃，有時候短期的計劃會無能為力。在諸如不可退還的飛機票及和很多人定好的晚餐中，長期預測很有必要。4.[TECHNICAL APPROACH]採用了經典的二元分類架構，對於每一個使用者、使用者訪問過的訪問地點類型、使用者活躍的曆史時間，產生一個資料點。標籤為“+1”或者“-1”。下文使用了一系列的特徵，計算每個點的描述符號，      資料分為訓練集和測試集，按時間順序先後分類，問題在於使用者有時會改變行為模式。      二元分類器在訓練集上測試，在測試集上評估。對於每一個分類其，做ROC曲線，上的ERR點用於評價分類其的效能。採用的特徵集合（在預測中不一定全部使用） ：Day of  week :目標在一周中所處星期幾（有助於捕捉一周 內的迴圈特徵）  Days since: 表示上次訪問目標地點所距離的時間  History :是每一個地點類型所採用的特徵。包括所有的訪問類型，不僅僅是目標類型。該特徵揭示了使用者和目標日期相關的某一天相關的日子是否訪問了地點類型。曆史日期的選擇 涉及如下兩點：a.today:目標日期的訪問集合，捕捉當前的使用者活動，但是除了對目標類型的訪問除外b.N days ago:N天前對所有目標地點類型的訪問