基于LBS簽到事件的數(shù)據(jù)挖掘研究

黃喜發(fā)等

摘 要：隨著社會信息大爆炸和大量數(shù)據(jù)的產(chǎn)生，數(shù)據(jù)挖掘成了廣泛關(guān)注的話題。本文從Check-in簽到事件的數(shù)據(jù)出發(fā)，回顧了基于LBS的數(shù)據(jù)分析和挖掘現(xiàn)狀。通過對Gowalla數(shù)據(jù)處理與分析，統(tǒng)計簽到事件的數(shù)據(jù)分布規(guī)律，分析用戶的簽到行為，發(fā)現(xiàn)Check-in的時間戳具有明顯的規(guī)律性，體現(xiàn)了人們的工作休閑活動特點，進一步探討了簽到數(shù)據(jù)在用戶的行為習(xí)慣分析及興趣發(fā)現(xiàn)等方面的應(yīng)用。

關(guān)鍵詞：數(shù)據(jù)挖掘；地理位置服務(wù)；簽到

中圖分類號：TP311.52 文獻標識碼：A

Abstract：Along with the social information explosion as well as the production of large amounts of data，data mining has become prevalent interest.This paper reviews the development and application of check-in data based on LBS.We draw check-in data statistical distribution and analyze users behavior based on Gowalla data processing and analysis.The conclusions based on experiment indicate that the obvious regularity of check-in time stamp reflects individual's work and leisure activities.In addition，the paper has also discussed how to utilize check-in data in the field of user's behavior analysis and interest discovery.

Keywords：data mining；location-based service；check-in

1 引言（Introduction）

近年來，數(shù)據(jù)挖掘引起了學(xué)術(shù)界和產(chǎn)業(yè)界的極大關(guān)注，其主要原因是隨著社會發(fā)展產(chǎn)生的大量數(shù)據(jù)，缺乏有效的利用，迫切需要從這些數(shù)據(jù)中發(fā)掘有用的隱含信息和知識。因此，在數(shù)據(jù)量飛速增長背景下，如何從大量數(shù)據(jù)中挖掘有用的信息是一個相當熱門的研究話題。

目前，國外流行諸多基于Loction-base Service（LBS，基于地理位置服務(wù)）服務(wù)的應(yīng)用軟件，例如Foursquare、Facebook、Twitter、Gowalla和Brightkite等。國內(nèi)，也有互聯(lián)網(wǎng)公司開發(fā)基于位置的在線應(yīng)用，例如，騰訊QQ空間、微信朋友圈和陌陌等。這些軟件或者應(yīng)用程序能夠記錄用戶活動或者事件發(fā)生的地理位置信息，通過用戶分享將這些信息推送給朋友用戶。

2 基于簽到數(shù)據(jù)分析的研究現(xiàn)狀（Review onanalysis based on check-in）

Check-in是基于LBS的應(yīng)用服務(wù)，它把分享的信息從虛擬世界延伸到現(xiàn)實，并且提供真正和參與者密切相關(guān)的有用信息，這使得LBS展現(xiàn)了其巨大的吸引力和潛在價值[1]。在簽到（Check-in）事件的分析應(yīng)用方面，有研究者在用戶價值理論的基礎(chǔ)上，融合技術(shù)接受模型，探討了用戶價值、感知易用性與服務(wù)體驗等因素對用戶持續(xù)使用意愿的影響進行了分析[2]?；贚BS的社交網(wǎng)絡(luò)用戶，是比較愿意分享簽到數(shù)據(jù)和自己的活動情況，并希望能通過簽到提高更好的服務(wù)體驗[3]。北京大學(xué)的陰紅志通過挖掘時間信息、空間信息以及時空信息，提出了一種結(jié)合上下文信息的用戶模型和推薦算法，用來改善社會化媒體中的推薦效果和提高用戶體驗水平[4]。武漢大學(xué)的曹勁舟還提出一種基于微博數(shù)據(jù)的方法，對其簽到事件的POI數(shù)據(jù)更新開展了研究工作[5]。基于位置簽到數(shù)據(jù)還被用于及時準確地獲取城市層次性空間知識，有學(xué)者提出了一種基于簽到屬性顯著度的差異，從位置簽到數(shù)據(jù)中提取城市分層地標的方法，從位置簽到數(shù)據(jù)中的簽到次數(shù)、簽到用戶數(shù)和用戶影響因子等方面，討論影響POI顯著度的因素[6]。胡慶武提出一種基于社交網(wǎng)絡(luò)位置簽到數(shù)據(jù)的城市熱點探測與商圈挖掘方法，對位置簽到數(shù)據(jù)進行了空間自相關(guān)檢驗，發(fā)現(xiàn)武漢市商圈分布與城市規(guī)劃商圈具有強相關(guān)性[7]。還有學(xué)者在傳統(tǒng)基于社交網(wǎng)絡(luò)的好友推薦算法的基礎(chǔ)上，結(jié)合用戶的歷史行為的GPS地理簽到信息，提出用戶社交位置距離的概念用于改善推薦效果[8]。

本文針對國外基于LBS的社交網(wǎng)絡(luò)Gowalla的Check-in數(shù)據(jù)進行了深度挖掘和分析，探討了用戶的行為習(xí)慣及朋友關(guān)系發(fā)現(xiàn)等問題。

3 基于Gowalla數(shù)據(jù)的統(tǒng)計分析（Statistical analysis on Gowalla）

本文采用的Gowalla數(shù)據(jù)集，由斯坦福大學(xué)的研究學(xué)者從Gowalla網(wǎng)站爬取，并進行了初步整理，數(shù)據(jù)下載網(wǎng)址：http：//snap.stanford.edu/data/loc-gowalla.html，數(shù)據(jù)以txt文件格式存放。每個基本數(shù)據(jù)項包含用戶ID，簽到時間，簽到經(jīng)緯度，簽到地點ID等數(shù)據(jù)項。

3.1 數(shù)據(jù)預(yù)處理

斯坦福大學(xué)公開的Gowalla數(shù)據(jù)集，文件較大，用MATLAB或者Java語言編程讀取，存在內(nèi)存溢出等問題。本文采用SQL語句讀取數(shù)據(jù)記錄存入MySQL數(shù)據(jù)庫。首先，在數(shù)據(jù)讀入后，刪除極個別可能出現(xiàn)重大誤差的數(shù)據(jù)。其次，根據(jù)預(yù)處理的數(shù)據(jù)，編寫SQL語句命令進行分類統(tǒng)計，統(tǒng)計的結(jié)果導(dǎo)入Excel。然后，根據(jù)相關(guān)的數(shù)據(jù)分析結(jié)果和規(guī)律，可以進行相關(guān)的深度挖掘分析。

預(yù)處理后的數(shù)據(jù)，是對原數(shù)據(jù)的數(shù)據(jù)項進行了拆分，方便后期處理分析。數(shù)據(jù)包含字段：用戶ID、簽到時間、星期、時間點、緯度、經(jīng)度和地點編號。

3.2 統(tǒng)計用戶的Check-in數(shù)的概率分布

數(shù)據(jù)集合的概率分布統(tǒng)計，可以更直觀的了解整個數(shù)據(jù)大致分布和基本情況。先將所有的基本用戶數(shù)和用戶編號寫入數(shù)據(jù)庫的基本表，根據(jù)基本表統(tǒng)計簽到的數(shù)量及其概率分布，進一步可以得到每個簽到次數(shù)的分布。

根據(jù)數(shù)據(jù)的分布可以得到散點圖如圖1所示。

根據(jù)平均簽到次數(shù)對應(yīng)的人數(shù)，可以計算出前面百分比量級的人平均Check-in次數(shù)，如圖2所示。

3.3 統(tǒng)計用戶在不同時段的簽到習(xí)慣

通過統(tǒng)計用戶在每個小時的時間段內(nèi)的簽到次數(shù)，如圖3所示，可以初步了解用戶的簽到習(xí)慣。

從圖4的結(jié)果分析，白天簽到的地方有一定的聚集時間段，比如說黃昏的時候，簽到的人數(shù)比較多，即大多數(shù)用戶選擇簽到的時間。

簽到高峰期在傍晚，可以推斷大多數(shù)人是在下班時間進行工作簽到，而簽到低谷在早晨，這與現(xiàn)實生活情況比較吻合，在早上剛起床的時間段內(nèi)簽到人數(shù)比較少，隨著時間推移，活動的人數(shù)逐漸增多，簽到數(shù)量也在逐漸增大。

當然還可以按照月份統(tǒng)計，如圖5和圖6根據(jù)兩年內(nèi)（按照12個月統(tǒng)計）的簽到次數(shù)大致可以看出簽到次數(shù)在9月達到了簽到的高峰期，金秋9月天氣逐漸轉(zhuǎn)涼，正是出行的絕佳時機，大部分人選擇出行，并在出行的過程中簽到。

3.4 根據(jù)簽到的地理位置分析用戶習(xí)慣

根據(jù)簽到數(shù)據(jù)中的地理位置，按照地理的緯度將全球以南北回歸線和南北極圈做分割。將簽到地點大致分為三個板塊，即南北極圈內(nèi)，回歸線到南北極圈之間，南北回歸線之間?；静僮魇沁x擇簽到地點在南極圈和北極圈內(nèi)的簽到用戶（即Check-in緯度大于66.5度或者小于-66.5度），具體分布詳見表格1。

從表1結(jié)果分析，有1%的用戶在南北極圈里面進行過簽到，2%的用戶在南北回歸線之間簽過，說明這部分人具有探險精神，喜歡旅行與探險，并希望將自己獨特的簽到地點分享給他人，希望與周圍人分享自己的旅行路線。

3.5 根據(jù)簽到的時間段統(tǒng)計和分析

工作日和雙休日的簽到情況反映用戶的作息規(guī)律。在周一到周五的11：00—13：00時間段，即中午午休時間段，分析公共交通場所的簽到數(shù)據(jù)，可以推斷出擁堵程度。根據(jù)統(tǒng)計的簽到分布規(guī)律，可以找出的工作地點周圍的交通樞紐地帶。

因為周末可能有些人不上班，統(tǒng)計工作日比較有代表性。通過對排名的統(tǒng)計，可以推斷出在哪些交通樞紐比較擁擠。排名靠前的前三位詳見表2。

4 基于統(tǒng)計數(shù)據(jù)的挖掘與分析（Data mining and analysis on statistical data）

4.1 興趣相同朋友發(fā)現(xiàn)

根據(jù)用戶的簽到地點的地理位置信息，分析地點的現(xiàn)實社會屬性，可以發(fā)現(xiàn)具有相同興趣的朋友。例如，在南極有簽到信息的用戶ID為117874，在2010-09-21T12：53：52Z到達某地（經(jīng)緯度為-90，-139.266667），記錄見下表3。

然后根據(jù)簽到地點，查詢ID為33843的用戶在之前去過南極，他同用戶117874可能具有諸多相同興趣愛好，他們交流去南極的心得體會，并可以交朋友，分享經(jīng)驗等。

在他到達南極的時候，可以根據(jù)簽到時間判斷是否有人跟他在同一天簽到的，如果有的話，且是同一天到達南極，可以聯(lián)系另一個人，共同探險，使得在南極這個氣候惡劣的地方能找到志趣相投的同伴。

4.2 根據(jù)星期來推斷工作地點和休閑地點

根據(jù)原始數(shù)據(jù)將簽到時間映射到的具體星期值，通過分析每個星期的簽到數(shù)，結(jié)合相應(yīng)的信息，可以得出一個人基本的活動規(guī)律和生活圈子，以ID編號0的用戶為例。

可以看到用戶0在地點420315（506 Congress Avenue、Austin、TX78701美國）簽到最多，然后根據(jù)地點編號420315找出所有在此處簽到的人。

經(jīng)過對于之后的數(shù)據(jù)進行驗證，同樣在位置420315（506 Congress Avenue、Austin、TX78701美國）簽到的人有7、31、52、103749、10290、10300等。

然而10152在420315處只簽到了1次，可以判斷出，0上班的公司的地點編號為420315，但是用戶10152到0的公司交流過，并在公司使用Gowalla簽到。

而用戶66在420315處簽到次數(shù)為47次，并且是66簽到最多的地方，所以可以初步斷定用戶66和用戶0在同一棟辦公樓上班，極有可能就是同事，并且之間認識的可能性很大。

5 結(jié)論（Conclusion）

本文通過對簽到信息的分析，從數(shù)據(jù)上得到一些常規(guī)的統(tǒng)計信息，例如查看用戶簽到最多的地方，用戶簽到的時間、地點、頻率的統(tǒng)計，這些基本的統(tǒng)計有助于了解數(shù)據(jù)的總體分布情況。根據(jù)對Check-in的時間戳進行分析，發(fā)現(xiàn)簽到信息體現(xiàn)了人們的工作和休閑活動的規(guī)律特點。從多個用戶的共同簽到地點，可以推斷他們之間可能存在著共同的興趣和愛好。這些分析結(jié)果，可以為將來的用戶在指定旅行規(guī)劃路線時，進行個性化推薦奠定基礎(chǔ)。例如，在旅游出發(fā)前，查詢某旅游地點A信息，根據(jù)已有的好友中哪些已經(jīng)在A簽到過，從而進行推薦。還可以根據(jù)簽到的地點，得出可能的工作地點和家庭地點，從而推薦周邊餐廳或休閑場所等一系列信息。

參考文獻（References）

[1] 石安.切客盛行，誰將暢享LBS大餐？[J].軟件工程師，2010，（11）：34-35.

[2] 周永杰.LBS簽到服務(wù)中隱私關(guān)注及影響因素研究[D].大連海事大學(xué)，2013：2-9.

[3] 徐國虎，孫凌，許芳.網(wǎng)絡(luò)用戶移動簽到服務(wù)持續(xù)使用意愿研究[J].中南財經(jīng)政法大學(xué)學(xué)報，2013，（4）：131-138.

[4] 陰紅志.社會化媒體中若干時空相關(guān)的推薦問題研究[D].北京大學(xué)，2014：6-12.

[5] 曹勁舟，武紅宇.基于微博位置簽到數(shù)據(jù)的POI更新方法[J].地理空間信息，2013，11（2）：15-18.

[6] 王明，等.基于位置簽到數(shù)據(jù)的城市分層地標提取[J].計算機學(xué)報，2014，37（123）：1-11.

[7] 胡慶武，王明，李清泉.利用位置簽到數(shù)據(jù)探索城市熱點與商圈[J].測繪學(xué)報，2014，（3）：314-321.

[8] 劉乾.基于社交網(wǎng)絡(luò)和地理位置信息的好友推薦方法研究[D].浙江大學(xué)，2013：16-21.

作者簡介：

黃喜發(fā)（1994-），男，本科生.研究領(lǐng)域：Web數(shù)據(jù)挖掘.

劉興旺（1991-），男，碩士生.研究領(lǐng)域：機器學(xué)習(xí).

孫 媛（1984-），女，碩士，實習(xí)研究員.研究領(lǐng)域：計算機輔助語料庫分析.

徐 科（1981-），男，博士，講師.研究領(lǐng)域：機器學(xué)習(xí)，社交網(wǎng)絡(luò).