[文章摘要]On the semantic annotation of places in location-based social networks

文章：On the semantic annotation of places in location-based social networks

作者：M Ye, D Shou, WC Lee, P Yin, K Janowicz.

来源：KDD’11

本文可以对LBSN中的地点自动标注标签，其本质是标签缺失签到地点的标签预测问题，对每类tag，将其建模为一个tag分类问题，利用已有tag的地点来训练一个二元分类的SVM，则对所有的标签，则形成一个多分类（multi-label classification）问题（一个地点可能对应多个tag）。为此，构建了两类特征：1，explicit pattern（EP）显式模式，EP对应一个地点的特征，可以从签到的统计分析中得到；2，地点之间的隐含关联（implicit relatedness,IR），来探索用户到相似地点签到的规律性。



1，EP特征：

F1：POI的签到总数目

F2：POI的签到总人数（一个人访问多次，只算一次）total number of unique visitors

F3：个人签到的最多次数，maximum number of check-ins by a single visitor

F4：distribution of check-in time in a week

F5：distribution of check-in time in 24-hour scale

受数据限制，没有使用季节模式

F1、F2、F3属于population features (e.g., number of unique visitors)；

F4、F5属于temporal features (e.g., distribution of check-in time)。

2，IR：

为提取IR特征，构建了network of related places (NRP)，来表达地点之间的相关性。
构建了user-place和time-place两个graph，利用随机游走和重启技术（Random Walk and Restart）来估计地点之间的相关性，从而构建了NRP，地点pair之间若有高相关性，即也有高相似性，则将地点之间构建NRP的一条边。从某一个地点相关地点，可以估计其对于某个tag的概率，即label probability，这个概率作为IR的特征。