[文章摘要]Semantic Annotation of Mobility Data using Social Media

文章：Semantic Annotation of Mobility Data using Social Media

作者：F Wu, Z Li, WC Lee, H Wang, Z Huang.

来源：ACM WWW 2015.

本文利用LBSN数据来标注轨迹数据，来发现用户旅行的目的，关键问题是得到和用户移动相关的词汇，为此定义了相关函数来描述，利用频率方法、高斯混合模型方法和KDE方法对相关词汇的密度进行建模，实验证明KDE最有效。



工作特点：

以前的方法是ststic方法，丢失了动态的时间信息，比如纽约的麦迪逊花园广场，可能举办各种比赛和演唱会，不同的时间有不同的活动。

LBSN数据的挑战之一是其中的文本是noisy的，含有大量不相关的信息；挑战之二是邻近区域的词频可能被少数的landmark所占据。

词频方法的不足：不能找到与位置相关的词。

高斯混合模型的不足：GMM的component数目在不同的词上面会不同；词真正的分布不一定是GMM，如受路网、经典等的影响。

KDE包含了词的局部性和相关性。

未来工作：

考虑时间的作用：

landmark和event有区别，landmark密度一直很高，但event的密度在一定时间范围内很高。