魏軍林 韓楠 喬少杰 袁犁 丁超

摘要：將大規(guī)模移動(dòng)社交網(wǎng)絡(luò)數(shù)據(jù)作為研究對(duì)象，以社群智能、數(shù)據(jù)挖掘、GIS為主要手段，對(duì)網(wǎng)絡(luò)宏觀靜態(tài)拓?fù)涮匦院臀⒂^交互規(guī)律進(jìn)行研究。從模型通用性入手，對(duì)個(gè)體交互模式建模，揭示群體行為特征，為社會(huì)計(jì)算、現(xiàn)實(shí)世界挖掘、城市計(jì)算研究奠定基礎(chǔ)。研究難點(diǎn)和關(guān)鍵問(wèn)題包括：（1）利用復(fù)雜網(wǎng)絡(luò)拓?fù)涮匦岳碚撗芯烤W(wǎng)絡(luò)直徑縮減屬性和稠化定律;（2）設(shè)計(jì)基于時(shí)空相似性的個(gè)體和群體交互模式發(fā)現(xiàn)算法;（3）設(shè)計(jì)新型層次聚類算法解決社區(qū)發(fā)現(xiàn)問(wèn)題。切實(shí)提高利用社群智能理論對(duì)不同類型和規(guī)模移動(dòng)社交網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)的準(zhǔn)確率和效率。

關(guān)鍵詞：移動(dòng)社交網(wǎng)絡(luò);社區(qū)智能;拓?fù)浣Y(jié)構(gòu)分析;社區(qū)發(fā)現(xiàn);層次聚類;GIS

中圖法分類號(hào)：TP311文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-9129（2018）06-0001-03

Research on Mining Large-scale Mobile Social Network Data Based on Social and Community Intelligence

WEI Jun-Lin¹， HAN Nan²， QIAO Shao-Jie³， YUAN Li⁴， DING Chao¹

（1.Sichuan JKC Geographical Information Technologies Co.， Ltd.， Chengdu， 610043）

（2.School of Cybersecurity， Chengdu University of Information Technology， Chengdu， 610225）

（3.School of Management， Chengdu University of Information Technology， Chengdu， 610103）

（4.Panzhihua City Geographic Information Center， Panzhihua， 617000）

Abstract：In order to analyze large-scale mobile social network data， this study employs the social and community intelligence， data mining and GIS techniques to explore the statically macroscopic topological properties and the dynamically microscopic interaction rules. In order to design a general knowledge discovery schema， this paper models the individual interactions， discloses the characteristic of social behavior， which can help set up the methodology on social computing， reality mining， and urban computing. The difficulties and essential problems in this paper include： （1） using the topological property analysis theories in complex networks to evaluate the shrinking diameter property and densification law; （2） proposing novel individual and social interaction discovery algorithms based on spatio-temporal similarity of individuals; and （3） proposing new hierarchical clustering approaches to cope with the problem of community discovery. This study can greatly help improve the effectiveness and efficiency of data mining and knowledge discovery in different kinds of mobile social networks with various sizes based on the social and community intelligence theories.

Key words：mobile social network; social and community intelligence; topological structure analysis; community discovery; hierarchical clustering; GIS

1? 引言

隨著智能手機(jī)、車載移動(dòng)終端等移動(dòng)便攜設(shè)備的流行，以及傳感網(wǎng)、物聯(lián)網(wǎng)技術(shù)的普及，使用移動(dòng)終端設(shè)備訪問(wèn)社交網(wǎng)絡(luò)逐漸成為主流。利用車載GPS、手機(jī)、公共交通卡等移動(dòng)終端提供的行為軌跡信息，可以對(duì)個(gè)體行為模式（如：旅游路線推薦）;群體及社會(huì)行為（如：智慧城市）進(jìn)行預(yù)測(cè)和模擬，或?qū)A(chǔ)設(shè)施等方案做出合理性分析和評(píng)估。移動(dòng)社交網(wǎng)絡(luò)帶來(lái)了大量嶄新的研究和應(yīng)用機(jī)會(huì)，例如位置服務(wù)、異常交通軌跡檢測(cè)、出租車最優(yōu)載客尋找及時(shí)間最優(yōu)策略等。典型應(yīng)用如Facebook、Foursquare、Instagram、微信、移動(dòng)QQ都是建立在具體移動(dòng)功能需求上，并且積累的海量的移動(dòng)社交網(wǎng)絡(luò)數(shù)據(jù)。針對(duì)移動(dòng)社交網(wǎng)絡(luò)數(shù)據(jù)的管理和挖掘，已經(jīng)成為當(dāng)前學(xué)術(shù)界的一個(gè)研究熱點(diǎn)。

社群智能（Social and Community Intelligence）是在社會(huì)計(jì)算、城市計(jì)算和現(xiàn)實(shí)世界挖掘等相關(guān)領(lǐng)域發(fā)展基礎(chǔ)上提出的^[1]。社群智能側(cè)重于智能信息挖掘，研究?jī)?nèi)容包括：多數(shù)據(jù)源融合，分層次智能信息提取。目的在于從大量的數(shù)字腳印（Digital Footprints）中挖掘和理解個(gè)人和群體運(yùn)動(dòng)模式、大規(guī)模人類活動(dòng)和城市動(dòng)態(tài)規(guī)律，將這些信息用于各種創(chuàng)新性服務(wù)，包括社會(huì)關(guān)系管理、公共安全維護(hù)、人類健康改善、城市資源管理等各個(gè)方面^[1]。將社群智能技術(shù)應(yīng)用于挖掘移動(dòng)社交網(wǎng)絡(luò)中積累的大規(guī)模數(shù)據(jù)是一個(gè)嶄新的研究領(lǐng)域，具有重要的科學(xué)意義和應(yīng)用前景。HTC于2011年推出結(jié)合強(qiáng)大社群智能功能的手機(jī)HTC ChaCha，索尼于2012年9月推出Sony Xperia miro ST23i社交智能手機(jī)，進(jìn)一步證明將社群智能技術(shù)應(yīng)用于大規(guī)模移動(dòng)社交網(wǎng)絡(luò)社區(qū)挖掘可以一方面解決具有挑戰(zhàn)性的科學(xué)問(wèn)題，另一方面可以將研究成果應(yīng)用于真實(shí)移動(dòng)應(yīng)用中。

下面以如何利用社群智能技術(shù)挖掘移動(dòng)社交網(wǎng)絡(luò)數(shù)據(jù)這一問(wèn)題為背景，列舉兩個(gè)實(shí)例來(lái)說(shuō)明本文研究的意義和概貌。

案例1（智慧校園）：智慧校園旨在利用云計(jì)算、虛擬化和物聯(lián)網(wǎng)等新技術(shù)來(lái)改變黨校學(xué)員、工作人員和校園資源相互交互的方式，將學(xué)校的教學(xué)、科研、管理與校園資源和應(yīng)用系統(tǒng)進(jìn)行整合，以提高應(yīng)用交互的明確性、靈活性和響應(yīng)速度。

問(wèn)題：作為人口密集場(chǎng)所，當(dāng)嚴(yán)重流感如H7N9來(lái)襲時(shí)，如何尋求有效辦法限制其傳播？當(dāng)確定A患上某疑似病例后，需要及時(shí)地把最近接觸過(guò)A的人找到。在現(xiàn)有條件下，獲取這些有關(guān)個(gè)人活動(dòng)情境、空間動(dòng)態(tài)、人際交互信息還沒(méi)有較好的技術(shù)解決方案，需依賴耗時(shí)且易出錯(cuò)的人工查詢來(lái)完成。

解決方法：這一問(wèn)題可以通過(guò)分析來(lái)自校園的靜態(tài)傳感設(shè)施和移動(dòng)電話數(shù)據(jù)以及發(fā)布在萬(wàn)維網(wǎng)上的人與人之間關(guān)系信息來(lái)解決。以流感防控問(wèn)題為例，記錄與A接觸過(guò)的人、接觸時(shí)的距離以及時(shí)間長(zhǎng)短、社會(huì)關(guān)系（如親戚、朋友或陌生人）等信息都是非常重要的，諸如此類信息可以通過(guò)智能分析和挖掘移動(dòng)電話感知數(shù)據(jù)獲得。

案例2（個(gè)人旅行路線模式挖掘）：為了能夠?yàn)橛慰吞峁﹤€(gè)性化舒適的服務(wù)，旅游公司希望能進(jìn)一步了解每一個(gè)人的旅行規(guī)律。個(gè)人旅行往往通過(guò)照片記錄旅游行程及沿途景觀，其帶有作者、時(shí)間和地點(diǎn)信息，可以從數(shù)據(jù)中恢復(fù)出用戶的旅行路線。針對(duì)不同的旅行目的地從數(shù)據(jù)集中找出頻繁出現(xiàn)的路線，為游客提供有益的參考和借鑒。

問(wèn)題：如何利用人工標(biāo)注的照片預(yù)測(cè)個(gè)體和群體的旅行規(guī)律？已知某游客在某地的旅游行為特征預(yù)測(cè)其在其他城市不同的旅游目的地，實(shí)現(xiàn)個(gè)性化旅游線路推薦等問(wèn)題。

解決方法：通過(guò)分析游客的行為特征，計(jì)算個(gè)體之間的行為形似度，設(shè)計(jì)并利用層次型聚類算法挖掘熱點(diǎn)區(qū)域或者感興趣的旅游線路，實(shí)現(xiàn)準(zhǔn)確的旅游線路推薦。

2? 相關(guān)工作

社群智能的具體研究?jī)?nèi)容包括^[1]：1） 多源數(shù)據(jù)融合，實(shí)現(xiàn)多個(gè)多模態(tài)、異構(gòu)數(shù)據(jù)源的融合;2） 分層次智能信息，利用數(shù)據(jù)挖掘技術(shù)從海量數(shù)據(jù)中提取多維度的智能信息。社群智能技術(shù)尤其適用于挖掘更能體現(xiàn)人類行為和社會(huì)交互時(shí)空特性的移動(dòng)社交網(wǎng)絡(luò)數(shù)據(jù)。社群智能是新近提出的研究方向，當(dāng)前研究成果較少，部分工作與城市計(jì)算領(lǐng)域相關(guān)。

城市計(jì)算主要依靠靜態(tài)感知設(shè)施來(lái)研究人與環(huán)境的交互及環(huán)境動(dòng)態(tài)信息^[2]。與其不同的是社群智能綜合利用人類與現(xiàn)實(shí)物理空間內(nèi)多源信息交互留下的數(shù)字腳印信息，進(jìn)而挖掘更為廣泛的情境信息。從小的角度講包括個(gè)人情境、小范圍群體行為、周邊環(huán)境信息，從大的角度講包括大規(guī)模人群、城市及社會(huì)的動(dòng)態(tài)變化情況和規(guī)律（如公共安全和突發(fā)事件、熱點(diǎn)地區(qū)監(jiān)測(cè)等）。Ferguson等人^[3]對(duì)用戶提交的健康搜索關(guān)鍵詞進(jìn)行深層次挖掘，推測(cè)全球各地區(qū)流行病的實(shí)時(shí)傳播情況，研究成果發(fā)表在Nature上。Campbell研究組利用以人為中心的移動(dòng)電話感知技術(shù)進(jìn)行社會(huì)關(guān)系分析和周邊環(huán)境監(jiān)測(cè)^[4]。鄭宇等人^[5]利用GPS數(shù)據(jù)，理解個(gè)人歷史行為軌跡，在大量時(shí)空數(shù)據(jù)基礎(chǔ)上，發(fā)掘興趣點(diǎn)（point of interest，POI），為用戶提供個(gè)性化位置服務(wù)，在此基礎(chǔ)上實(shí)現(xiàn)了GeoLife系統(tǒng)。其團(tuán)隊(duì)最近的代表性工作包括T-Share^[6]和U-Air^[7]，T-Share為了解決行車高峰期通行往來(lái)的需求，如避免交通擁堵、節(jié)約出行和打車時(shí)間，應(yīng)用了大規(guī)模出租車行駛信息共享的高效算法。U-Air利用地面監(jiān)測(cè)站有限的空氣質(zhì)量數(shù)據(jù)，結(jié)合交通流、道路結(jié)構(gòu)、興趣點(diǎn)分布、氣象條件等數(shù)據(jù)，基于機(jī)器學(xué)習(xí)算法建立數(shù)據(jù)和空氣質(zhì)量的映射關(guān)系，進(jìn)而推斷出整個(gè)城市細(xì)粒度的空氣質(zhì)量。近期，文獻(xiàn)[8-12]提出新型機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘算法挖掘移動(dòng)用戶的出行規(guī)律，為了解人類行為特征提供輔助決策支持。

城市計(jì)算研究中雖然越來(lái)越重視分析移動(dòng)社交網(wǎng)絡(luò)中用戶衣食住行等行為規(guī)律的挖掘，但是尚未見報(bào)到將社群智能應(yīng)用于挖掘移動(dòng)社交網(wǎng)絡(luò)或者社交網(wǎng)絡(luò)中個(gè)體時(shí)空交互模式的研究。借助社群智能技術(shù)可以進(jìn)行智能信息抽取，挖掘高級(jí)智能信息，如個(gè)人情境、社會(huì)事件、人與人之間關(guān)系、帶語(yǔ)義的位置（如在高鐵上、在鬧市區(qū)）等，解決挖掘結(jié)果的準(zhǔn)確性問(wèn)題。此外，對(duì)于數(shù)據(jù)規(guī)模大、數(shù)據(jù)庫(kù)實(shí)時(shí)更新要求高的移動(dòng)社交網(wǎng)絡(luò)應(yīng)用來(lái)說(shuō)，結(jié)果的時(shí)效性也尤為重要，上述評(píng)價(jià)指標(biāo)正是目前研究需要重點(diǎn)考慮的。

國(guó)內(nèi)外學(xué)者對(duì)移動(dòng)社交網(wǎng)絡(luò)的研究產(chǎn)生了巨大的熱潮，中國(guó)計(jì)算機(jī)學(xué)會(huì)通訊雜志于2012年第5期設(shè)專輯介紹移動(dòng)社交網(wǎng)絡(luò)的概念、問(wèn)題及研究進(jìn)展^[13]。其中，於志文等人^[14]介紹了移動(dòng)社交網(wǎng)絡(luò)的特征，指出“移動(dòng)社交網(wǎng)絡(luò)將成為一種全新的連接個(gè)體和群體物理空間和網(wǎng)絡(luò)空間的真實(shí)社會(huì)網(wǎng)絡(luò)模式”，給出移動(dòng)社交網(wǎng)絡(luò)中感知計(jì)算模型的系統(tǒng)架構(gòu)、平臺(tái)及其上的應(yīng)用。唐杰等人^[15]針對(duì)移動(dòng)社交網(wǎng)絡(luò)提出動(dòng)態(tài)平滑概率因子圖模型對(duì)用戶動(dòng)態(tài)行為建模和預(yù)測(cè)，模型綜合考慮用戶屬性、網(wǎng)絡(luò)結(jié)構(gòu)及用戶偏好。文獻(xiàn)[16]探討面向移動(dòng)社交網(wǎng)絡(luò)的虛擬社區(qū)間的協(xié)作式內(nèi)容分發(fā)機(jī)制，提出了兩種優(yōu)化策略：用戶組中內(nèi)容分發(fā)的最大傳播時(shí)間最小化策略、非服務(wù)性用戶的內(nèi)容平均傳播時(shí)間最小化策略。

喬少杰等人^[17]基于Spark分布式圖計(jì)算模型，提出大規(guī)模復(fù)雜網(wǎng)絡(luò)社區(qū)并行發(fā)現(xiàn)算法，基于模塊度的聚類思想，對(duì)社交網(wǎng)絡(luò)節(jié)點(diǎn)進(jìn)行合并操作，更新節(jié)點(diǎn)對(duì)之間的模塊度增量，進(jìn)而實(shí)現(xiàn)大規(guī)模復(fù)雜網(wǎng)絡(luò)社區(qū)識(shí)別，社區(qū)識(shí)別準(zhǔn)確率較傳統(tǒng)社區(qū)發(fā)現(xiàn)算法提高了7.4%。近期的另一項(xiàng)典型工作是：提出一種新的面向復(fù)雜網(wǎng)絡(luò)大數(shù)據(jù)的重疊社區(qū)檢測(cè)算法^[18]，利用平衡二叉樹建立模塊度增量索引，為了實(shí)現(xiàn)模塊度最優(yōu)，提出了一種新型重疊社區(qū)檢測(cè)算法。相對(duì)于傳統(tǒng)重疊節(jié)點(diǎn)檢測(cè)算法，對(duì)每個(gè)節(jié)點(diǎn)分析的頻率大大降低，社區(qū)發(fā)現(xiàn)的準(zhǔn)確率得到提升。

3? 移動(dòng)社交網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)特性分析

利用真實(shí)移動(dòng)社交網(wǎng)絡(luò)數(shù)據(jù)構(gòu)建復(fù)雜社會(huì)網(wǎng)絡(luò)，借助復(fù)雜網(wǎng)絡(luò)的拓?fù)涮匦岳碚摲治鲆苿?dòng)社交網(wǎng)絡(luò)的直徑縮減屬性和稠化定律，挖掘不同網(wǎng)絡(luò)的拓?fù)湫再|(zhì)：冪率分布、層次性和同配性。

本文研究移動(dòng)社交網(wǎng)絡(luò)的平均距離隨時(shí)間變化，利用有效直徑（至少90%相互連接節(jié)點(diǎn)對(duì)間的距離最大不超過(guò)網(wǎng)絡(luò)直徑，它的最小值即為有效直徑）。如果移動(dòng)社交網(wǎng)絡(luò)隨時(shí)間增加網(wǎng)絡(luò)有效直徑逐漸減小，說(shuō)明其滿足社會(huì)網(wǎng)絡(luò)的直徑縮減屬性。另外，討論網(wǎng)絡(luò)中節(jié)點(diǎn)和邊隨時(shí)間的變化情況。如果網(wǎng)絡(luò)中邊的數(shù)量e（t）相對(duì)于節(jié)點(diǎn)數(shù)目n（t）呈非線性增長(zhǎng)，形式上服從冪率分布e（t）∝n（t）^α，其中α∈[1， 2]，說(shuō)明這一網(wǎng)絡(luò)滿足網(wǎng)絡(luò)稠化定律。

4 ?基于社群智能的移動(dòng)社交網(wǎng)絡(luò)時(shí)空交互模式發(fā)現(xiàn)方法

基于社群智能的移動(dòng)社交網(wǎng)絡(luò)時(shí)空交互模式發(fā)現(xiàn)方法主要包含如下步驟：

（1）利用數(shù)據(jù)庫(kù)理論研究社群智能的多數(shù)據(jù)源融合技術(shù)，數(shù)據(jù)來(lái)源于：互聯(lián)網(wǎng)與萬(wàn)維網(wǎng)挖掘、靜態(tài)傳感器感知、移動(dòng)及可穿戴計(jì)算;

（2）采用SVM和HMM模型等技術(shù)將原始數(shù)據(jù)轉(zhuǎn)換為個(gè)體時(shí)空交互語(yǔ)義情境信息;對(duì)不同的特征或情境信息進(jìn)行集成，得到社群智能信息;

（3）從社群智能庫(kù)挖掘個(gè)體時(shí)空交互模式，構(gòu)建用戶&位置關(guān)聯(lián)矩陣，基于Hausdorff 距離計(jì)算k 個(gè)連續(xù)時(shí)空點(diǎn)構(gòu)成運(yùn)動(dòng)軌跡的相似度，并構(gòu)建社會(huì)關(guān)系網(wǎng);

（4）對(duì)網(wǎng)絡(luò)進(jìn)行深度分析和挖掘個(gè)體社會(huì)行為，發(fā)現(xiàn)特定目標(biāo)個(gè)體或社群的交互模式，社會(huì)交互的時(shí)空特性，以及信息、物質(zhì)和行為傳播的時(shí)空規(guī)律，最后可通過(guò)數(shù)據(jù)可視化和GIS等技術(shù)展示。具體算法流程如圖1所示。

5? 基于層次聚類的移動(dòng)社交網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)算法

提出基于個(gè)體位置、環(huán)境特征、移動(dòng)軌跡相似性的層次型聚類算法采用自下而上的方式將較小的cluster合并聚集或者自上而下地將較大的cluster進(jìn)行劃分。簇之間的距離度量采用average-linkage或者編輯距離，即計(jì)算兩個(gè)cluster各自數(shù)據(jù)點(diǎn)兩兩距離的平均值。最終實(shí)現(xiàn)對(duì)大規(guī)模移動(dòng)社交網(wǎng)絡(luò)節(jié)點(diǎn)的精準(zhǔn)劃分，具體方法如下圖所示^[5]。

6 ?移動(dòng)社交網(wǎng)絡(luò)數(shù)據(jù)集

當(dāng)前主流的移動(dòng)社交網(wǎng)絡(luò)、移動(dòng)對(duì)象數(shù)據(jù)庫(kù)、大規(guī)模軌跡數(shù)據(jù)集主要包括：

（1）PROXIMITY移動(dòng)社交網(wǎng)絡(luò)數(shù)據(jù)庫(kù)：https：//kdl.cs.umass.edu.

該數(shù)據(jù)集來(lái)源于無(wú)線移動(dòng)電話通信關(guān)系挖掘?qū)嶒?yàn)。每次實(shí)驗(yàn)中個(gè)體配備了被稱為mote的便攜通信設(shè)備，其每隔10秒鐘嘗試聯(lián)系其他mote對(duì)象。mote可以進(jìn)入或者離開其他mote的通信范圍。數(shù)據(jù)集中記錄了成功的mote-to-mote連接關(guān)系。

（2）LiveJournal Social Network：http：//snap.stanford.edu/data/soc-LiveJou rnal1.html.

數(shù)據(jù)集記錄了1千多萬(wàn)條社交網(wǎng)絡(luò)用戶的交互信息，包含了用戶的交友，論壇和博客信息，數(shù)據(jù)集大小為247.6 MB。LiveJournal最大特點(diǎn)是朋友列表提供了各種企業(yè)聯(lián)合和隱私服務(wù)。每個(gè)用戶都有朋友頁(yè)，收集最新的分錄他或她的朋友列表。

（3）Online Social Networks Research@the Max Planck Institute for Software Systems數(shù)據(jù)集：http：//socialnetworks.mpi-sws.org.

7? 結(jié)論

隨著移動(dòng)終端設(shè)備日趨普及，積累了大量的移動(dòng)社交網(wǎng)絡(luò)數(shù)據(jù)，這些數(shù)據(jù)對(duì)于分析人類行為規(guī)律、社會(huì)關(guān)系服務(wù)、城市計(jì)算、公共安全等問(wèn)題具有重要的研究?jī)r(jià)值和實(shí)際意義。本文研究是從大規(guī)模移動(dòng)社交網(wǎng)絡(luò)、數(shù)據(jù)庫(kù)理論研究、衛(wèi)星定位和GIS、人工智能、城市計(jì)算中提煉出的基礎(chǔ)性問(wèn)題：1） 研究移動(dòng)社交網(wǎng)絡(luò)新型高效的社區(qū)發(fā)現(xiàn)算法;2） 將社群智能技術(shù)應(yīng)用于發(fā)現(xiàn)大規(guī)模移動(dòng)社交網(wǎng)絡(luò)個(gè)體時(shí)空交互模式。這兩個(gè)問(wèn)題均屬于數(shù)據(jù)挖掘中的新問(wèn)題，本文給出了新思路、新方法并在未來(lái)工作中通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)新的現(xiàn)象，推動(dòng)移動(dòng)社交網(wǎng)絡(luò)數(shù)據(jù)挖掘新理論的產(chǎn)生。

參考文獻(xiàn)

[1]????? 郭斌， 張大慶， 於志文， 周興社. 數(shù)字腳印與社群智能. 中國(guó)計(jì)算機(jī)學(xué)會(huì)通訊， 2011， 7（3）： 53-60.

[2]????? 鄭宇. 城市計(jì)算與大數(shù)據(jù). 中國(guó)計(jì)算機(jī)學(xué)會(huì)通訊， 2013， 9（8）： 8-18.

[3]????? Ferguson N， Cummings D， et al. Strategies for Mitigating an Influenza Pandemic. Nature， 2006， 442（7101）： 448-452.

[4]????? Campbell A， Choudhury T. From Smart to Cognitive Phones. IEEE Pervasive Computing， 2012， 11（3）： 7-11.

[5]????? Zheng Y， Zhou X. Computing with Spatial Trajectories， Springer Press， 2011.

[6]????? Ma S， Zheng Y， Wolfson O. T-Share： A Large-Scale Dynamic Taxi Ridesharing Service. In： Proceedings of ICDE 2013， Brisbane， Australia， 2013： 410-421.

[7]????? Zheng Y， Liu F， Hsie H. U-Air： When Urban Air Quality Inference Meets Big Data. In： Proceedings of KDD 2013， Chicago， USA， 2013： 1436-1444.

[8]????? 喬少杰， 韓楠， 丁治明， 金澈清， 孫未未， 舒紅平. 多模式移動(dòng)對(duì)象不確定性軌跡預(yù)測(cè)模型. 自動(dòng)化學(xué)報(bào)， 2018， 44（4）： 608-618

[9]????? 喬少杰， 韓楠， 朱新文， 舒紅平， 鄭皎凌， 元昌安. 基于卡爾曼濾波的動(dòng)態(tài)軌跡預(yù)測(cè)算法. 電子學(xué)報(bào)， 2018， 46（2）： 418-423

[10]??? 喬少杰， 韓楠， 李天瑞， 李榮華， 李斌勇， 王曉騰， Gutierrez LA. 基于前綴投影技術(shù)的大規(guī)模軌跡預(yù)測(cè)模型. 軟件學(xué)報(bào)， 2017， 28（11）： 3043-3057

[11]??? 喬少杰， 李天瑞， 韓楠， 高云君， 元昌安， 王曉騰， 唐常杰. 大數(shù)據(jù)環(huán)境下移動(dòng)對(duì)象自適應(yīng)軌跡預(yù)測(cè)模型. 軟件學(xué)報(bào)， 2015， 26（11）： 2869-2883

[12]??? 喬少杰， 金琨， 韓楠， 唐常杰， 格桑多吉， Louis Alberto Gutierrez. 一種基于高斯混合模型的軌跡預(yù)測(cè)算法. 軟件學(xué)報(bào)， 2015， 26（5）： 1048-1063

[13]??? 謝幸， 連德富. 移動(dòng)社交網(wǎng)絡(luò)與用戶位置. 中國(guó)計(jì)算機(jī)學(xué)會(huì)通訊， 2012， 8（5）： 26-31.

[14]??? 於志文， 周興社， 郭斌. 移動(dòng)社交網(wǎng)絡(luò)中的感知計(jì)算模型、平臺(tái)與實(shí)踐置. 中國(guó)計(jì)算機(jī)學(xué)會(huì)通訊， 2012， 8（5）： 12-21.

[15]??? Tang J， Wu S， Sun J， Su H. Cross-domain Collaboration Recommendation. In： Proceedings of KDD 2012， Beijing， China， 2012： 1285-1293.

[16]??? 胡海洋， 李忠金， 胡華， 趙格華. 面向移動(dòng)社交網(wǎng)絡(luò)的協(xié)作式內(nèi)容分發(fā)機(jī)制.計(jì)算機(jī)學(xué)報(bào)， 2013， 36（3）： 613-625.

[17]??? 喬少杰， 郭俊， 韓楠， 張小松， 元昌安， 唐常杰. 大規(guī)模復(fù)雜網(wǎng)絡(luò)社區(qū)并行發(fā)現(xiàn)算法， 計(jì)算機(jī)學(xué)報(bào)， 2017， 40（3）： 688-700.

[18]??? 喬少杰， 韓楠， 張凱峰， 鄒磊， 王宏志， Louis Alberto GUTIERREZ. 復(fù)雜網(wǎng)絡(luò)大數(shù)據(jù)中重疊社區(qū)檢測(cè)算法. 軟件學(xué)報(bào)， 2017， 28（3）： 631-647.

[19]??? Calabrese F， Pereira F C， Lorenzo G D， Liu L， Ratti C. The Geography of Taste： Analyzing Cell-phone Mobility and Social Events. In： Proceedings of the 8th International Conference on Pervasive Computing， Helsinki， Finland， 2010： 22-37.

[20]??? Calabrese F， Smoreda Z， Blondel V D， Ratti C. Interplay between Telecommunications and Face-to-face Interactions： A Study using Mobile Phone Data. PLoS ONE， 6（7）： e20814， 2011.