基于位置的社交网络研究综述

第４期　朱立超，等：基于位置的社交网络研究综述　．６１．　１基于ＬＢＳＮ的服务　目前出现了各种各样的基于位置的社交网络，在这些网　络中，位置是用户情景中的重要元素。根据网络中不同形式　的位置信息，大体上可以将基于ＬＢＳＮ的服务分成三类　Ｊ。　１．１　由媒体内容表示位置信息　该类网络的典型代表就是Ｆｌｉｃｋｒ，现在通过对其的阐释　剖析来展现这一类网络的性质特点。Ｆｌｉｃｋｒ中，用户向网络　服务上传其私人图片，这些图片是带有地理位置标记的，通　过将照片贴上标签或说明，来给其它用户做参考。用户还可　以将朋友或家人添加为联系人，也可以建立或加入一个组群　来进行经验交流。　从这类网络中直接提取到的位置信息是基于地理标记　的媒体内容，用户将在物理世界中产生的、带有地理标记的　内容添加到网络中，如文字、照片或视频，而且用户也可以浏　览、评价这些内容。通过从这些媒体内容提取到的位置信息　和时间信息，可以扩展人们的社会结构，如添加好友。但这　类网络服务的焦点仍然是媒体内容，位置只是组织和丰富媒　体内容的一个特征，用户间的主要相关性仍然是基于媒体内　容本身的。　１．２由位置点表示位置信息　该类网络即以Ｆｏｕｒｓｑｕａｒｅ为例。在Ｆｏｕｒｓｑｕａｒｅ中，主要　针对手机用户，通过“签到”来记录用户的所在位置，如百货　公司、餐厅、博物馆，并通过积分、勋章等荣誉激励机制鼓励　用户“签到”，在网站上共享用户当前的位置及评价，以便在　物理世界中的人们能够参考这些评价，以及组织集体活动。　从这类网络中直接提取到的位置信息是基于位置点的　信息，用户通过在特定地点进行“签到”来分享其当前位置，　如餐馆或博物馆，有了这些即时位置，用户就能从社交网络　中发现处于附近范围内的朋友，从而进行一些社会活动。用　户也可以通过对这些位置进行评论来给其它用户提供建议。　从这类网络中提取出的用户“签到”的位置信息和时间信息　是决定用户相关性的主要元素。　１．３由轨迹表示位置信息　ＧｅｏＬｉｆｅ作为该类网络的代表，主要是由手机或位置获　取设备，通过经纬度和时间表示的轨迹形式，记录用户户外　活动行程的详细信息，这些活动既包括用户的日常生活如工　作、回家，也包括娱乐活动和体育活动，如购物、参观、远足、　骑车等。　从这类网络中直接提取到的位置信息是基于轨迹的信　息，既关注位置点，又关注连接这些位置点的详细路径，如由　经纬度坐标和时间组成的ＧＰＳ轨迹。这些轨迹不仅描述了　用户活动的详细信息，如距离、持续时间、速度，还通过有关　轨迹的标签、照片等信息体现了用户经验。此类网络中用户　的相关性是由轨迹本身体现的。　２　ＬＢＳＮ中的应用　随着ＬＢＳＮ越来越流行，其上开发的应用也日益增多。　由于用户和位置是ＬＢＳＮ中的主要元素，本文即从用户和位　置的角度对这些应用展开分析总结。　２．１基于用户的应用　从面向用户的角度，基于用户相似性、用户隐私和用户　行为等方面，ＬＢＳＮ上的应用主要包括以下五类：　（１）好友推荐。衡量用户之间的相似性，并根据相似性　高的用户也可能会有共同兴趣和爱好的推断，即可给特定用　户推荐与其相似性高的用户作为好友　』。通过对地理空间　的位置轨迹进行处理，建立一个能够统一描述用户行为的层　次结构，每个用户对应这一结构都有自己的层次图，并根据　不同用户的层次图来计算彼此之间的相似性　。也可将　地理空间的轨迹表示成语义空间的种类轨迹，在语义轨迹的　基础上建立统一描述用户行为的层次结构，每个用户都有自　己的层次图，再根据层次图来计算用户相似性。　（２）专家发现。用户对不同的地方有不同的了解，专家　则是对一个区域非常了解的用户，其经验和意见对其它用户　也将具有极大的参考价值　。在将用户位置信息表示成　统一结构的基础上，可根据ＨＩＴＳ（Ｈｙｐｅｒｔｅｘｔ　Ｉｎｄｕｃｅｄ　Ｔｏｐｉｃ　Ｓｅａｒｃｈ）模型，将用户对应成ｈｕｂ节点，而将位置对应成ａｌｌ—　ｔｈｏｒｉｔｙ节点，由此而计算用户的经验值和位置的流行度，并　将用户经验值较高的用户定义为专家进行推荐。　（３）群体挖掘。将所有用户分为不同的团体，可以方便　活动相似、兴趣相投的用户进行群体活动　’　。通过计算用　户在地理空间的相似性将用户分成不同群体，如在一个单位　工作的人、在同一小区居住的人　。而将用户轨迹描述在语　义空间，如电影院、博物馆，也可通过计算用户在语义空间的　相似性，将用户分成不同群体，如参加同一社团的人　Ｊ。提　出选择与特定地点距离较近并且关系密切的用户群体的问　题，将该问题形式化并证明该问题是ＮＰ一难的，同时也提出　了解决该问题的有效算法，并进一步通过剪枝技术、建立新　的索引结构来提高效率。　（４）隐私保护。ＬＢＳＮ中提供的用户移动信息和用户个　人信息创造了巨大的商业潜力，但这些商业潜力由于用户对　个人隐私的关心可能会被掩盖　。根据效益分析，在商业公　司要求用户提供个人信息时，评估这些信息可能带来的结　果，从而让用户根据结果做出相应的决定，此次研究还对推　式和拉式的ＬＢＳＮ服务进行了相应的分析。　（５）行为分析。根据用户的活动通常具有一定的规律　性　，提出了生活模式的概念，描述用户通常的生活方式和　活动规律。研究中使用生活模式标准范式来描述哪类生活　规律能够被发现，并提出一个能够有效地从原始数据中挖掘　出这些生活模式的工作框架，实验结果表明用户的活动确实　存在一定的规律。　２．２基于位置的应用　从面向位置的角度，基于用户相似性、位置间的相关性、　位置的种类等方面，ＬＢＳＮ上的应用包括：　（ｔ）路径发现。由于位置获取设备能量消耗、定位误差　等原因，轨迹中两个连续采样点之间的路径是不可知的，产　生的即是具有不确定性的轨迹　”　。可从大量不确定性的　轨迹中挖掘两个位置问最可能的路径。文中遵循不确定性　加不确定性产生确定性的范式，首先建立路由图，在用户指　定的查询下选择出最好的几个路径返回给用户。　・６２・　智能计算机与应用　第４卷　（２）商店位置选择。为一个新的商店选择最好的位置是　一个很有意义的问题　。与传统的方法不同，基于ＬＢＳＮ中　收集到的描述用户移动的细粒度数据和位置的流行性，给出　问题的形式化定义，并从不同特性的角度进行商店位置预　测，如密度特性、竞争特性、区域的流行性等。　（３）区域功能发现。随着城市的发展，城市中形成了不　同功能的区域，如教学区、商业区，识别不同区域的功能对城　市规划和商业位置选择有很大帮助　。提出了解决该问题　的方法：将城市根据主干道路分割成不同区域，利用区域中　人的移动特性和区域中所包含的兴趣点信息，借助基于主题　的模型推导每个区域的功能。　（４）流行位置和流行路径推荐。当用户到一个不熟悉的　城市旅行时，推荐这个城市中最为流行、最受欢迎的位置或　路径可以给用户带来很大方便　。根据ＨＩＴＳ模型，在给定　区域下，计算位置的流行度，将流行度高的位置作为流行位　置推荐给用户；将位置流行度平均到每个与之相连的路径　上，再根据路径被用户访问的数量以及这些用户自身的经验　值，计算路径的流行度，将流行度较高的路径作为流行路径　推荐给用户　Ｊ。也是根据ＨＩＴＳ模型，但不是在一个区域中　选择流行位置，而是将位置分为不同种类，在同一种类中计　算位置流行度，推荐这个种类中流行度最高的位置，如在电　影院这个种类下，推荐一个流行度最高的电影院。　（５）行程规划。行程规划是在用户指定起始位置、目的　位置及时间间隔的条件下，推荐满足这些约束的、包含兴趣　点的路径　。规划中，根据用户要求挑选出所有从指定　位置出发、到达目的位置、满足时间要求并包含有趣位置的　路径，再根据路径中包含的有趣位置的个数、在位置间移动　需要的时间、完成整条路径的时间以及路径本身的流行度选　择得到最好的路径，并为用户做出推荐。　（６）个性化位置推荐。流行位置推荐虽然可以给用户推　荐相应的位置，但这些位置并没有考虑用户的个性化信息，　即对所有用户推荐的都是相同的位置　。通过找到与自己　相似性高的用户，再根据这些用户访问的位置进行推荐　。　也可以通过得到位置间的相关性，再根据与用户经常访问的　位置相关性大的位置进行推荐　Ｊ。具体实现是：基于ＨＩＴＳ　模型得到每个种类下经验值较高的专家，并在用户指定种类　下，根据这些种类的专家访问过的位置为用户完成推荐。　（７）位置活动推荐。当用户指定一个位置时，可以给用　户推荐在这个位置上发生的最流行的活动，当用户指定一种　活动时，也可以给用户推荐进行这种活动的最流行的位　置。　。。可通过矩阵来描述每个位置发生的每种活动的情　况，但由于在每个位置可以进行的活动是有限的，而活动的　种类却是非常多的，因此这个矩阵是非常稀疏的，而进行推　荐的主要依据就是矩阵中每个元素的数值。该文使用基于　协同过滤的协同矩阵分解方法，利用表示位置与种类关系的　矩阵以及表示活动与活动关系的矩阵，填补位置一活动矩阵　中的缺失项，由此而完成推荐。　３　结束语　由上面的分析可以看出，随着基于位置的社交网络越来　越流行，出现了多种多样的基于位置的服务，本文根据这些　网络中不同形式的位置信息，将所有网络进行了分类，并给　出了每种类型的代表，也进行了相关分析。随着对基于位置　的社交网络的深入研究，产生了许多相关的应用。本文基于　用户和位置两大主题，对这些应用进行分类，并详细分析了　每种应用的使用场景及实现原理。　通过分析发现，目前虽然有一些关于路径推荐的应用，　但推荐的路径是面向所有用户的，并没有考虑用户的个性化　信息，本文还没有发现基于位置的社交网络中关于个性化路　径的推荐，如用户具有商场一餐馆一电影院的活动习惯，如　何挖掘出这个习惯并给用户推荐符合这个习惯的路径，这将　是ＬＢＳＮ中又一崭新应用。　参考文献：　［１］Ｙｕ　Ｚｈｅｎｇ．Ｌｏｃａｔｉｏｎ—ｂａｓｅｄ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋｓ：Ｕｓｅｒｓ［Ｍ］．Ｓｐｒｉｎｇｅｒ　ｐｒｅｓｓ，２０１１．　［２］ＬＩ　Ｑ，ＺＨＥＮＧ　Ｙ，ＸＩＥ　Ｘ，ｅｔ　１ａ．Ｍｉｎｉｎｇ　ｕｓｅｒ　ｓｉｍｉｌａｉｒｔｙ　ｂａｓｅｄ　ｏｎ　ｌｏ—　ｃａｔｉｏｎ　ｈｉｓｔｏｒｙ［Ｃ￣／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　１６　ＡＣＭ　ＳＩＧＳＰＡＴ１ＡＬ　Ｉｎｔｅｒ．　ｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ａｄｖａｎｃｅｓ　ｉｎ　Ｇｅｏｇｒａｐｈｉｃ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｙｓｔｅｍｓ，　ＧＩＳ’０８，ＡＣＭ，Ｎｅｗ　Ｙｏｒｋ，ＮＹ，ＵＳＡ，２００８，３４：１　３４，１０．　［３］ＸＩＡＯ　Ｘ，ＺＨＥＮＧ　Ｙ，ＬＵＯ　Ｑ，ｅｔ　ａ１．Ｆｉｎｄｉｎｇ　ｓｉｍｉｌａｒ　ｕｓｅｒｓ　ｕｓｉｎｇ　ｃａｔ—　ｅｇｏｒｙ—ｂａｓｅｄ　ｌｏｃａｔｉｏｎ　ｈｉｓｔｏｒｙ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　１８　ＳＩＧＳＰＡ－　ＴＩＡＬ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ａｄｖａｎｃｅｓ　ｉｎ　Ｇｅｏｇｒａｐｈｉｃ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｙｓｔｅｍｓ，ＧＩＳ’１０，ＡＣＭ，Ｎｅｗ　Ｙｏｒｋ，ＮＹ，ＵＳＡ，２０１０：４４２—４４５．　［４］ＸＩＡＯ　Ｘ，ＺＨＥＮＧ　Ｙ，ＬＵＯ　Ｑ，ｅｔ　ａ１．Ｉｎｆｅｒｒｉｎｇ　ｓｏｃｉａｌ　ｔｉｅｓ　ｂｅｔｗｅｅｎ　ＵＳ－　ｅｒｓ　ｗｉｔｈ　ｈｕｍａｎ　ｌｏｃａｔｉｏｎ　ｈｉｓｔｏｒｙ［Ｉ］Ｊｏｕｒｎａｌ　ｏｆ　Ａｍｂｉｅｎｔ　Ｉｎｔｅｌｌｉｇｅｎｃｅ　ａｎｄ　Ｈｕｍａｎｉｚｅｄ　Ｃｏｍｐｕｔｉｎｇ，２０１２．　［５］ＺＨＥＮＧ　Ｙ，ＺＨＡＮＧ　Ｌ，ＸＩＥ　ｘ，ｅｔ　ａｌ，Ｍｉｎｉｎｇ　ｉｎｔｅｒｅｓｔｉｎｇ　ｌｏｃａｔｉｏｎｓ　ａｎｄ　ｔｒａｖｅｌ　ｓｅｑｕｅｎｃｅｓ　ｆｒｏｍ　ｇｐｓ　ｔｒａｊｅｃｔｏｒｉｅｓ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　１　８　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｗｏｒｌｄ　ｗｉｄｅ　ｗｅｂ．ＷＷＷ’０９　ＡＣＭ，Ｎｅｗ　Ｙｏｒｋ。ＮＹ，ＵＳＡ，２００９，７９１—８００．　［６］ＢＡＯ　Ｊ，ＺＨＥＮＧ　Ｙ，ＭＯＫＢＥＬ　Ｍ．Ｌｏｃａｔｉｏｎ—ｂａｓｅｄ　ａｎｄ　ｐｒｅｆｅｒｅｎｃｅ—　ａｗａｒｅ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎ　ｕｓｉｎｇ　ｓｐａｒｓｅ　ｇｅｏ—ｓｏｃｉａｌ　ｎｅｔｗｏｒｋｉｎｇ　ｄａｔａ　［Ｃ］／／２０　ＡＣＭ　ＳＩＧＳＰＡＴＩＡＬ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ａｄｖａｎｃｅｓ　ｉｎ　ＧＩＳ．Ｒｅｄｏｎｄｏ　Ｂｅａｃｈ，Ｃａｌｉｆｏｒｎｉａ，２０１２．　［７］ＨＵＮＧ　Ｃ　Ｃ，ＣＨＡＮＧ　Ｃ　Ｗ，ＰＥＮＧ　Ｗ　Ｃ．Ｍｉｎｉｎｇ　ｔｒａｊｅｃｔｏｒｙ　ｐｒｏｆｉｌｅｓ　ｆｏｒ　ｄｉｓｃｏｖｅｒｉｎｇ　ｕｓｅｒ　ｃｏｍｍｕｎｉｔｉｅｓ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２００９　Ｉｎ—　ｔｅｒｎａｔｉｏｎａｌ　Ｗｏｒｋｓｈｏｐ　ｏｎ　Ｌｏｃａｔｉｏｎ　Ｂａｓｅｄ　Ｓｏｃｉａｌ　Ｎｅｔｗｏｒｋｓ，ＬＢＳＮ’０９，　ＡＣＭ，Ｎｅｗ　Ｙｏｒｋ，ＮＹ，ＵＳＡ，２００９：１—８．　［８］ＹＡＮＧ　Ｄ　Ｎ，ＳＨＥＮ　Ｃ　Ｙ，ＬＥＥ　Ｗ　Ｃ，ｅｔ　ａ１．Ｏｎ　ｓｏｃｉｏ—ｓｐａｔｉａｌ　ｇｒｏｕｐ　ｑｕｅｙｒ　ｏｆｒ　ｌｏｃａｔｉｏｎ—ｂａｓｅｄ　ｓｏｃｉａｌ　ｎｅｔｗｏｒｋｓ［Ｃ］／／ＳＩＧＫＤＤ，２０１２．　［９］ＸＵ　Ｈ，ＧＵＰＴＡ　Ｓ，ＳＨＩ　Ｓ．Ｂａｌａｎｃｉｎｇ　ｕｓｅｒ　ｐｒｉｖａｃｙ　ｃｏｎｃｅｒｎｓ　ｉｎ　ｔｈｅ　ａ—　ｄｏｐｔｉｏｎ　ｏｆ　ｌｏｃａｔｉｏｎ—ｂａｓｅｄ　ｓｅｒｖｉｃｅｓ：ａｎ　ｅｍｐｉｒｉｃａｌ　ａｎａｌｙｓｉｓ　ａｃｒｏｓｓ　ｐｕｌｌ　—ｂａｓｅｄ　ａｎｄ　ｐｕｓｈ—ｂａｓｅｄ　ａｐｐｌｉｃａｔｉｏｎｓ［Ｃ］／／ｉＣｏｎｔｅｒｅｎｅｅ，２００９．　［１Ｏ］ＹＥ　Ｙ，ＺＨＥＮＧ　Ｙ，ＣＨＥＮ　Ｙ，ｅｔ　ａ１．Ｍｉｎｉｎｇ　ｉｎｄｉｖｉｄｕａｌ　ｌｉｆｅ　ｐａｔｔｅｒｎ　ｂａｓｅｄ　ｏｎ　ｌｏｃａｔｉｏｎ　ｈｉｓｔｏｙｒ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２００９　Ｔｅｎｔｈ　Ｉｎｔｅｒ－　ｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　Ｏｆｆ　Ｍｏｂｉｌｅ　Ｄａｔａ　Ｍａｎａｇｅｍｅｎｔ：Ｓｙｓｔｅｍｓ，Ｓｅｒｖｉｃｅｓ　ａｎｄ　Ｍｉｄｄｌｅｗａｒｅ，ＭＤＭ’０９，ＩＥＥＥ　Ｃｏｍｐｕｔｅｒ　Ｓｏｃｉｅｔｙ，Ｗａｓｈｉｎｇｔｏｎ，　ＤＣ，ＵＳＡ，２００９：１　１０．　［１１］ＬＩＵ　Ｈ，ＷＥＩ　Ｌ　Ｙ，ＺＨＥＮＧ　Ｙ，ｅｔ　ａ１．Ｒｏｕｔｅ　ｄｉｓｃｏｖｅｙｒ　ｆｒｏｍ　ｍｉｎｉｎｇ　ｕｎｃｅｒｔａｉｎ　ｔｒａｊｅｃｔｏｉｒｅｓ［Ｃ］／／ＩＣＤＭ，２０１１．　［１２］ＷＥＩ　Ｌ　Ｙ，ＺＨＥＮＧ　Ｙ，ＰＥＮＧ　Ｗ　Ｃ．Ｃｏｎｓｔｒｕｃｔｉｎｇ　ｐｏｐｕｌａｒ　ｒｏｕｔｅｓ　ｆｒｏｍ　ｕｎｃｅｒｔａｉｎ　ｔｒａｊｅｃｔｏｉｒｅｓｆ　ｃ］／／ＫＤＤ，２０１２．　（下转第６７页）　第４期　薛慧丽：云计算的架构及核心技术　・６７・　的。当然，任何工具都不是万能的，专业人员在实际维护过　程中发现，云计算平台管理的三大利器Ｎａｇｉｏｓ、Ｇａｎｇｌｉａ和　明显，比如数据的隐私问题、信息的安全问题、软件的许可证　问题、网络的传输速度问题等等，而这些都需要ＩＴ业界公司　在今后的产业化进程中对其不断地发展和完善，从而避免一　些不必要纠纷与问题的发生。　Ｓｐｌｕｎｋ也经常会出现误报，如果规则定义得不好，大量的警　报邮件将如潮水一样涌来，反而掩盖了真正的问题。可以　说，在云计算平台的运维管理上，表现了明显的动态性质，也　就是随着规模的不断增大和应用的日益多样，还需要进一步　地实践和不断总结　Ｊ。　参考文献：　［１］ＭＥＬＬＰ，ＧＲＡＮＣＥ．ＴｈｅＮＩＳＴ　ｄｅｉｆｎｉｔｉｏｎ　ｏｆ　ｃｌｏｕｄ　ｃｏｍｐｕｔｉｎｇ［Ｒ］．Ｎａ—　ｔｉｏｎａｌ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｓｔａｎｄａｒｄｓ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，２０１　１．　３云计算的挑战与机遇　我国《北京“祥云工程”行动计划》提出将在２０１５年，使　“云计算”的三类典型服务——基础设施服务、平台服务及软　件服务形成５００亿元产业规模，由此带动云计算产业链形成　２　０００亿元产值　。据ＩＤＣ预测，用于云计算服务上的支出　在接下来的５年间可能会出现３倍的增长，２０１２年可达４２０　亿美元的市场规模，并占据ＩＴ支出增长总量的２５％份额。　Ｇａｒｔｎｅｒ公司也同时预测，云计算服务将在２０１４年得到强势　增长，全球云计算服务市场营收总额将达到１　０００亿英　镑　。这一切均已表明，云计算已经成为ＩＴ产业未来发展　的重要趋势和潮流方向。如今，亚马逊的云计算系统已经完　成了从理论到应用的转化，其云计算部门（Ａｗｓ）２０１０年的　销售收入即已达到５亿美元，２０１１年的销售收入也达到了　［２］ＧＩＬＬＥＮＡ，ＢＲＯＵＳＳＡＲＤＦＷ，ＰＥＲＲＹ　Ｒ，ｅｔ　ａｔ．Ｏｐｔｉｍｉｚｉｎｇ　ｉｎｆｒｓａｔｎｃｒ－　ｔｕｒｅ：ｔｈｅ　ｒｅｌａｔｉｏｎｓｈｉｐ　ｂｅｔｗｅｅｎ　ｉｔ　ｌａｂｏｒ　ｃｏｓｔｓ　ａｎｄ　ｂｅｓｔ　ｐｒａｃｔｉｃｅｓ　ｆｏｒ　ｍａｎ一　ｎｇ　ｔｈｅ　ｗｉｎｄｏｗｓ　ｄｅｓｋｔｏｐ［ＥＢ／ＯＬ］．ｈｎｐ：／／ｄｏｗｎｌｏａｄ．Ｍｉｃｒｏｓｏｆｔ．　ｃｏｒｎ／ｄｏｗｎｌｏａｄ／ａ／４／４／ａ４４７４ｂ０ｃ—．５７ｄ８＿—．４１　ａ２—．ａｆｅ６—．　３２０３７ｆａ９３ｅａ６／ＩＤＣ—ｗｉｎｄｅｓｋｔｏｐＩＯｗｈｉｔｅｐａｐｅｒ．ｐｄｆ　２００７．　［３］ＧＨＥＭＡＷＡＴ　Ｓ，ＧＯＢＩＯＦＦ　Ｈ，ＬＥＵＮＧ　Ｐ—Ｎ—Ｔ．Ｔｈｅ　Ｇｏｏｇｌｅ　ｆｉｌｅ　ｓｙｓｔｅｍ［ｃ　Ｊ／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　Ｎｉｎｅｔｅｅｎｔｈ　ＡＣＭ　Ｓｙｍｐｏｓｉｕｍ　ｏｎ　Ｏｐ—　ｃｒａｔｉｎｇ　Ｓｙｓｔｅｍｓ　Ｐｒｉｎｃｉｐｌｅｓ，Ｏｃｔ．２００３．　［４］Ｈａｄｏｏｐ：ｈｔｔｐ：／／ｈａｄｏｏｐ．ａｐａｃｈｅ．ｏｒｇ／．　［５］ＡＮＤＲＨ，ＬＡＧＡＲ—ＣＡＶＩＬＬＡＳ，ＷＨＩＴＹＪＡ，ｅｔ　ａｔ．Ｓｎｏｗ　Ｆｌｏｃｋ：ｖｉｒｔｕａｌ　ｍａｃｈｉｎｅ　ｃｌｏｎｉｎｇ　ａｓ　ａ　ｉｆｒｓｔ　ｃｌａｓｓ　ｃｌｏｕｄ　ｐｉｒｍｉｔｉｖｅ［Ｊ］．ＡＣＭ　Ｔｒａｎｓ　Ｃｏｍ—　ｐｕｔ　Ｓｙｓｔ，２０１１，２９（１）：１—４５．　［６］张志宏．云计算平台管理系统的研究与实现［Ｊ］．电信工程技术　与标准化，２０１２（４）：２１—２５．　［７］新华网［ＥＢ／ＯＬ］．ｈｔｔｐ：／／ｎｅｗｓ．ｘｉｎｈｕａｎｅｔ．ｃｏｍ／２０１０—１０／０６／ｃ一　１２６３２８８１．ｈｔｍ．　７．５Ｏ亿美元，到２０１４年，亚马逊ＡＷＳ部门的销售收入可将　达到大约２５亿美元。　４结束语　虽然云计算模式拥有众多优点，但是存在的问题也非常　［８］ｅＮｅｔ硅谷动力［ＥＢ／ＯＬ］．ｈｔｔｐ：／／ｗｗｗ．ｅｎｅｔ．ｃｏｎｒ．ｅｎ／ａｒｔｉｃｌｅ／２０１　Ｏ／　０６２４／Ａ２０】００６２４６７４３７６．ｓｈｔｍｌ　（上接第６２页）　［１３］ＫＡＲＡＭＳＨＵＫ　Ｄ，ＮＯＵＬＡＳ　Ａ，ＳＣＥＬＬＡＴＯ　Ｓ，ｅｔ　ａ１．Ｇｅｏ—ｓｐｏｔ—　ｔｉｎｇ：ｍｉｎｉｎｇ　ｏｎｌｉｎｅ　ｌｏｃａｔｉｏｎ—ｂａｓｅｄ　ｓｅｒｖｉｃｅｓ　ｆｏｒ　ｏｐｔｉｍａｌ　ｒｅｔａｉｌ　ｓｔｏｒｅ　［１６］ＹＯＯＮ　Ｈ，ＺＨＥＮＧ　Ｙ，ＸＩＥ　Ｘ，ｅｔ　１ａ．Ｓｏｃｉｌａ　ｉｔｉｎｅｒａｒｙ　ｒｅｃｏｍｍｅｎｄａ．　ｔｉｏｎ　ｆｒｏｍ　ｕｓｅｒ—ｇｅｎｅｒａｔｅｄ　ｄｉｇｉｔａｌ　ｔｒａｉｌｓ［Ｊ］．Ｐｅｒｓｏｎａｌ　ａｎｄ　Ｕｂｉｑｕｉｔｏｕｓ　Ｃｏｍｐｕｔｉｎｇ，２０１１．　ｐｌａｃｅｍｅｎｔ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　１９　ＡＣＭ　ＳＩＧＫＤＤ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｒｙ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ，ＫＤＤ’１３，　ＡＣＭ，Ｎｅｗ　Ｙｏｒｋ，ＮＹ，ＵＳＡ，２０１３：７９３—８０１．　［１７］ＺＨＥＮＧ　Ｙ，ＺＨＡＮＧ　Ｌ，ＭＡ　ｚ，ｅｔ　１ａ．Ｒｅｃｏｍｍｅｎｄｉｎｇ　ｆｉｒｅｎｄｓ　ａｎｄ　ｌｏ—　ｃａｔｉｏｎｓ　ｂａｓｅｄ　ｏｎ　ｉｎｄｉｖｉｄｕａｌ　ｌｏｃａｔｉｏｎ　ｈｉｓｔｏｒｙ『Ｊ］．ＡＣＭ　Ｔｒａｎｓ．　Ｗｅｂ５，２０１１，５：１—５，４４．　［１４］ＹＵＡＮ　Ｊ，ＺＨＥＮＧ　Ｙ，ＸＩＮＧ　Ｘ．Ｄｉｓｃｏｖｅｉｒｎｇ　ｒｅｇｉｏｎｓ　ｏｆ　ｄｉｆｆｅｒｅｎｔ　［１８］ＺＨＥＮＧ　Ｙ，ＸＩＥ　Ｘ．Ｌｅａｎｉｒｎｇ　ｔｒａｖｅｌ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ　ｆｒｏｍ　ｕｓｅｒ—　ｇｅｎｅｒａｔｅｄ　ｇｐｓ　ｔｒａｃｅｓ［Ｊ］．ＡＣＭ　Ｔｒａｎｓ．Ｉｎｔｅｌ１．Ｓｙｓｔ．Ｔｅｃｈｎｏ１．２，　２０１１，２：１～２，２９．　ｆｕｎｃｔｉｏｎｓ　ｉｎ　ａ　ｃｉｔｙ　ｕｓｉｎｇ　ｈｕｍａｎ　ｍｏｂｉｌｉｔｙ　ａｎｄ　ｐｏｉｓ［Ｃ］／／ＫＤＤ，　２０１２．　［１５］ＹＯＯＮ　Ｈ，ＺＨＥＮＧＹ，ＸＩＥＸ，ｅｔ　ａ１．Ｓｍａｒｔｉｔｉｎｅｒａｒｙ　ｂａｓｅｄ　ｏｎ　ｕｓｅｒ～　ｇｅｎｅｒａｔｅｄ　ｇｐｓ　ｔｒａｊｅｃｔｏｒｉｅｓ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　７　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｕｂｉｑｕｉｔｏｕｓ　Ｉｎｔｅｌｌｉｇｅｎｃｅ　ａｎｄ　Ｃｏｍｐｕｔｉｎｇ，ＵＩＣ’１０，　Ｓｐｒｉｎｇｅｒ—Ｖｅｒｌａｇ，Ｂｅｒｌｉｎ，Ｈｅｉｄｅｌｂｅｒｇ，２０１０：１９—３４．　［１９］ＺＨＥＮＧ　Ｖ　Ｗ，ＺＨＥＮＧ　Ｙ，ＸＩＥ　Ｘ，ｅｔ　ａ１．Ｃｏｌｌｂｏａｒａｔｉｖｅ　ｌｏｃａｔｉｏｎ　ａｎｄ　ａｃｔｉｖｉｔｙ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ　ｗｉｔｈ　ｇｐｓ　ｈｉｓｔｏｒｙ　ｄａｔａ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　１９　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｗｏｒｌｄ　ｗｉｄｅ　ｗｅｂ，ＷＷＷ’１０，　ＡＣＭ，Ｎｅｗ　Ｙｏｒｋ，ＮＹ，ＵＳＡ，２０１０：１０２９—１０３８．