移动互联网在近年来经历了快速的发展，全球用户数已接近30亿。人们在移动互联网上享受着各种便利的服务，如交友、点餐、求职、阅读新闻、观看视频、发布照片、分享旅行等等。可以说，网络生活已经渗透到了我们现实生活中的方方面面，二者不仅相互关联和相互影响，其中一些领域已经发展到互补关系甚至代替关系。无论是在网络空间还是现实空间，人与人之间都会存在着由工作、出行、休闲等原因而产生的各种关系。我们的日常行为或多或少都会受到社交关系的影响。比如，我们会购买朋友推荐的商品，去某一个公司拜访客户，或者和家人一起去某个城市度假。

过去，由于缺乏相关数据，人们只能孤立地研究人类行为在不同空间的特征，而移动互联网的兴起，特别是同时包含了社交关系和位置信息的LBSN(Location-based Social Networks)数据为研究人类行为在不同空间和层面上的关联扫清了障碍。现有的研究估计，人们日常生活中有10%-30%的出行以社交为目的[1]，那些居住距离较近的人们有更大的几率成为好友[2]。同时，人们出行轨迹的相似性和他们社交网络的接近性存在显著的正相关关系，即好友之间的轨迹相似性要高于非好友[3]，反过来，轨迹相似性高的好友往往在社交网络上也有着较高的通信频率和共同好友数[4]。那么，人们在网络空间和现实空间里的行为的相似性该如何度量？它们是否相关？一对用户在网络空间的相似，是否意味他们在现实生活中的行为也相似呢？为了回答这些问题，我们在一组腾讯QQ的LBSN数据上进行了系统地分析。

我们用余弦相似度来定义用户出行轨迹的相似性，用“是否是好友”、“是否有共同好友”、“共同好友的个数”以及“共同好友的多样性（以共同好友网络中连通子图的个数来度量）”这四个指标来描述好友之间的社交网络接近性[4,5]。统计结果显示，相比非好友，好友之间的平均轨迹相似性要高的多，而有共同好友则会进一步提升彼此的相似性。出乎意料的是，在相关系数、概率分布和假设检验等多种统计工具的支撑下，我们发现共同好友的数量并不会对用户之间的轨迹相似性产生积极作用，反而是那些共同好友的多样性更强的用户有着更高的轨迹相似性（具体分析方法请见文献[6]）。也就是说，共同好友的来源多样性在影响好友之间的轨迹相似性上有着比数量更为重要的作用。我们进一步使用其它相似性指标重复实验，验证了结果的鲁棒性。

我们的研究不仅建立了人类行为相关性的分析框架，而且对于寻找行为相似性更高的用户进行轨迹预测[7]、商品推荐[8]、链路预测[9]等场景都有着直接或潜在的应用价值。

参考文献：

[1] Cho, E., Myers, S. A.& Leskovec, J. Friendship and mobility: User movement in location-basedsocial networks. In Proceedings of the 17th ACM SIGKDD International Conferenceon Knowledge Discovery and Data Mining, 1082–1090 (ACM, 2011).

[2] Liben-Nowell, D., Novak,J., Kumar, R., Raghavan, P. & Tomkins, A. Geographic routing in socialnetworks. Proc. Natl. Acad. Sci. USA 102, 11623–11628 (2005).

[3] Toole, J. L., Herrera-Yaqüe,C., Schneider, C. M. & González, M. C. Coupling human mobility and socialties. J. R. Soc. Interface 12, 20141128 (2015).

[4] Wang, D., Pedreschi, D.,Song, C., Giannotti, F. & Barabási, A.-L. Human mobility, social ties, andlink prediction. In Proceedings of the 17th ACM SIGKDD International Conferenceon Knowledge Discovery and Data Mining, 1100–1108 (ACM, 2011).

[5] Ugander, J., Backstrom,L., Marlow, C. & Kleinberg, J. Structural diversity in social contagion.Proc. Natl. Acad. Sci. USA 109, 5962–5966 (2012).

[6] Fan, C. et al. Correlationbetween social proximity and mobility similarity. Scientific Reports 7, 11975(2017).

[7] Lian, D. et al. MiningLocation-Based Social Networks: A Predictive Perspective. IEEE Data EngineeringBulletin 38, 35–46 (2015).

[8] Lü, L. et al. Recommendersystems. Physics Reports 519, 1–49 (2012).

[9] Lü, L. & Zhou, T. Linkprediction in complex networks: A survey. Physica A: Statistical Mechanics andits Applications 390, 1150–1170 (2011).

论文信息：

Chao Fan, Yiding Liu, Junming Huang, Zhihai Rong, TaoZhou. Correlation between social proximity and mobility similarity. Scientific Reports, 2017, 7: 11975.

论文链接（可免费下载）：

https://www.nature.com/articles/s41598-017-12274-x

论文正文：2017-Correlation between social proximity and mobility similarity.pdf

论文附件：2017-Correlation between social proximity and mobility similarity_SI.pdf