1。ABSTRACT 採用Flicker 的數據集合，採用馬爾科夫方法進行預測，Flicker 的數據和LBSN的數據有相似性，採用軌跡預測。不同之處是其參考條件除了當前狀態之外還有用戶的喜好。
2。INTRODUCTION 其認爲傳照片是對該地址表達了一種喜愛，從而該地址可以作爲被推薦的對象。Fpursquare這種社交網絡似乎不能如此 判定（覈實下有無喜愛這種選項）。
該文的貢獻主要是提出了一個依據用戶的空餘時間、興趣愛好、當前位置的推薦模型。若轉變爲位置推薦的話似乎和楊師兄的位置推薦有所不同：楊師兄的是基於社交網絡的位置推薦，而它的位置推薦則是依據用戶的個人信息，且其推薦的是一個位置序列。對位置預測的借鑑意義則是其模型
3。基本的旅行路線推薦框架：
模型的基本假設：
具體步驟：
mean-shift(均值漂移)
馬爾科夫模型是否意外着只代表和當前狀態相關，和之前的狀態無關。該模型從大量數據中找出受歡迎的路線序列（採用一階馬爾科夫）。
topic model:EM算法（聚類算法）
4.本文的輸入是有時間參數的，因此是要考慮遊覽時間的。
5.Topic model:分層的概率模型，用戶被抽象爲主題的混合，每個主題被模型化爲基於地標的概率分佈。主題模型被廣泛用於信息檢索、語言建模及用於用戶興趣建模等應用程序。
在EM 步驟中也採用了最大似然估計的方法。
需要理解這兩個公式。前者的右側是遍歷了所有訪問的地點，在歷史記錄中產生某種主題的概率正比於。。。。其是對所有產生的地點而言的，爲何不對所有用戶來說
後者的右側是遍歷了所有的用戶N（）項在基於歷史記錄的情況下選擇地表l 的次數，在某種主題鎮南關訪問某個地點的概率，當對所有用戶而言