LBSN based on foursquare dataset
EBM_graph.py是主体部分，覆盖了所有的过程。
EBM_funcation.py则定义了所有的辅助函数，包括以下函数：
- venue_choice
对数据进行筛选，去除没有co-occurence 的地点 - time_div
了解时间分布，仅用于了解数据情况 - co_occurrence
计算co_occurrence vector 和统计不同venue的co-occurence时间数据 - location_entropy
计算location_entropy - diversity
计算diversity - frequency
计算frequency - socail_strength
计算socail_strength - drawGraph
画图函数，用于显示整个社交网络的状况 - export_edge_list
输出边表，用于下一步的分析和gephi可视化 - venue_time_draw
可视化，划分不同venue的时间分布，需要先调用co_occurrence获得VCI - main
主体函数，用于把前面所有的函数连接起来，计算socail strength并且对一部分数据进行可视化 - cal
把main函数结果使用export_edge_list进行保存，便于下一步处理
EBM_analysis.py则对之前的数据进行处理，分析不同参数对网络属性的影响。包括以下函数：
- build_graph
根据之前计算好的边表重新构建图 - local_centrality
计算局部中心度 - global_centrality
计算全局中心度 - triangle
计算三角关系数量 - analysis_max
把前面的函数连接起来，统一处理 - analysis_nodes_edges
分析随参数变化的消失的点和边的比例 - mul_process_max
多进程并发，加快运算速度。单个核心最长运行时间大概两个半小时
edges_csv文件夹含有不同参数的边表，第一个参数是socail strength，第二个参数是时间间隔
pictures文件夹含有网络属性的可视化结果，包括局部中心度、全局中心度和三角关系数量随两个参数的变化情况；点和边的数量随两个参数的变化情况；不同venue的打卡时间和时间间隔的关系。
#目前正在进行的工作
利用相关特征来判断签到地点类别