一種多源異構網絡中社會關係的預測方法與系統的製作方法

2023-06-01 06:28:11

一種多源異構網絡中社會關係的預測方法與系統的製作方法
【專利摘要】本發明的主要工作是基於多源異構網絡推斷主體(用戶)之間的社會關係(包括同類型之間或不同類型之間的主體關係，本發明中只以用戶為例)的方法，異構網絡是指網絡中主體類型多種或者主體之間的關係類型多種，關係可以分為好友和其他兩種。主要內容包括在兩個(例如Twitter網絡、通訊網絡)異構網絡中，兩個網絡的主體類型都包含有用戶，但不同網絡中主體之間的關係連結類型是不同的在Twitter網絡中用戶之間的關係是關注、被關注兩種，在通訊網中關係類型為好友和其他兩種等。要推斷不同網絡主體之間的社會關係必須要通過兩個網絡之間通過重疊用戶關聯起來，即部分用戶同時存在於兩個網絡中。
【專利說明】一種多源異構網絡中社會關係的預測方法與系統

【技術領域】
[0001] 本發明屬於網絡應用【技術領域】，更具體地，涉及一種多源異構網絡中社會關係的 預測方法與系統。

【背景技術】
[0002] 隨著網際網路的興起，越來越多的人在使用網絡。網絡給人們帶來了各種各樣的方 便，網絡資源無奇不有，網絡內容無所不包。研宄表明，截止2011年12月31日，全球共有 22. 672億網絡用戶，全球網絡普及率為32. 7%。在2011年3月，InternetWorldStats公 布的全球網絡用戶數為20. 95億，9個月時間內全球網絡用戶增加了 1.7222億。按照這個 速度計算，截止目前全球網民數量已超過23億。平均每秒新增約8個網絡用戶，可見現在 使用網絡的人群數量是非常龐大的。隨著網際網路的普及，網民越來越多，社會網絡普及程度 越來越高。
[0003] 社會網絡源自個體與個體之間的社交關係組成的網絡，現有的在線社會網絡如 Twitter網絡、Facebook網絡、新浪微博、淘寶網等。對於Twitter網絡如果使用Twitter 的用戶及用戶所發布的推文Tweet視為網絡中的主體，用戶發表、轉發推文等視為網絡主 體之間的關聯，就可以將其抽象成為一個典型的社會網絡。但社會網絡並不是一層不變的， 它是隨著時間推移由新節點的添加或者節點間新關係的形成動態變化的，因此對社會網絡 結構的動態變化的研宄是很有意義的。考慮將關係連結的形成過程作為網絡發展和演變的 基本原則，那麼在給定節點的網絡中，網絡的成長發展是通過節點之間新關係的建立而形 成。而本發明目的是通過研宄異構網絡中給定節點之間新關係的建立從而發現網絡發展和 演變的過程。廣義來講，社會網絡可以是蛋白質相互作用網絡，神經網絡等生物信息網絡； 還可以是全球資訊網的Web結構、Internet的拓撲結構、通訊網絡等信息網絡；生活中最常見的 也是最直觀的社會網絡當屬社交網絡，包括學術合作、人物關係、在線交友等應用等。針對 於異構網絡主體相關性的研宄可以應用到社交網絡和電子商務的結合，如新浪微博和淘寶 商品推薦等；還可以應用到決策通訊網網絡主體間通訊模式（如電話、簡訊等）；還有生物 學中酵母菌蛋白質相互作用問題的研宄等。
[0004] 目前社會網絡是在其網絡結構內部是相互連結的。現有的對自然科學、社會信息 網絡的研宄都是假定網絡類型結構是同構類型的，即網絡節點類型相同，連結節點之間的 關係類型也相同。但現實生活中大部分的網絡是異構類型的，即網絡節點類型多種，連結節 點之間的關係類型也是多種。如DBLP網絡主體節點類型有作者、論文、會議和關鍵詞，而他 們之間的多種關係如作者、論文之間撰寫、引用，論文、會議之間發表、收錄等；蛋白質網絡 主體節點類型基因、酵母等都是異構類型。
[0005] 傳統網絡中預測兩個主體之間的關係方法已經存在多種，連結預測是眾多方法中 最常用到的。在同構網絡中連結預測已經得到了廣泛的應用，但是在異構網絡中由於網絡 本身結構的特點導致常用連結預測在異構網絡內不能實現。


【發明內容】

[0006] 異構網絡的特點主要有首先異構網絡中雖然存在一些結構特徵，但是沒有一種特 徵能夠很好地概括整個網絡；其次異構網絡的標籤是複雜的，網絡中標籤一般都是昂貴或 者難以獲取的；再次網絡複雜，異構網絡中主體類型多種，關係類型也是多種。另外現有關 系預測的研宄大多針對靜態無權網絡，而對動態加權網絡的研宄相對較少；對局部因素考 慮得比較具體，而對整體因素考慮得過於抽象。
[0007] 為了能夠實現預測異構社會網絡主體之間的社會關係，按照本發明的一個方面， 提供了一種基於多源異構網絡的社會關係預測方法，包括以下步驟：
[0008] (1)對網絡G= (V，E)按照相等的時間片長度分別進行劃分，分成η個時間片快 照，整個網絡表示為G= {1\，T2,T3，...，TJ;其中對於網絡G= (V，E)，其中V表示網絡中 所有主體（用戶）集合，E表示所有主體間存在的連結關係集合；
[0009] (2)統計兩兩主體的時序動作特徵向量Edge_Vector( ·)，並對主體的時序特徵向 量Edge_Vector(·)內所有元素求和，從而得到主體間的連結關係的時序權重w(u，v);
[0010] ⑶分別對異構網絡Gs= (Vs，Es)、Gt= (Vt，Et)採用步驟⑴（2)的方法獲得網絡 主體之間的時序權重ws、Wt，通過計算Gs、Gt中重疊的用戶即同時存在於兩個網絡中的主體 v，VeVjVeVt，從而將Gs、Gt網絡組合成Gnew;
[0011] (4)以最小路徑權重和為原則米用最短路徑Dijkstra算法，計算網絡Gnew中主體 間的最短時序權重路徑；根據最短時序權重路徑所屬的連結關係從而構成最短關係路徑 Shortest_Relation-Path;
[0012] (5)預測異構網絡Gnew中主體之間潛在的社會關係概率，根據已知的異構網 絡Gne中的主體u和主體V之間的最短關係路徑Shortest_Relation_Path(u,V)= (R1,R2,R1)，採用HeteFlow方法計算u和V間社會關係的概率；
[0013] (6)基於給定閾值δ判斷異構網絡主體u和V之間的社會關係，主體u和V之間 的社會關係概率大於設定閾值S，則存在關係，否則不存在關係。
[0014] 按照本發明的另一方面，還提供了一種多源異構網絡中社會關係的預測系統， 包括網絡劃分模塊、時序權重計算模塊、網絡組合模塊、最短路徑計算模塊、社會關係概 率計算模塊以及社會關係預測模塊，其中：所述網絡劃分模塊，用於對網絡G= (V，E) 按照相等的時間片長度分別進行劃分，分成η個時間片快照，整個網絡表示為G= IT1,T2,T3,…，TJ;其中對於網絡G= (V，Ε)，其中V表示網絡中所有主體（用戶）集合，E 表示所有主體間存在的連結關係集合；
[0015] 所述時序權重計算模塊，用於統計兩兩主體的時序動作特徵向量Edge_ Vector( ·)，並對主體的時序特徵向量Edge_Vector( ·)內所有元素求和，從而得到主體間 的連結關係的時序權重w (U, V);
[0016] 所述網絡組合模塊，用於分別對異構網絡1= (VS，ES)、Gt= (Vt，Et)採用網絡劃 分模塊及時序權重計算模塊獲得網絡主體之間的時序權重ws、wt，通過計算Gs、Gt中重疊的 用戶即同時存在於兩個網絡中的主體v，Ve入且VeVt，從而將Gs、Gt網絡組合成Gnew;
[0017]所述最短路徑計算模塊，用於以最小路徑權重和為原則採用最短路徑Dijkstra 算法，計算網絡Gnrat中主體間的最短時序權重路徑；根據最短時序權重路徑所屬的連結關 系從而構成最短關係路徑Shortest_Relation_Path;
[0018] 所述社會關係概率計算模塊，用於預測異構網絡Gnrat中主體之間潛在的社會關 系概率，根據已知的異構網絡Gnew中的主體u和主體V之間的最短關係路徑Shortest_Relation_Path(u,v) = (R1,R2, · · ·，R1)，採用HeteFlow方法計算u和V間社會關係的概率； [0019] 所述社會關係預測模塊，用於基於給定閾值δ判斷異構網絡主體u*v之間的社 會關係，主體u和V之間的社會關係概率大於設定閾值δ，則存在關係，否則不存在關係。
[0020] 通過本發明所構思的以上技術方案，與現有技術相比，本發明具有以下的有益效 果：
[0021] (1)靈活高效性：因為採用了步驟（1)，所以該方法不僅適用於靜態不變的拓撲結 構，而且還可以應用到網絡動態演變拓撲結構；由於採用了步驟（3)，系統會根據自身的網 絡組成和特性自動調整其拓撲結構，不僅僅是針對於同構網絡而使得異構網絡關係預測具 有普遍適用性，且主體的類型不在受限即針對於不同的主體類型或者相同主體類型都能靈 活使用；
[0022] (2)自適應性：由於採用了步驟（2)，使用了根據時序權重特性下主體間最短時序 路徑特性，使得在處理的過程中自適應式的將時間對關係的影響考慮在範圍內，並且根據 關係動作而自行調整而不需要人工幹預，只需在初始化階段之前制定好需要的參數（如時 序關係動作值等），這樣系統在後面的運行過程中針對所有獲取的結果自動調整操作。

【專利附圖】

【附圖說明】
[0023] 圖1是本發明多源異構網絡主體社會關係預測方法的流程圖。
[0024] 圖2是本發明步驟⑴的細化流程圖。
[0025] 圖3是本發明步驟（3)的細化流程圖。
[0026] 圖4為影響最大化的加權級聯圖。

【具體實施方式】
[0027] 為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對 本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，並 不用於限定本發明。此外，下面所描述的本發明各個實施方式中所涉及到的技術特徵只要 彼此之間未構成衝突就可以相互組合。
[0028] 本發明針對於社會網絡演變過程中主體的關係建立存在的問題，提出了一套基於 多源異構網絡推斷主體之間社會關係的方法。它綜合考慮了隨著時間演變主體之間關係權 重的微弱變化，並利用不同異構網絡中重疊的主體通過網絡的拓撲關係路徑組合的方式， 使得兩個不同異構網絡主體相互關聯從而發現異構網絡主體之間潛在的社會關係。首先對 本發明中涉及到的名詞和術語進行說明和解釋：
[0029] 社交網絡節點關係預測是指通過已知的社交網絡結構等信息，如何預測網絡中尚 未存在連邊的兩個節點之間產生連接的可能性。而預測未來可能產生的連邊則與網絡的演 化相關。傳統的方法是基於機器學習的，雖然能夠得到較高的預測精度，但是由於計算的復 雜度以及非普適性使其應用範圍受到限制，也存在著如下問題：1)目前針對網絡主體關係 的研宄著重於同構網絡中，但現實中大部分的網絡是異構類型的，譬如用戶商品推薦網絡、 DBLP網絡等；2)在社交網絡中進行關係預測時，單個網絡的數據稀疏性仍是很大的挑戰；
[0030] 同構網絡是指：網絡中所有主體類型相同，所有主體的關係類型也相同。
[0031] 異構網絡是指：網絡中主體類型多種或者主體的關係類型多種。例如：商品推薦 網絡主體類型有用戶、商品等，主體關係類型有用戶購買商品、商品被用戶購買等；DBLP網 絡中主體類型有作者、會議、論文、關鍵詞，而主體的關係類型有作者發表論文、論文被會議 錄用、論文中包含有關鍵詞等。
[0032] 為了能夠實現預測異構社會網絡主體之間的社會關係，如圖1所示，本發明提供 了一種基於多源異構網絡主體間社會關係的預測方法，主要包括以下步驟：
[0033] 對於網絡G= (V，E)，其中V表示網絡中所有主體（用戶）集合，E表示所有主體 間存在的連結關係集合。定義三種連結關係的動作特徵：創建（e)、保留（c)、取消（r)，並 分別初始化e，c，r為-1、-0. 5、2,表示在不同時間片中網絡主體（用戶）之間連結關係的 動作狀態。
[0034] 如採用E(〇、C(*)、R(·)記錄主體（用戶）之間連結關係的動作狀態結果，則 E(u,V，k)，C(u,V，k)，R(u,V，k)分別表示時間片k內主體（用戶）之間的創建、保留、取消 連結關係的動作狀態結果。其時序特徵的形式化表達如下：
[0035]

【權利要求】
1. 一種多源異構網絡中社會關係的預測方法，其特徵在於，所述方法包括如下步驟： (1)對網絡G= (V，E)按照相等的時間片長度分別進行劃分，分成n個時間片快照，整個網 絡表示為G= (m...，!；）；其中對於網絡G= (V，E)，其中V表示網絡中所有主體（用 戶）集合，E表示所有主體間存在的連結關係集合； (2)統計兩兩主體的時序動作特徵向量Edge_Vector( ?)，並對主體的時序特徵向量 Edge_Vector(*)內所有元素求和，從而得到主體間的連結關係的時序權重w(u，v); (3) 分別對異構網絡&= (Vs，Es)、Gt= (Vt，Et)採用步驟⑴⑵的方法獲得網絡主 體之間的時序權重ws、wt，通過計算Gs、Gt中重疊的用戶即同時存在於兩個網絡中的主體V， vGVs且vGVt，從而將Gs、Gt網絡組合成Gnew; (4)以最小路徑權重和為原則米用最短路徑Di jkstra算法，計算網絡Gnew中主體 間的最短時序權重路徑；根據最短時序權重路徑所屬的連結關係從而構成最短關係路徑 Shortest_Relation-Path ; (5) 預測異構網絡GnOT中主體之間潛在的社會關係概率，根據已知的異構網絡GM中的 主體u和主體v之間的最短關係路徑Shortest_Relation_Path(u,v)=況，R2，…，札），採 用HeteFlow方法計算u和v間社會關係的概率； (6) 基於給定閾值S判斷異構網絡主體u和v之間的社會關係，主體u和v之間的社 會關係概率大於設定閾值S，則存在關係，否則不存在關係。
2. 如權利要求1所述的方法，其特徵在於，所述步驟（1)中定義的三種連結關係的動作 特徵具體為： 創建（e)、保留（c)、取消（r)，並分別初始化e，c，i為_1、-0.5、2,用於表示在不同時間 片中網絡主體之間連結關係的動作狀態； 採用E( ?)、（：（?）、!?（?）記錄主體之間連結關係的動作狀態結果，則E(u，v，k)，C(u，v，k)，R(u，v，k)分別表示時間片k內主體（用戶）之間的創建、保留、取消連結關係的 動作狀態結果；其時序特徵的形式化表達如下：
3. 如權利要求1或2所述的方法，其特徵在於，所述步驟（2)具體包括如下子步驟： (2-1)統計網絡G中任意兩主體之間的連結關係在n個時間片內所有的動作狀態集合， 即時序動作特徵向量Edge_Vector(*); (2-2)將主體的時序特徵向量Edge_Vector(〇中所有元素求和得到主體間連結關 系的時序權重w(u，v);對於時序特徵向量Edge_Vector(u，v)中的第k個向量元素Edge_ Vector(u,v) [k]，具體採用如下的公式計算時序權重：
4. 如權利要求1或2所述的方法，其特徵在於，所述步驟（4)具體包括如下子步驟： (4-1)初始化主體u到主體集合V中任意主體k的路徑權重weight為極大值，將主體 集合V中任意主體k的先前主體prev(k)設置為空，源主體u路徑權重weight的初始值為 〇 ； (4-2)將集合V中所有主體的路徑權重值存放在優先隊列H內，並按路徑權重值大小 排列；只要優先隊列H不為空，則首先查找最小的路徑權重節點p，並從優先隊列H中刪除 該主體P及其路徑權重weight;然後在連結關係集合E中，對於與主體p有連結關係的所 有主體q，計算主體p的路徑權重與時序權重路徑w(p,q)之和；並將該和與主體q的路徑 權重比較大小；若優先隊列H中主體q的路徑權重略高，則採用主體p的路徑權重與時序權 重路徑w(p，q)之和進行替換；然後重置主體q的先前主體為P，並更新優先隊列H中主體q 的路徑權重；如此循環迭代優先隊列H為空； (4-3)從目標主體v開始，使用先前主體方法獲取主體v的先前主體k;如果先前主體k不是源主體u，則將主體k與v的連結關係類型R保存到關係路徑矩陣Shortest_Relation_ Path;並將主體k設置為目標主體v，再根據先前主體方法更新先前主體k，如此逆序向前 直到找到源主體u循環停止；否則直接將主體u和v之間的連結關係類型保存到關係路徑 Shortest_Relation_Path中。
5. 如權利要求1或2所述的方法，其特徵在於，所述步驟（5)具體包括如下子步驟： (5-1)採用寬度搜索的方式，結合影響最大化中加權級聯的方法，獲取主體u對其鄰居 V的影響概率flow(u,v)，將主體u的信息值score(u)、主體u和v的時序權重w(u,v)及主 體u的度d(u)作為輸入，計算出主體u到v的影響概率flow(u,v);其具體公式描述為：
(5-2)根據主體節點u及主體u和v之間的最短關係路徑向量Shortest_Relation_Path(u,v)，查找關係路徑Shortest_Relation_Path(u,v)中的第一個連結關係類型R1;然 後計算出以&為連結關係類型並從主體u出發的出度OOilRi);再統計出所有從主體u出 發並經過&連結關係類型而到達的主體節點集合P= {Pl，P2，...Pm};最後計算從主體u到 集合P中任一主體Pi的影響概率值flow(u,pi); (5-3)根據主體節點v及主體u和v之間的最短關係路徑向量Shortest_Relation_Path(u,v)，查找關係路徑Shortest_Relation_Path(u,v)中的最後一個連結關係類型R1; 然後計算出以&為連結關係類型併到達主體v的入度I(v|R〇 ;再以&連結關係類型統計 出所有到達主體v的主體節點集合Q={qpq2,. . .qk};最後計算出從Q內任一主體q』到主 體v的影響概率值flow(q』,V); (5-4)採用步驟（5-2)獲得主體u到集合P中任一主體Pi的影響概率值flow(u，pJ; 採用步驟（5-3)得到Q內任一主體qj到主體v的影響概率值flow(q』，v);並將影響概率 flow(u,pD、flow(qj,v)求和；判斷主體口1與q』是否相同，相同則表示主體p1與q』為同一 主體節點，跳轉到步驟（6); (5-5)將主體u重置為主體Pi，主體v重置為主體％重複步驟（5-2);具體公式為：
6. -種多源異構網絡中社會關係的預測系統，其特徵在於，所述系統包括網絡劃分模 塊、時序權重計算模塊、網絡組合模塊、最短路徑計算模塊、社會關係概率計算模塊以及社 會關係預測模塊，其中：所述網絡劃分模塊，用於對網絡G= (V，E)按照相等的時間片長度 分別進行劃分，分成n個時間片快照，整個網絡表示為G= {m...，!；};其中對於網 絡G= (V，E)，其中V表示網絡中所有主體（用戶）集合，E表示所有主體間存在的連結關 系集合； 所述時序權重計算模塊，用於統計兩兩主體的時序動作特徵向量Edge_Vector(?)，並 對主體的時序特徵向量Edge_Vector(?)內所有元素求和，從而得到主體間的連結關係的 時序權重w(u，v); 所述網絡組合模塊，用於分別對異構網絡&= (Vs，Es)、Gt= (Vt，Et)採用網絡劃分模 塊及時序權重計算模塊獲得網絡主體之間的時序權重ws、wt，通過計算Gs、Gt中重疊的用戶 即同時存在於兩個網絡中的主體v，vG入且vGVt，從而將Gs、Gt網絡組合成Gn"; 所述最短路徑計算模塊，用於以最小路徑權重和為原則採用最短路徑Dijkstra算法， 計算網絡GnOT中主體間的最短時序權重路徑；根據最短時序權重路徑所屬的連結關係從而 構成最短關係路徑Shortest_Relation_Path ; 所述社會關係概率計算模塊，用於預測異構網絡GnOT中主體之間潛在的社會關係概率， 根據已知的異構網絡Gnew中的主體u和主體v之間的最短關係路徑Shortest_Relation_ Path (u, v)=況，R2,? ? ?，札），採用HeteFlow方法計算u和v間社會關係的概率； 所述社會關係預測模塊，用於基於給定閾值S判斷異構網絡主體u和v之間的社會關 系，主體u和v之間的社會關係概率大於設定閾值S，則存在關係，否則不存在關係。
7. 如權利要求6所述的系統，其特徵在於，所述網絡劃分模塊中定義的三種連結關係 的動作特徵具體為： 創建（e)、保留（c)、取消（r)，並分別初始化e，c，i為_1、-0.5、2,用於表示在不同時間 片中網絡主體之間連結關係的動作狀態； 採用E( ?)、（：（?）、!?（?）記錄主體之間連結關係的動作狀態結果，則E(u，v，k)，C(u，v，k)，R(u，v，k)分別表示時間片k內主體（用戶）之間的創建、保留、取消連結關係的 動作狀態結果；其時序特徵的形式化表達如下：

8. 如權利要求6或7所述的系統，其特徵在於，所述時序權重計算模塊具體包括時序動 作特徵向量統計子模塊和時序權重計算子模塊，其中： 所述時序動作特徵向量統計子模塊，用於統計網絡G中任意兩主體之間的連結關係在n個時間片內所有的動作狀態集合，即時序動作特徵向量Edge_Vector( ?); 所述時序權重計算子模塊，用於將主體的時序特徵向量Edge_Vector( ?)中所有元素 求和得到主體間連結關係的時序權重w(u,v);對於時序特徵向量Edge_Vector(u,v)中的 第k個向量元素Edge_Vector(u,v) [k]，具體採用如下的公式計算時序權重：
9. 如權利要求6或7所述的系統，其特徵在於，所述最短路徑計算模塊具體包括權重值 初始化子模塊、路徑權重計算子模塊以及最短路徑生成子模塊，其中： 權重值初始化子模塊，用於初始化主體u到主體集合V中任意主體k的路徑權重weight為極大值，將主體集合V中任意主體k的先前主體prev(k)設置為空，源主體u路徑 權重weight的初始值為0 ; 所述路徑權重計算子模塊，用於將集合V中所有主體的路徑權重值存放在優先隊列H內，並按路徑權重值大小排列；只要優先隊列H不為空，則首先查找最小的路徑權重節點p， 並從優先隊列H中刪除該主體p及其路徑權重weight;然後在連結關係集合E中，對於與 主體P有連結關係的所有主體q，計算主體P的路徑權重與時序權重路徑w(p,q)之和；並 將該和與主體q的路徑權重比較大小；若優先隊列H中主體q的路徑權重略高，則採用主體 P的路徑權重與時序權重路徑w(p，q)之和進行替換；然後重置主體q的先前主體為p，並更 新優先隊列H中主體q的路徑權重；如此循環迭代優先隊列H為空； 所述最短路徑生成子模塊，用於從目標主體v開始，使用先前主體方法獲取主體v的先 前主體k;如果先前主體k不是源主體u，則將主體k與v的連結關係類型R保存到關係路 徑矩陣Shortest_Relation_Path;並將主體k設置為目標主體V，再根據先前主體方法更新 先前主體k，如此逆序向前直到找到源主體u循環停止；否則直接將主體u和v之間的連結 關係類型保存到關係路徑Shortest_Relation_Path中。
10. 如權利要求6或7所述的系統，其特徵在於，所述步驟社會關係概率計算模塊具體 包括影響概率計算子模塊、第一路徑影響概率值計算子模塊、第二路徑影響概率值計算子 模塊、相同主體判斷子模塊以及迭代計算子模塊，其中： 所述影響概率計算子模塊，用於採用寬度搜索的方式，結合影響最大化中加權級聯的 方法，獲取主體u對其鄰居v的影響概率flow(u,v)，將主體u的信息值score(u)、主體 u和v的時序權重w(u,v)及主體u的度d(u)作為輸入，計算出主體u到v的影響概率 f low(u,v);其具體公式描述為：
所述第一路徑影響概率值計算子模塊，用於根據主體節點U及主體U和V之間的最 短關係路徑向量Shortest_Relation_Path(u，v)，查找關係路徑Shortest_Relation_ Path(u，v)中的第一個連結關係類型R1;然後計算出以Ri為連結關係類型並從主體u出發 的出度OOilRi);再統計出所有從主體u出發並經過&連結關係類型而到達的主體節點集 合？={口14 2，..4!￡};最後計算從主體11到集合？中任一主體口1的影響概率值；^0￥(11，口） ； 所述第二路徑影響概率值計算子模塊，用於根據主體節點V及主體U和V之間的最 短關係路徑向量Shortest_Relation_Path(u，v)，查找關係路徑Shortest_Relation_ Path(u,v)中的最後一個連結關係類型R1;然後計算出以L為連結關係類型併到達主 體v的入度I(v|Ri);再以札連結關係類型統計出所有到達主體v的主體節點集合Q= {qpq2, . . .qk};最後計算出從Q內任一主體q』到主體v的影響概率值flow(q』，V); 所述相同主體判斷子模塊，用於利用第一路徑影響概率值計算子模塊獲得主體u到集 合P中任一主體Pi的影響概率值flow(u,pi)，以及第二路徑影響概率值計算子模塊獲得Q 內任一主體q」到主體v的影響概率值flow(q」，V);並將影響概率flow(u,pD、flow(q」，V) 求和；判斷主體？1與q」是否相同，相同則表示主體P1與q」為同一主體節點，跳轉到所述社 會關係預測模塊； 所述迭代計算子模塊，用於將主體u重置為主體Pi，主體v重置為主體％並轉第一路 徑影響概率值計算子模塊；具體公式為：
【文檔編號】G06F17/30GK104484365SQ201410734192
【公開日】2015年4月1日 申請日期:2014年12月5日 優先權日:2014年12月5日
【發明者】金海 , 餘辰, 李瑞丹, 姚德中 申請人:華中科技大學