一種社交網絡中用戶屬性的預測方法及系統的製作方法
2023-12-03 19:54:26 2
一種社交網絡中用戶屬性的預測方法及系統的製作方法
【專利摘要】本發明提供一種社交網絡中用戶屬性的預測方法及系統，所述方法包括：統計一段時間內每個時刻對用戶影響力最大的N個好友，其中N為正整數；以及根據每個時刻對用戶影響力最大的N個好友在每個時刻的屬性來預測將來時刻所述用戶的屬性。在地理位置社交網絡數據集上的實驗數據表明，本發明提供的社交網絡中用戶屬性的預測方法及系統可提高用戶屬性預測的準確性。
【專利說明】—種社交網絡中用戶屬性的預測方法及系統
【技術領域】
[0001]本發明涉及預測社交網絡中用戶屬性的技術，尤其涉及一種社交網絡中用戶地理位置的預測方法及系統。
【背景技術】
[0002]社交網絡,又稱社交網絡服務(Social Networking Service,簡稱SNS),其主要作用是為一群擁有相同興趣與活動的人創建在線社區。這類服務往往是基於網際網路，為用戶提供各種聯繫和交流的交互通路，如電子郵件、實時消息服務等。多數社交網絡會提供多種讓用戶交互起來的方式，包括聊天、寄信、影音、文件分享、博客、討論組群等，社交網絡為信息的交流與分享提供了新的途徑。社交網絡的網站一般擁有數百萬的登記用戶，使用社交網絡服務已成為用戶每天生活不可或缺的一部分。
[0003]在社交網絡(例如Twitter, Facebook和Gollwala等)中預測用戶的屬性,在近年來受到很大關注。這是因為預測用戶的屬性很有意義，以用戶的地理位置為例，預測用戶的地理位置對基於地理位置的推送服務很有幫助，如疾病預防和控制、個人帳戶安全，以及人口統計分析等等。目前，如果每個用戶公開他們的屬性，通常可以基於用戶好友的影響力以及好友的屬性來預測該用戶在未來某個時間的屬性。本文中，屬性指那些在外界因素的影響下可動態變化的屬性，如用戶位置、興趣、情感、觀點和行為(如在線購物，投票)等。對於地理位置屬性，現有技術通常是基於用戶在移動行為上的相似性來定義用戶影響力的，但其均沒有考慮到好友影響力會隨時間發生變化，這導致最終預測的用戶位置準確性較低。
【發明內容】
[0004]為解決現有預測技術中存在的問題，根據本發明的一個實施例，提供一種社交網絡中用戶屬性的預測方法，所述方法包括:
[0005]步驟I)、統計一段時間內每個時刻對用戶影響力最大的N個好友，其中N為正整數；
[0006]步驟2)、根據每個時刻對用戶影響力最大的N個好友在每個時刻的屬性來預測將來時刻所述用戶的屬性。
[0007]在一個實施例中，步驟I)包括:
[0008]步驟11)、對於一段時間內的每個時刻，通過計算好友對所述用戶在所述屬性的一個或多個方面的影響力，得到該好友對所述用戶在該時刻的影響力；
[0009]步驟12)、選擇每個時刻對用戶影響力最大的N個好友。
[0010]在進一步的實施例中，在步驟11)中，利用下式得到好友V對所述用戶u在^時刻的影響力:
[0011]
【權利要求】
1.一種社交網絡中用戶屬性的預測方法，其中所述屬性是在外界因素影響下動態變化的屬性，所述方法包括: 步驟I)、統計一段時間內每個時刻對用戶影響力最大的N個好友，其中N為正整數；步驟2)、根據每個時刻對用戶影響力最大的N個好友在每個時刻的屬性來預測將來時刻所述用戶的屬性。
2.根據權利要求1所述的方法，其中，步驟I)包括: 步驟11 )、對於一段時間內的每個時刻，通過計算好友對所述用戶在所述屬性的一個或多個方面的影響力，得到該好友對所述用戶在該時刻的影響力； 步驟12)、選擇每個時刻對用戶影響力最大的N個好友。
3.根據權利要求2所述的方法，在步驟11)中，利用下式得到好友V對所述用戶u在\時刻的影響力:
4.根據權利要求3所述的方法，其中，根據以下步驟獲得所述屬性的第j個方面的權重Wj: 步驟A)、初始化權重向量w為任意的m元組,其中m是針對所述屬性考慮的方面個數； 步驟B)、計算\時刻好友對所述用戶的影響力； 步驟C)、根據\時刻好友對所述用戶的影響力計算隨機遊走轉移概率矩陣仏，其中，
5.根據權利要求1-4中任何一個所述的方法，在步驟2)中，根據下式得到在將來時刻所述用戶的屬性:
6.根據權利要求2-4中任何一個所述的方法，其中所述屬性為地理位置。
7.根據權利要求6所述的方法，在步驟11)中，好友對所述用戶在所述屬性的一個或多個方面的影響力包括下列的一個或多個: 好友對所述用戶的動態影響力，該動態影響力是由所述用戶距離自己家的距離和所述用戶距離好友家的距離確定的； 好友對所述用戶的空間影響力，該空間影響力是由所述用戶與好友的籤到位置軌跡的相似性確定的；以及 好友對所述用戶的時間影響力，該時間影響力是由所述用戶和好友的籤到行為的相似性確定的。
8.根據權利要求7所述的方法，在步驟11)中，利用下式計算在\時刻好友V對所述用戶u的動態影響力(i/，V):
9.根據權利要求7所述的方法，在步驟11)中，計算在\時刻好友V對所述用戶u的空間影響力S (〃，v)包括: 步驟a)、計算在\時刻前所述用戶籤到位置的中心集合Cu，以及好友籤到位置的中心集合Cv; 步驟b)、根據中心集合Cu和Cv，分別定義籤到位置的分布為多中心的所述用戶u和好友V的高斯分布函數； 步驟C)、利用下式計算在\時刻好友V對所述用戶u的空間影響力
10.根據權利要求9所述的方法，在步驟a)中，計算在\時刻前所述用戶籤到位置的中心集合Cu包括: 根據訪問頻率對ti時刻前所述用戶u的籤到位置集合中所有籤到位置進行排序，選取訪問次數最多的位置； 將訪問次數最多的籤到位置與其他籤到位置進行對比，若兩者之間的距離不小於預定閾值d，則將進行對比的籤到位置記錄下來； 在所記錄的籤到位置中，將籤到次數與所述用戶u籤到總數的比例大於閾值Θ的籤到位置放入Cu中。
11.根據權利要求7所述的方法，在步驟11)中，計算在t時刻好友V對所述用戶u的時間影響力T1 V)包括: 步驟i)、統計所述用戶U和好友V在ti時刻之前的所有籤到位置和籤到時刻； 步驟ii)、兩兩計算在\時刻之前所述用戶u的每次籤到位置和好友V的每次籤到位置之間的距離玖Aw -U，並且兩兩計算在ti時刻之前所述用戶U的每次籤到時刻與好友V的每次籤到時刻之間的時間差？其中表示所述用戶U在ti時刻之前的第j個籤到位置，C U表示所述好友V在\時刻之前的第k個籤到位置T ,表示所述用戶u在\時刻之前第j個籤到的時刻，TvA'k轟示好友v在ti時刻之前第k個籤到的時刻；步驟iii)、利用下式計算在\時刻好友V對所述用戶u的時間影響力Ku'):
12.—種社交網絡中用戶屬性的預測系統，其中所述屬性是在外界因素影響下動態變化的屬性，所述系統包括:統計模塊，用於統計一段時間內每個時刻對用戶影響力最大的N個好友，其中N為正整數； 預測模塊，用於根據每個時刻對用戶影響力最大的N個好友在每個時刻的屬性來預測將來時刻所述用戶的屬性。
【文檔編號】G06F19/00GK103745105SQ201410005723
【公開日】2014年4月23日 申請日期:2014年1月6日 優先權日:2014年1月6日
【發明者】程學旗, 賈巖濤, 王元卓, 張澤慧, 馮凱 申請人:中國科學院計算技術研究所