一种智能人脉关系分析建模方法、终端设备及存储介质技术

本发明专利技术涉及一种智能人脉关系分析建模方法、终端设备及存储介质，该方法包括以下步骤：S100：根据用户行为所体现的用户之间联系强弱的程度，将用户之间的关系划分n个维度，并根据用户的空间关系、时间关系和直接关系建立人脉分析模型；S200：通过机器学习建模，确定模型中的直接关系权重、维度权重、空间维度权重和时间维度权重，进而确定最终的人脉分析模型。本发明专利技术摈弃了传统的单一因素分析方式，在建立人脉分析模型的基础上进行机器学习模型算法的调优，构建了一个高准确度的人脉分析模型，再以数据为基础，不仅支持分析维度的动态拓展，更能将分析结果反向作用于模型构建的过程，得出精准的人脉关系网络。

【技术实现步骤摘要】
一种智能人脉关系分析建模方法、终端设备及存储介质
本专利技术涉及计算机网络
，尤其涉及一种智能人脉关系分析建模方法、终端设备及存储介质。
技术介绍
现在有一些对人脉关系的分析，很多是停留在简单的二度人脉分析，而这种分析，是基于用户之间简单直观的好友(关注)关系之间的分析，或者是自定义简单的模型来分析用户之间的紧密度，得出的分析结果也就是简单的人脉关系。这种分析结果只是体现了用户之间存在关系，而对于用户之间存在的关系定义也是片面的，单向的，没有用真实的结果反向作用于定义。也就是目前的人脉分析维度单一，没有对关系进行深度挖掘，分析结果没有反向作用于定义，仅仅凭借单向定义，不能从实际出发，进行准确分析，提供的分析结果无法满足现在很多业务对人脉关系中关系深层次、高准确的要求，要满足这些业务需求，就必须要对人脉关系进行深度、机器学习的智能化分析。目前存在一些对人脉关系进行分析的方法或者应用，但是局限性太大，仅仅是对某个系统或者应用的注册用户的基本信息进行人脉分析，得出的人员分析结果必然也是存在局限性的，也就是数据源的局限导致了分析结果的局限。
技术实现思路
为解决上述问题，本专利技术提供了一种智能人脉关系分析方法、终端设备及存储介质，构建一个高准确度的、可扩展的人脉分析模型。具体方案如下：一种智能人脉关系分析建模方法，包括以下步骤：S100：设定人脉分析模型为：ri(p)＝ai·p，ti(q)＝bi·q其中，s为直接关系权重；x为直接关系系数，设定当有直接关系时，x＝1，当没有直接关系时，x＝0；n为维度数，i为自然数，且1≤i≤n；p为空间关系系数；ai为空间维度权重；q为时间关系系数；bi为时间维度权重，ci为维度权重；其中，维度的设立方法为：根据用户行为所体现的用户之间联系强弱的程度，将用户之间的关系划分n个维度；S200：通过机器学习建模，确定模型中的直接关系权重s、维度权重ci、空间维度权重ai和时间维度权重bi，进而确定最终的人脉分析模型。进一步的，所述直接关系为好友或关注关系。进一步的，所述时间关系系数为交互次数。进一步的，所述空间关系系数根据国、省、市、区四个区域设定。进一步的，步骤S200包括：S201：采集数据样本建立训练数据集；S202：通过机器学习算法交叉验证，确定模型的最佳超参数。一种智能人脉关系分析终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本专利技术实施例上述方法的步骤。一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现本专利技术实施例上述方法的步骤。本专利技术采用如上技术方案，并具有有益效果：摈弃了传统的单一因素分析方式，在建立人脉分析模型的基础上进行机器学习模型算法的调优，构建了一个高准确度的人脉分析模型，再以数据为基础，不仅支持分析维度的动态拓展，更能将分析结果反向作用于模型构建的过程，得出精准的人脉关系网络。附图说明图1所示为本专利技术实施例一的流程图。具体实施方式为进一步说明各实施例，本专利技术提供有附图。这些附图为本专利技术揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本专利技术的优点。现结合附图和具体实施方式对本专利技术进一步说明。实施例一：如图1所示，本专利技术实施例一提供了一种智能人脉关系分析方法，该方法为：根据用户的文件相似度、签批处理信息相似度、流程相似度三个主要计算指标和辅助计算指标来选择下一节点被推荐用户。S100：建立人脉分析模型为：ri(p)＝ai·p，ti(q)＝bi·q其中，s为直接关系权重；x为直接关系系数，设定当有直接关系时，x＝1，当没有直接关系时，x＝0；n为维度数，i为自然数，且1≤i≤n；p为空间关系系数；ai为空间维度权重；q为时间关系系数(次数)；bi为时间维度权重，ci为维度权重。现针对上述参数进行说明：(1)s·x为根据用户之间的直接关系设定的，由于直接关系在人脉关系中所占的比重较大，在人脉关系中的价值较高，因此将其单独列出。所述直接关系如好友关系、关注关系等等，其在不同的交互软件中可能有各种不同的表示形式，因为该直接关系是绝对的，只有有和没有，因此其关系系数只有两个极限值，即设定当有直接关系时，x＝1，当没有直接关系时，x＝0。而针对该直接关系所给出的权重是模型中需要设定的参数，由于其价值相对较高，因此在模型的初始参数设定时，可以将其设为较高的值，如10。(2)根据用户行为所体现的用户之间联系强弱的程度，将用户之间的关系划分n个维度。每个维度均包括维度权重ci、时间加权ti和空间加权ri，a、所述维度权重根据用户行为所体现的用户之间联系强弱的程度来设定，当该用户行为所体现的用户之间联系强弱的程度较高时，设定其维度权重ci的值越大，当该用户行为所体现的用户之间联系强弱的程度较低时，设定其维度权重ci的值越小。比如，“@某个用户”相比于“评论某个用户”用户之间联系强弱的程度较高，因此设定“@某个用户”行为的维度权重1，高于“评论某个用户”行为的维度权重0.8。b、所述时间加权包括时间关系系数和时间维度权重。所述时间关系系数在社交关系中往往表现为交互次数，如“@某个用户”行为进行了几次，“评论某个用户”行为进行了几次。所述时间维度权重与上述的维度权重的设定方式类似，也根据用户行为所体现的用户之间联系强弱的程度来设定，如：将“@某个用户”行为的时间维度权重设为1，将“评论某个用户”行为的时间维度权重设为0.8。c、所述空间加权包括空间关系系数和空间维度权重。所述空间关系系数在社交关系中往往表现为用户所在区域，如国、省、市、区，随着区域越来越小，空间关系系数越来越大，如同一国家的空间关系系数为1，同一省的空间关系系数为2，同一市的空间关系系数为3，同一区的空间关系系数为4。上述空间关系的系数可以根据情况进行扩展和修改，如增加同一街道、小区等等，相应的参数也可以根据经验和统计的数据进行适当调整。所述空间维度权重与上述的维度权重和时间维度权重的设定方式类似，也根据用户行为所体现的用户之间联系强弱的程度来设定，如，将“@某个用户”行为的空间维度权重设为1，将“评论某个用户”行为的空间维度权重设为0.8。需要说明的是，本实施例的人脉分析模型支持了维度的扩展，如果说现在分析的维度中，又多出了一个维度，例如：某个板块下新增了一个留言板的功能，那么对于这个新增模块可以定义为新增了一个维度，那么只需要配置新增维度的权重，再次通过机器学习重新构建分析模型即可，多一个维度，对于分析产生的结果将会提供更大的帮助，分析模型越优化，分析结果越接近于真实，这样分析出的人脉关系才会越接近实际。S200：通过机器学习建模，确定人脉分析模型的直接关系权重s、维度权重ci、空间维度权重ai和时间维度权重bi，进而确定最终的人脉分析模型。由于上述建立的模型的参数只是预设的参数，而不同的参数会影响模型最终的效果，因此需要通过机器学习来确认模型中的参数，使模型最契合我们想要的结果。所述机器学习的算法可以为常用的算法即可，如神经网络模型算法。S201：采集数据样本建立训本文档来自技高网...

【技术保护点】
1.一种智能人脉关系分析建模方法，其特征在于，包括以下步骤：S100：设定人脉分析模型为：

【技术特征摘要】
1.一种智能人脉关系分析建模方法，其特征在于，包括以下步骤：S100：设定人脉分析模型为：ri(p)＝ai·p，ti(q)＝bi·q其中，s为直接关系权重；x为直接关系系数，设定当有直接关系时，x＝1，当没有直接关系时，x＝0；n为维度数，i为自然数，且1≤i≤n；p为空间关系系数；ai为空间维度权重；q为时间关系系数；bi为时间维度权重，ci为维度权重；其中，维度的设立方法为：根据用户行为所体现的用户之间联系强弱的程度，将用户之间的关系划分n个维度；S200：通过机器学习建模，确定模型中的直接关系权重s、维度权重ci、空间维度权重ai和时间维度权重bi，进而确定最终的人脉分析模型。2.根据权利要求1所述的智能人脉关系分析建模方法，其特征在于：所述直接关系为好友或关注关系。3.根据权利要求1...

【专利技术属性】
技术研发人员：徐浩然，齐战胜，周海涛，
申请(专利权)人：厦门市美亚柏科信息股份有限公司，
类型：发明
国别省市：福建,35