一种基于时间要素的优质节点探测方法技术

本发明专利技术公开了一种基于时间要素的优质节点探测方法，本发明专利技术主要包括社交网络中基于时间要素的优质节点属性的特征提取规则的建立，基于时间要素的节点属性的优质度分类，与时间序列相关联的优质节点探测模型的建立与节点排名关系，及基于时间序列的探测模型的衍化预测。其中，模型的建立主要用于描述已提取特征规则基于时间要素的节点属性，对节点属性建立时间序列特征库以识别随机样本节点的优质程度，之后对已识别节点进行排名并归类，最后对已识别节点随着时间的推移可能出现的衍化过程进行预测，以印证基于时间要素的优质节点探测方法的准确性。

A high quality node detection method based on time factor

The invention discloses a detection method based on time quality node elements, the invention mainly includes the establishment of quality characteristics of the time element node attribute extraction rules based on social networks, quality of classification of node attributes the time element based on correlation and time series model establishment and node detection of high quality nodes linked ranking relationship. And the detection model of time series prediction based on the derivation of. The model is mainly used to describe the feature extraction rules based on node attribute time factor, quality level to identify the random sample node to node properties to establish the time series feature library, then the identified nodes are ranked and classified. At the end of the day were identified with the evolution time possible prediction in order to prove the accuracy of detection method based on high quality elements of the node time.

【技术实现步骤摘要】
一种基于时间要素的优质节点探测方法
本专利技术属于社交网络中关键节点探测技术范畴，涉及一种基于时间要素的优质节点探测方法。
技术介绍
近几年来，由于社交网络的研究日趋热门，基于社交网络平台上的探测和发现优质用户问题的研究也日益得到人们的重视。通过对这类用户的挖掘，可以和这些优质用户建立更直接的关联以获取蕴含的社会价值。例如，教师热衷于发现优秀的学生进行重点培养，商人热衷于发现优质的合作伙伴进行商业合作，金融行业热衷于发现优质的客户以实现经济价值，从业多年的HR善于发现优秀的人才来为企业服务等等。那么，作为一个具备敏锐眼光的观察者，他们又是凭借何种知识和经验去发现所在行业中的优质客户的呢？这些问题正是本专利所要解决的核心问题：通过提取目光敏锐观察者对优质用户发现的知识和经验为基础，从中提取优质用户所具备的特征建立关联规则和特征识别库。将观察者发现优质用户的问题引入到社交网络的研究领域中，以社交网络的图挖掘为理论依据，将该问题转化为社交网络中发现和探测优质节点的问题，从而形成了一套对该挑战性问题加以解决的方法体系。通过对国内外参考文献的阅读和研究现状的分析发现，以社交网络图挖掘知识建立模型，以发现优质节点的相关研究文献并不多见，与本专利紧密相关的参考文献就更难以寻觅。因此，本专利所要解决的问题，不仅在该问题所涉及的国内外研究现状中具有一定的创新性，而且在解决问题的方法、途径和思路上，更具有其独创性。通过涉猎与本专利相关的参考文献，涉及的主要研究问题和研究点可概括如下。其中，最佳消息发布时间：NemanjaSpasojevic等人规划出了一种叫做when-to-post的问题([文献1])，解决该类问题的目标是要找出社交网络中用户发布消息的最佳时间，从而值得听众的反馈概率达到最大化。为了让读者能够理解这个问题的复杂性，他们在发布消息反应时间方面考察了用户行为的变化情况，并比较了不同城市中的用户每周在Twitter和Facebook上跨网络和跨城市的反应行为。他们将这种分析思路用十亿条发布消息进行实施验证，观察听众的反应并提出了生成个性化发布计划的多种解决方法。双向影响力传播：RuiYan等人提出了通过影响力传播来平滑语言模型([文献2])，以达到解决社会网络中薄弱环节的目的。他们建立了一种双向社会化因素图模型，该模型利用文档对和文档背后的社会化增强网络二者之间的文本关联。例如，用户关系和社会互动。这些因素作为文档和他们通信作者中的属性和依赖关系而被建模。最后，他们基于估计的影响力传播词项给平滑后的文档。社交网络中的局部共校准：当前，人们通常参与到多种在线社交网路中同时共享多个社交网络富服务。除了共同的用户以外，社交网络能提供类似的服务。这些服务可以共享很多其它种类的信息实体。例如，位置，视频和产品。然而，这些在不同社交网络中共享的实体大都没有任何已知的对应关系而相互孤立。JiaweiZhang等人针对这些同时跨网络链接多种共享实体的潜在对应关系([文献3])，而在形式上，这类问题被称之为网络的“局部共校准”(PCT)问题。它是很多具体跨网络应用的先决条件，例如社会网络融合，多信息交换与传递。同时，局部共校准问题也由于下列原因而被认为是一种挑战性问题。包括：1、社交网络的异质性；2、建模所需的训练实例的缺乏；3、通信连接方面一对一的限制。为了解决这些挑战，他们提出了一种新的网络校准架构UNI-COAT(非监督型共校准)。基于异质信息，该架构将局部共校准问题转化为一个联合优化问题。为了解决这个目标函数，通信关系上的一对一限制被释放，而冗余非存在性相关连接将由一种新的网络共匹配算法被裁减。多社交网络学习和应用：人类生活在社交网络时代，全世界的人类由多个社交网络连接并组织起来。对于不同的社交网络而言，这种观点可能根据它们所提供服务的不同而有所差异。人们之间相互问候并从不同角度全面地描述了某个特定的用户。相对于单一来源传递的匮乏知识，多社交网络的恰当融合提供给本专利技术一个更好的机遇来进行深层次用户理解。然而，挑战与机遇并存。第一个挑战就是由于一些用户在某个社交网络中表现活跃而在另一些设计网络中表现不活跃而导致块丢失数据的存在。第二个挑战是如何协同的整合多个社交网络。为达到这个目的，XuemengSong等人通过对来自多源知识的无缝探索，提出了一种针对数据丢失实现的新模型([文献4])。然后，他们开发了一种鲁棒性的多社交网络学习模型。针对地位提升的用户移动性建模：随着智能手机和社交网络服务的激增，基于位置的社交网络日益被看作是一种为商业提升产品和服务的工具。Wen-YuanZhu等人研究了辅助商业提升地位的关键性技术([文献5])，这些技术能通过潜在基于位置的社交网络而明智地打广告。为了最大化地位提升的利益，他们把它标准化为一个基于位置社交网络中的影响力最大化问题。例如，给定一个目标位置和一个基于位置的社交网络，选取哪些用户作为初始用户才能达到让他们成功传播和吸引最多的用户来访问目标位置的目的。已存在的研究已经提出了各种方法来计算信息传递的概率。也就是说，在一个静态社交网络的配置中，一个用户可能怎样去影响另一个用户。然而，源于基于位置的社交网络中的传播概率带来了更多的挑战。因为目标位置和用户移动性是动态和查询依赖的，因此传播概率受到这二者的严重影响。Wen-YuanZhu等人提出了两种用户移动性模型([文献5])，分别命名为基于高斯的和基于距离的移动性模型，用于捕获单个基于位置社交网络用户的签到行为。而基于此，位置感知的传播概率能够分别被获取。在线社交数据挖掘：Hong-HanShuai等人提出了一种叫做社交网络精神障碍探测(SNMDD)的机器学习架构用于从社交网络数据中提取特征来精确识别社交网络精神障碍的潜在案例([文献6])。他们在社交网络精神障碍探测中也利用多源学习并提出了一种基于张量模型的新型社交网络探测模型用于改进性能。互联地理社交网络：大都市把不同的个体聚集在一起，为文化和知识的交流创造了机遇，这些最终能够带来社会和经济的繁荣。DesislavaHristova等人在人与地理互联的本质方面提出了一种新型的网络视角([文献7])，这一视角使得通过社交网络和移动模式捕获访问者的城市位置的社交多样性变得可能。他们定义了与社交经纪角色、熵、访问者的同质性以及它们能引起的各种偶然的邂逅者等相关的四条地理社交多样性准则。这样就能够将聚集陌生人的地方和聚集朋友的地方进行区分。同样，也可用于区分聚集各种不同人的地方和聚集常客的地方。他们将伦敦地区的这些属性和健康指标进行关联，在带高熵值和佣金的贫困地区发现乡绅化信号。通过对这些地区五年以上人口调查并根据数据的综合贫困英国指数显示，这些地方有大量富人和各种游客涌入表明了他们的排名具有整体提升。DesislavaHristova等人揭示了人与地区属性之间的关系，并区分不同分类和重要的城市地理学以应对城市政策和基于位置应用的社会感知的下一代发展。社交网络中的嫌犯追踪搜索：通过指定名字去搜索一个特定的人在诸如Facebook的社交网络服务中是一项基本功能。然而很多时候，想要找一个人但是她却对搜索目标的社交网络标签知之甚少(例如兴趣，技能，家乡，学校，职业等)。假定每个用本文档来自技高网...

【技术保护点】
一种基于时间要素的优质节点探测方法，其特征在于，包括以下步骤：步骤1：提取需要探测的优质节点所在的社交网络节点集合；步骤2：对社交网络节点建立社交网络的节点映射关系；步骤3：基于时间要素，提取优质节点特征；步骤4：建立优质节点动态探测模型；步骤5：将社交网络节点看作实验样本进行分组，并对节点进行训练和分类；步骤6：对时间要素的边界进行限定，获取时间限定范围内的优质节点；步骤7：对优质节点探测的结果进行评估并反馈结果，并在反复地训练过程中将不符合探测优质节点特征的规则进行校正，以达到对模型进行优化的目的；步骤8：回转执行步骤5，利用优化后的模型，进行优质节点探测以提高探测进度，如此进行迭代运算直到优质节点的探测进度超过时间序列的设定阈值为止，从而完成整个探测过程。

【技术特征摘要】
1.一种基于时间要素的优质节点探测方法，其特征在于，包括以下步骤：步骤1：提取需要探测的优质节点所在的社交网络节点集合；步骤2：对社交网络节点建立社交网络的节点映射关系；步骤3：基于时间要素，提取优质节点特征；步骤4：建立优质节点动态探测模型；步骤5：将社交网络节点看作实验样本进行分组，并对节点进行训练和分类；步骤6：对时间要素的边界进行限定，获取时间限定范围内的优质节点；步骤7：对优质节点探测的结果进行评估并反馈结果，并在反复地训练过程中将不符合探测优质节点特征的规则进行校正，以达到对模型进行优化的目的；步骤8：回转执行步骤5，利用优化后的模型，进行优质节点探测以提高探测进度，如此进行迭代运算直到优质节点的探测进度超过时间序列的设定阈值为止，从而完成整个探测过程。2.根据权利要求1所述的基于时间要素的优质节点探测方法，其特征在于：步骤1中所述优质节点指的是社交网络中，有能力满足特定指标所需条件的核心节点；所述特定指标记为In，为一个指标集合，它包括社交网络中为达成一定时期内的目标为各节点制定的所有预计的阶段性目标或规则。3.根据权利要求1所述的基于时间要素的优质节点探测方法，其特征在于：步骤2中所述节点映射关系，指的是社交网络中的社交关系。4.根据权利要求1所述的基于时间要素的优质节点探测方法，其特征在于，步骤3中所述提取优质节点特征，包括：1：优质节点发生变异具有固定的时间节点，因此在时间节点到来之前在某个恰当时刻再次选拔出优质节点作为候补；设置节点被选定为优质节点的时刻为ts，优质节点变异的时间节点为te,则优质节点的活动周期选择候补优质节点的恰当时刻为其中α为微调参数；2：针对优质节点属性变异的前兆提取时间要素作为特征；具体的前兆包括：影响优质节点属性变异的主观因素Vsf和客观因素Vof，不同类型的客观因素都会引起相应的主观因素发生变化；主观因素集合记为则联合主客观因素构建节点属性变异的前兆映射关系为：其中，sf/of表示矩阵名称为“主客观映射”矩阵，o.sij表示每一种客观因素产生对应主观因素的可能性，取值介于0-1之间，i＝1...n,j＝1...m，n表示客观因素的个数，m表示主观因素的个数；取0表示客观因素对主观因素的影响程度为0,1表示客观因素对主观因素的影响程度为100％，介于0-1之间的值表示客观因素对主观因素的影响程度的百分比值；3：确定优质节点的变异传递性和周期性；变异传递性判断：在社交网络中，若两个节点的社交关系较密切，且二者在一定时期内同时达到优质节点的判断标准，则可认定变异的传递性成立；否则，判定为不成立；变异周期性判断：将社交网络中的一个时间起始点tcs到终止点tce所经历的时长记为T，若该时长T内，某节点发生变异，在接下来的连续n个时长T内，n≥2，与该变异节点关系密切的节点均发生类似变异，则可认定变异周期性成立；否则，判定为不成立。5.根据权利要求1所述的基于时间要素的优质节点探测方法，其特征在于，步骤4中所述优质节点动态探测模型为：

【专利技术属性】
技术研发人员：王峰，杭波，谷琼，赵永标，熊伟，项东升，
申请(专利权)人：湖北文理学院，
类型：发明
国别省市：湖北,42