用户关系预测模型的建立及用户动态关系的预测方法技术

本发明专利技术公开了一种用户关系预测模型的建立方法，所述方法包括：步骤S1)从原始社交关系网络中通过随机游走抽样得到两个用户关系的子网络；步骤S2)分别提取子网络中每条边连接的用户二元组的共同好友数、共同好友集聚系数、好友集聚系数和最短路径距离四个拓扑特征，形成训练集；步骤S3)建立用户关系预测模型，该模型为前馈神经网络结构；步骤S4)基于训练集和建立的用户关系预测模型；使用遗传算法得到最优个体，该个体为训练好的用户关系预测模型。此外，本发明专利技术还提供了一种用户动态关系的预测方法，该方法能够预测用户关系的动态变化。该预测方法在预测用户关系时不受最短路径距离D的限制，提高了预测用户关系的准确率及弱关系的分析能力。

Establishment of user relationship prediction model and prediction method of user dynamic relationship

The invention discloses a method for establishing a user relationship prediction model. The method includes: step S1) the subnetwork of two user relations is obtained from the random walk sampling from the original social network; step S2) the number of common friends and common friend cluster system of the two tuples of each side of the subnetwork are extracted, respectively. Four topological features of the number, the friend clustering coefficient and the shortest path distance, form a training set; step S3) establish a user relationship prediction model. This model is a feedforward neural network structure; step S4) based on the training set and the established user relationship prediction model, the optimal individual is obtained by using the genetic algorithm, the individual is a trained user. Relationship prediction model. In addition, the invention also provides a prediction method of user dynamic relationship, which can predict the dynamic change of user relationship. This prediction method is not limited by the shortest path distance D when predicting user relationship, which improves the accuracy of user relationship prediction and the analysis ability of weak relationship.

【技术实现步骤摘要】
用户关系预测模型的建立及用户动态关系的预测方法
本专利技术涉及网络通信
，尤其涉及用户关系预测模型的建立及用户动态关系的预测方法。
技术介绍
随着社交网络的迅猛发展，基于社交网络的应用已经深刻地改变了人类的交互行为以及信息的传播方式。用户通过社交媒体获取与传播最新资讯，寻找相同兴趣或附近的人，维系当前的好友关系、分享购物经验、推荐视频信息等。根据尼尔森2014年的调查报告，社交媒体活跃用户数量达18.6亿，每个社交媒体用户每天在社交媒体上所花费的平均时间为1.5小时。尼尔森的调查结果显示，90％的用户相信朋友对他们的推荐，70％的用户相信其他用户对广告商品的评论。由此可见社交网络的应用前景十分广阔。对社交网站、电子商务、视频服务网站等基于社交网络的应用而言，如何通过分析和挖掘社交网络促进用户交互、提升用户体验和忠诚度是一个关键性难题。现有的对社交网络的研究主要集中在：1、根据用户地理位置分析社交网络；2、根据用户好友关系分析社交网络。在根据用户地理位置分析社交网络的研究成果(见参考文献[1]：《FriendRecommendationAlgorithmBasedonMultip本文档来自技高网...

【技术保护点】
用户关系预测模型的建立方法，所述方法包括：步骤S1)从原始社交关系网络中通过随机游走抽样得到两个用户关系的子网络；步骤S2)分别提取子网络中每条边连接的用户二元组的共同好友数、共同好友集聚系数、好友集聚系数和最短路径距离四个拓扑特征，形成训练集；步骤S3)建立用户关系预测模型，该模型为前馈神经网络结构；步骤S4)基于训练集和建立的用户关系预测模型；使用遗传算法得到最优个体，该个体为训练好的用户关系预测模型。

【技术特征摘要】
1.用户关系预测模型的建立方法，所述方法包括：步骤S1)从原始社交关系网络中通过随机游走抽样得到两个用户关系的子网络；步骤S2)分别提取子网络中每条边连接的用户二元组的共同好友数、共同好友集聚系数、好友集聚系数和最短路径距离四个拓扑特征，形成训练集；步骤S3)建立用户关系预测模型，该模型为前馈神经网络结构；步骤S4)基于训练集和建立的用户关系预测模型；使用遗传算法得到最优个体，该个体为训练好的用户关系预测模型。2.根据权利要求1所述的用户关系预测模型的建立方法，其特征在于，所述步骤S2)的具体实现过程为：用户二元组用户Ui的邻接节点集合为Fi，用户Uj的邻接节点集合为Fj；Uij的QOCF、CCOCF、CCOF三个特征计算公式如下：其中，F为节点集合；|F|为集合F的元素个数即节点个数；的取值如下：如果Up和Uq存在关注关系如果Up和Uq不存在关注关系Uij的D特征为Uij的最短路径距离，如果D(Uij)＝1，则两个用户之间存在关注关系；如果D(Uij)>1，则两个用户之间不存在关注关系。3.根据权利要求2所述的用户关系预测模型的建立方法，其特征在于，所述步骤S3)的具体实现过程为：所述用户关系预测模型采用3层结构的前馈神经网络结构：输入层、隐藏层及输出层；输入层由4个输入构成，为用户二元组特征向量的4个分量；隐藏层的神经元个数为10；输出层的输出值若则认为对应的用户二元组Uij不存在关注关系，若则认为Uij存在关注关系。4.根据权利要求3所述的用户关系预测模型的建立方法，其特征在于，所述步骤S4)的具体实现过程为：步骤1)初始化当前种群为Pt＝{NNm，0<m≤100}，将用户关系预测模型的各神经元的权值与阈值组成的向量定义为种群个体NNm的染色体，其中为神经网络中第l层第i个神经元连接该神经元的第j个输入的权值，为神经网络中第l层第i个神经元的阈值；染色体中每个位点为介于(-1,1)之间的随机浮点数；步骤2)计算种群个体NNm的适应度；适应度...

【专利技术属性】
技术研发人员：盛益强，李南星，刘学，
申请(专利权)人：中国科学院声学研究所，上海尚恩华科网络科技股份有限公司，
类型：发明
国别省市：北京,11