一种面向事件社交网络的规划方法及系统技术方案

本发明专利技术公开了一种面向事件社交网络的规划方法及系统，为基于事件的社交网络构造兴趣度效应、用户偏好、事件冲突矩阵，用户容量、事件容量、事件类型向量和最大堆MaxHeap，为每个用户生成偏好队列集合并对偏好队列进行排序。接下来遍历每个用户，将收益度高的规划加入最大堆MaxHeap。接下来，对最大堆中的规划进行遍历操作直到最大堆MaxHeap为空。遍历操作为判断能否将当前收益度最高的加入规划并将用户下一个可能的收益规划加入最大堆MaxHeap。最终返回整体收益最大且满足用户、事件容量，避免用户所参与事件相互冲突的规划作为输出结果。本方法提高了用户在基于事件社交网络中参与事件的用户体验。与事件的用户体验。与事件的用户体验。

【技术实现步骤摘要】
一种面向事件社交网络的规划方法及系统


[0001]本专利技术属于计算机数据挖掘
，具体涉及一种面向事件社交网络的规划方法及系统。

技术介绍

[0002]近年来，诸如Meetup、豆瓣同城等基于社交事件的社交网络(Event
‑
based Social Networks)作为一种提供在线社交事件信息的社交网站，越来越受到人们的青睐。EBSN是一种新型的社交网络，它的核心竞争力是提供给用户了一个能够创建、发布和组织社交事件(Social Events)的在线平台来促进具有相似兴趣度的用户进行线下交流。例如，在加入Meetup后，用户可以通过发布一个社交事件(爬山、聚会等等)来吸引具有相似兴趣的用户参与该事件，来获得愉快的用户体验。
[0003]EBSN每天都会产生大量的事件。例如Meetup的已注册用户超过0.25亿，平均每天发布的事件数超过10000个。因此，在EBSN中如何根据用户对事件的感兴趣程度，合理的规划用户所参与事件来提高用户的满意程度是当前研究的热点内容之一。目前很多规划算法通过考虑部分影响规划收益的因素包括用户可参与事件数量，事件的容纳人数，事件之间的冲突关系，用户参与事件的收益等等来对用户参与事件的行为进行规划。这些算法的评判标准大多集中在计算“总效应值”上，即将所有用户的所有规划集中事件的兴趣值相加，该值越大，则表明该规划算法的表现越好。
[0004]然而，这些规划算法没有对事件的类型以及规划的公平性进行深入的研究，存在着以下问题：
[0005]首先，目前规划算法通常考虑用户的兴趣标签与事件的描述，通过计算户兴趣标签栏和事件描述标签栏中两组标签的相似度，用效用值(utility score)来衡量每个用户对每个事件的感兴趣程度。算法整体的规划目标为在考虑事件冲突的基础上使所有规划中的效用值之和最大。这种规划方法没有考虑到事件类型产生的影响，算法很难对用户对不同类型事件的偏好进行考虑，进而规划相似的事件给用户，导致用户的效用值降低，进而降低整体算法规划的效用值。
[0006]其次，这些规划算法没有考虑的用户事件容量的不均衡型，容易导致对感兴趣事件容纳量低的用户在规划上少于容纳量的用户，导致出现规划的公平性不足的问题。

技术实现思路

[0007]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种面向事件社交网络的规划方法及系统，解决规划算法中的未考虑到用户事件类型偏好和公平性的问题，从而提高规划的人均效用。
[0008]本专利技术采用以下技术方案：
[0009]一种面向事件社交网络的规划方法，包括以下步骤：
[0010]S1、定义规划用户与事件之间参与的最大化目标为MaxAvgSum(M)，同时构造规划
所需要的中间变量如下：构造大小为m
×
n的用户事件兴趣度效用矩阵I，m为用户数量，n为待安排事件数；构造大小为m
×
n的用户偏好矩阵P；构造大小为n
×
n的事件冲突矩阵C；构造用户容量向量C
u
，构造事件容量向量C
v
和构造事件类型向量V
t
，构建一个最大堆MaxHeap，最大堆MaxHeap中存放的元素为元组(u
i
,v
j
,Gain
i,j
)，并设置Gain
i,j
值作为最大堆MaxHeap的比较依据；
[0011]S2、利用步骤S1得到的用户偏好矩阵P和事件类型向量V
t
，对每个用户u
j
构建一个偏好队列集合Q
i
；
[0012]S3、遍历步骤S2构建的每个用户的偏好队列集合中每个偏好队列并将每个偏好队列中的事件按照步骤S1构建的矩阵I和用户u
i
对事件v
j
的效用值I
i,j
从大到小完成排序；
[0013]S4、根据步骤S1中的最大化目标MaxAvgSum(M)、步骤S3中排序后的用户偏好队列集合遍历每个用户u
i
，访问用户u
i
下一个当前收益最大的事件，若事件v
j
不为空，把元组(u
i
,v
j
,Gain
i,j
)加入到步骤S1构建的最大堆MaxHeap中，Gain
i,j
为预期收益，加入所有用户的元组之后，得到包含m个元组的最大堆MaxHeap；
[0014]S5、从步骤S4或步骤S6得到的最大堆MaxHeap中取得当前堆中Gain
i,j
最大的元组，得到用户u
i
和事件v
j
，根据从步骤S1得到的事件冲突矩阵C、用户容量向量C
u
、事件容量向量C
v
判断规划m(u
i
,v
j
)＝1是否合法，若满足条件，则将规划m(u
i
,v
j
)＝1加入规划M中，同时将步骤S3排序后的对应用户偏好队列集合Q
i
中当前事件v
j
所对应的偏好队列的首元素从队列中移除；否则丢弃对应元组；
[0015]S6、根据步骤S5得到的用户u
i
和步骤S1得到的用户容量向量C
u
进行判断，若对应用户的容量有剩余，寻求用户u
i
的下一个规划，得到事件v
j
和收益Gain
i,j
；并将对应元组(u
i
,v
j
,Gain
i,j
)加入最大堆MaxHeap中；
[0016]S7、重复步骤S5和步骤S6直到最大堆MaxHeap为空；
[0017]S8、将步骤S7所得到的规划M作为基于事件社交网络的冲突事件规划方法的结果。
[0018]具体的，步骤S1中，最大化目标MaxAvgSum(M)计算如下：
[0019][0020]其中，β为超参数，u为用户，U为用户集合，disSim为概率分布相似度度量函数，为用户u期望和当前的事件偏好概率分布，m(u,v)为该用户u事件v是否被规划的取值，sim(l
u
，l
v
)为用户u和v的兴趣偏好相似度，c
u
为用户u的容量。
[0021]进一步的，最大化目标MaxAvgSum(M)满足条件如下：
[0022]m(u,v)＝{0,1}即每个用户对每个事件的规划取值只有0代表不规划对应用户参与对应事件和1代表参与；
[0023]代表给任意事件规划的用户数量都不能超过其用户容量；
[0024]代表给任意用户规划的事件数量都不能超过其事件容量；
[0025]规划给任何用户的事件互相之间不冲突。
[0026]具体的，步骤S1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向事件社交网络的规划方法，其特征在于，包括以下步骤：S1、定义规划用户与事件之间参与的最大化目标为MaxAvgSum(M)，同时构造规划所需要的中间变量如下：构造大小为m
×
n的用户事件兴趣度效用矩阵I，m为用户数量，n为待安排事件数；构造大小为m
×
n的用户偏好矩阵P；构造大小为n
×
n的事件冲突矩阵C；构造用户容量向量C
u
，构造事件容量向量C
v
和构造事件类型向量V
t
，构建一个最大堆MaxHeap，最大堆MaxHeap中存放的元素为元组(u
i
，v
j
，Gain
i，j
)，并设置Gain
i，j
值作为最大堆MaxHeap的比较依据；S2、利用步骤S1得到的用户偏好矩阵P和事件类型向量V
t
，对每个用户u
i
构建一个偏好队列集合Q
i
；S3、遍历步骤S2构建的每个用户的偏好队列集合中每个偏好队列并将每个偏好队列中的事件按照步骤S1构建的矩阵I和用户u
i
对事件v
j
的效用值I
i，j
从大到小完成排序；S4、根据步骤S1中的最大化目标MaxAvgSum(M)、步骤S3中排序后的用户偏好队列集合遍历每个用户u
i
，访问用户u
i
下一个当前收益最大的事件，若事件v
j
不为空，把元组(u
i
，v
j
，Gain
i，j
)加入到步骤S1构建的最大堆MaxHeap中，Gain
i，j
为预期收益，加入所有用户的元组之后，得到包含m个元组的最大堆MaxHeap；S5、从步骤S4得到的最大堆MaxHeap中取得当前堆中Gain
i，j
最大的元组，得到用户u
i
和事件v
j
，根据从步骤S1得到的事件冲突矩阵C、用户容量向量C
u
、事件容量向量C
v
判断规划m(u
i
，v
j
)＝1是否合法，若满足条件，则将规划m(u
i
，v
j
)＝1加入规划M中，同时将步骤S3排序后的对应用户偏好队列集合Q
i
中当前事件v
j
所对应的偏好队列的首元素从队列中移除；否则丢弃对应元组；S6、根据步骤S5得到的用户u
i
和步骤S1得到的用户容量向量C
u
进行判断，若对应用户的容量有剩余，寻求用户u
i
的下一个规划，得到事件v
j
和收益Gain
i，j
；并将对应元组(u
i
，v
j
，Gain
i，j
)加入最大堆MaxHeap中；S7、重复步骤S5和步骤S6直到最大堆MaxHeap为空；S8、将步骤S7最大堆MaxHeap为空后对应的规划M作为基于事件社交网络的冲突事件规划方法的结果。2.根据权利要求1所述的方法，其特征在于，步骤S1中，最大化目标MaxAvgSum(M)计算如下：其中，β为超参数，u为用户，U为用户集合，disSim为概率分布相似度度量函数，为用户u期望和当前的事件偏好概率分布，m(u，v)为该用户u事件v是否被规划的取值，sim(l
u
，l
v
)为用户u和v的兴趣偏好相似度，c
u
为用户u的容量。3.根据权利要求2所述的方法，其特征在于，最大化目标MaxAvgSum(M)满足条件如下：m(u，v)＝{0，1}即每个用户对每个事件的规划取值只有0代表不规划对应用户参与对
应事件和1代表参与；代表给任意事件规划的用户数量都不能超过其用户容量；代表给任意用户规划的事件数量都不能超过其事件容量；规划给任何用户的事件互相之间不冲突。4.根据权利要求1所述的方法，其特征在于，步骤S1中，用户u
i
对事件v
j
的兴趣度效用值I
i，j
为：其中，I
i，j
∈[0，1]，分别为用户u
i
和v
j
的兴趣度偏好向量；用户u
i
对事件类型为j的期望数量P
i，j
为：其中，P
i，j
∈{0，1，2，...}，为用户u
i
对事件类型为j的期望个数；事件v
i
和事件v
j
是否为冲突事件对C
i，j
为：其中，CF为冲突事件对集合；构造用户容量向量构造用户容量向量代表用户u
i
的事件容纳量；构造事件容量向量构造事件容量向量代表事件v
i
的用户容纳量；构造事件类型向量构造事件类型向量代表事件v
i
所属于的事件类型。5.根据权利要求1所述的方法，其特征在于，步骤S2中，设事件为v
j
，事件类型为t，若P
i，j
＞0，P
i，j
表示用户u
i
对事件类型为j的期望数量，若偏好队列集合Q
...

【专利技术属性】
技术研发人员：孙鹤立，郏靖宇，姜晓龙，何亮，贾晓琳，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：