【技术实现步骤摘要】
一种融合局部信息和社团信息的社交网络好友预测方法
[0001]本专利技术设计社交网络好友预测领域，更具体地说是一种融合局部信息和社团信息的社交网络好友预测方法。
技术介绍
[0002]大数据时代给社会和我们的生活带来了各种变化，其中社交网络发挥着重要的作用，互联网在世界范围内的广泛使用使人们能够相互联系。在现代社交网络中，多媒体数据十分的丰富。分享图像、视频或音乐等多媒体数据到Facebook、Twitter、谷歌+、Flicker等社交网络上是非常常见的。此外，通过短信、聊天或公开发布个人动态的文本信息共享在社交网络上也十分流行，人们通过以上等行为与朋友建立联系。因此，社交网络为多媒体数据分析，特别是预测分析提供了巨大的语料库。为了更好地理解各种对象之间的底层关系，收集的数据通常以图或网络的形式表示。预测缺失的好友关系或者预测在不久的将来可能会产生的关系，对于揭露隐藏的社交关系起着十分重要的作用。这类问题的出现吸引了大量研究人员在相关领域做了一些工作，然而现有的工作很多考虑到用户的一阶或者二阶邻居，没有考虑更多的局部信息，...
【技术保护点】
【技术特征摘要】
1.一种融合局部信息和社团信息的社交网络好友预测方法，其特征在于，包括以下步骤：步骤1、利用社团检测算法对社交网络进行预处理，得到网络的社团结构；步骤2、通过利用网络的社团结构对用户之间的边进行加权，更精确的反映用户之间的关系；步骤3、k层概率传播步骤3.1、基于原始网络构建二部网络B_G(X,Y,W)，X表示网络中的用户，Y表示网络中的用户，W表示X中节点和Y中节点之间存在有联系；步骤3.2、设置资源分配比例，根据步骤2得到的权重矩阵，计算资源从X到Y或者从Y到X比例的方式；步骤3.3、设置传播层数k；步骤3.4、对于网络G中的任一用户i，找到其邻居节点，并将X中用户i的邻居节点的初始资源设置为1；步骤3.5、第一层传播，将X中所有节点的资源按照比例分配给其在Y中的邻居节点；步骤3.6、第二层传播；将Y中所有节点的资源按照比例分配给其在X中的邻居节点；步骤3.7、重复步骤3.5和步骤3.6，资源在X和Y之间反复传播，直到达到设置的k层传播；步骤4、计算用户相似度矩阵步骤4.1、对所有用户执行步骤3，得到所有用户的k层资源传播值；步骤4.2、计算任意第i个用户节点与第l个用户节点的相似度；步骤4.3、经过步骤4.2可以得到任意两个节点之间的相似度，构建用户相似度矩阵；步骤5、用户节点相似度排序将原本存在边的节点对相似度置0，然后对剩余节点对的相似度按照从大到小进行排序，相似度越高代表两个节点之间有连边的可能性越大，即两个用户是好友的可能性越大。2.根据权利要求1所述的一种融合局部信息和社团信息的社交网络好友预测方法，其特征在于：定义网络表征为G(V,E)，V＝{v1,v2,
…
,v
i
,
…
,v
n
}表示社交网络中的用户，v
i
表示第i个用户；n为节点的总数；E＝{e
ij
|i＝1,2,
…
,n；j＝1,2,
…
,n}表示任意两个节点之间存在有联系；e
ij
表示第i个节点v
i
与第j个节点v
j
之间是否存在边；若e
ij
＝1，表示第i个节点v
i
与第j个节点v
j
之间有边相连，则第i个节点v
i
与第j个节点v
j
互为邻居节点；若e
ij
＝0，表示第i个节点v
i
与第j个节点v
j
之间无边相连，即不存在联系。3.根据权利要求2所述的一种融合局部信息和社团信息的社交网络好友预测方法，其特征在于：所述步骤1中，得到网络的社团结构为C＝{c
ij
|i＝1,2,
…
,n；j＝1,2,
…
,n}，c
ij
表示第i个节点v
i
与第j个节点v
j
是否属于同一个社团；如果c
ij
＝1，表示第i个节点v
i
与第j个节点v
j
属于同一个社团；若c
ij
＝0，表示第i个节点v
i
与第j个节点v
j
不属于同一个社团。4.根据权利要求3所述的一种融合局部信息和社团信息的社交网络好友预测方法，其特征在于：所述步骤2中，对于任意两个用户v
i
和v
j
，他们边的权值为：W
ij
＝c
ij
×
e
ij
+e
ij
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。