通过基于核的学习对社交强度进行建模制造技术

描述了通过基于核的学习对社交强度进行建模。首先，利用多个模态的数据源来计算多个相似性函数。其次，采用核目标对齐算法来学习每个模态的权重并将基本核的经加权的和用作理想的核。最终，基于所学习的核来得出排序学习框架以推断社交强度。

【技术实现步骤摘要】
通过基于核的学习对社交强度进行建模
本专利技术涉及对社交强度进行建模，尤其涉及通过基于核的学习对社交强度进行建模。
技术介绍
社交网络挖掘已经在工业界和学术界吸引了大量的兴趣。大多数传统的研究着重于检测人和人之间的二元关系连结(例如，朋友或不是朋友)。这种粗糙的指标并不能很精确地给出关于人和人之间社交关系强度的洞察。最近的研究已经试图解决对社交关系的强度进行建模的问题，而非简单的二元联接。推断精确的社交强度可促进各种各样的应用，包括朋友联接预测、项目推荐、社交搜索等等。目前，已经对社交媒体社区中用户的社交强度建模(SSM)进行了一定的研究。比如，以Flickr(其是最流行的在线照片共享站点之一)作为社交媒体平台为例，Flickr包括丰富的用户生成的内容，例如所共享的照片、用户注释的标签、评论等等。类似于其他社交联网站点(例如，Facebook和LinkedIn)，每个Flickr用户可将其他用户添加到他自己的联系人列表来表明他们之间的朋友关系。用户也能创建并加入感兴趣的分组，在这些分组中，用户相互之间共享照片以及评论。除了用户之间显式的相互联接，所上传的照片以及它们相关联的元数据(例本文档来自技高网...

【技术保护点】
一种用于测量社交网站内用户相似性的方法，所述方法包括：计算社交网站上可用的各个模态中用于测量用户相似性的核；采用基于核的学习技术将计算出的核进行组合以得出最优核；采用基于学习的框架和最优核函数来推断用户之间的社交强度。

【技术特征摘要】
1.一种用于测量社交网站内用户相似性的方法，所述方法包括：计算社交网站上可用的各个模态中用于测量用户相似性的核；采用基于核的学习技术将计算出的核进行组合以得出最优核；采用基于学习的框架和最优核函数来推断用户之间的社交强度，其中与所述各个模态相关联的多模态异类数据包括对寻找隐含的社交关系有用的丰富上下文信息。2.如权利要求1所述的方法，其特征在于，基于核的学习技术包括多核学习(MKL)方案。3.如权利要求1所述的方法，其特征在于，计算出的核用于测量以下至少之一：可视空间内的用户相似性、文本空间内的用户相似性、通过相互评论的用户相似性、通过共同兴趣分组的用户相似性、通过共有朋友的用户相似性、通过地理标签的用户相似性以及通过最喜爱照片的用户相似性。4.如权利要求1所述的方法，其特征在于，采用基于核的学习技术将计算出的核进行组合以得出最优核进一步包括使用核目标对齐算法来学习每个计算出的核的权重。5.如权利要求4所述的方法，其特征在于，所述方法进一步包括将经加权的每个核进行相加来得出最优核。6.如权利要求4所述的方法，其特征在于，使用核目标对齐算法来学习每个计算出的核的权重进一步包括最大化地对齐经组合的核与目标核来学习每个计算出的核的权重。7.如权利要求1所述的方法，其特征在于，所述方法进一步包括基于最优核，导出排序学习(learningtorank)框架来推断用户之间...

【专利技术属性】
技术研发人员：梅涛，华先胜，李世鹏，庄金峰，
申请(专利权)人：微软公司，
类型：发明
国别省市：