一种基于概率的社交网络确定方法及系统的制作方法
【专利摘要】一种基于概率的社交网络确定方法，其包括如下步骤：S1、确定用户行为的概率性，确定用户属性的概率性，确定用户关系的概率性；用户行为的概率性用于表示用户行为的不确定性，用户属性的概率性用于表示用户扮演社会角色或从事职业的不确定性，用户关系的概率性用于表示不同用户间的关联不断发生变化的不确定性；S2、通过步骤S1中的确定结果表示社交网络中的用户关系的建立和解除，用户属性和用户行为的发生受到的因素的影响，以及随着时间的推移呈现不确定性变化规律。本发明还提供一种基于概率的社交网络确定系统。
【专利说明】
一种基于概率的社交网络确定方法及系统
技术领域
[0001] 本发明涉及社交网络研究技术领域，特别涉及一种基于概率的社交网络确定方法 及系统。
【背景技术】
[0002] 随着社交网络的迅猛发展，社交网络中呈现形态各异的各种网络结构和网络关 系。在线社交网络已逐渐成为连接各类网络信息和人类现实世界不可或缺的纽带。对社交 网络的深度剖析能帮助人们更好的理解社交网络的构造机理、网络中用户的行为模式和网 络结构的演化过程。其中，著名的社交平衡理论对社交网络中最基本的群体结构做了深刻 的诠释，最简单的三角关系是无向网络中的三角结构。三角结构描述了社交网络中用户关 系的四种结构，如图1所示。图1中给出了用户间构造朋友和非朋友关系的四种可能性组合， 对三人间友好或敌对的关系进行了研究。但是，社交网络中的用户关系并非只是友好或敌 对关系这么简单。事实上，对建立朋友关系的用户之间，受到某些因素的影响和制约时，这 种看似牢固的用户关系也会随之被打破(朋友与非朋友会相互转化）。
[0003] 本发明以典型的社交网络(新浪微博、微信和Twitter)为研究平台，对影响用户转 化关系的因素进行归纳总结，同时研究这些因素是如何对构造牢固的用户关系造成干扰。 由此，建立一种概率社交网络对社交平衡理论进行了有力的补充。概率社交网络以用户转 化关系的影响因素为基础进行建模，能对用户关系的亲密程度进行指标量化，同时能描述 各种指标对这种量化亲密程度是如何造成影响的。
[0004] 当前，国内外学者针对社交网络领域的研究做了很多的相关工作。现把与本文研 究密切相关的研究进行总结，主要可概括为以下几个方面：
[0005] 社交网络关系的定性分析:主要涉及用户建立关联与地理分布、同质性的关系，和 它们在隐式交互、社交平衡理论中存在的用户关系。
[0006] 地理分布：社交网络中，用户行为与地理位置呈现关联关系，例如，基于微博平台 上"互粉"关系与现实生活中人们的地理区域划分存在互推断关系。社交网络打破了现实生 活中人们的地理差距，用户关联的建立不会过于受到地理因素的限制。
[0007] 同质性:具有相似特性(性别、身份等）的用户更倾向于建立彼此间的社交关系，即 基于某种特性的社交网络。用户间的多链路关联关系会使得链路同质性表现的愈加明显， 而基于某种特性的同质性会大大加强用户间建立关联关系的概率。
[0008] 隐式交互:隐式交互的提取来自于用户的"提到和"转发"行为。当用户间存 在互动（"提到"或"转发"）行为时，用户间建立关联的概率将增大。
[0009] 社交平衡理论：主要研究三人间的友好或敌对关系。该理论认为，"朋友-朋友-朋 友"的社会关系比"朋友-朋友-敌人"更常见，也更加稳定。而建立双边结构关系的用户形成 平衡结构的概率比单边结构更大。
[0010] 闭合社交网络的规律的研究主要包括动态性规律和传播性规律两大类。
[0011] 闭合社交网络的动态规律:主要涉及用户属性和他们所对应的网络结构，以及他 们相应的社会属性。
[0012] 用户属性：主要包括用户的check-ins(登入所在地理位置）、用户资料、用户兴趣 点等。这些用户属性可以由同质性构成一定的社交网络结构，并且这种结构会随着时间的 变化而展现出动态性的变化规律。同样，用户属性与地理位置相结合的研究对于构造社交 网络的闭合概率具有一定的指导意义。
[0013] 闭合社交网络的传播定律:社交网络中构造的闭合用户结点间会相互产生影响， 继而形成三角形闭合传播效应。
[0014] 但是现有技术中社交网络的网络结构会随着用户行为、用户属性(个人属性和社 会属性）、用户关系的变化而发生动态性的改变，这种变化规律事先无法确定。
【发明内容】
[0015] 有鉴于此，本发明提出一种基于概率的社交网络确定方法及系统。
[0016] -种基于概率的社交网络确定方法，其包括如下步骤：
[0017] S1、确定用户行为的概率性，确定用户属性的概率性，确定用户关系的概率性；用 户行为的概率性用于表示用户行为的不确定性，用户属性的概率性用于表示用户扮演社会 角色或从事职业的不确定性，用户关系的概率性用于表示不同用户间的关联不断发生变化 的不确定性；
[0018] S2、通过步骤S1中的确定结果表示社交网络中的用户关系的建立和解除，用户属 性和用户行为的发生受到的因素的影响，以及随着时间的推移呈现不确定性变化规律。
[0019] 在本发明所述的基于概率的社交网络确定方法中，
[0020] 所述步骤S1中确定用户行为的概率性包括：
[0021] 建立用户集合U所在的社交网络SN中未来时间划分集合了={^山，丨3，...以；
[0022] 各个时间段分别对应于用户行为集合方=其中气表示丨1时刻 用户从事的事件，并依序类推；
[0023] 分别定义用户行为发生的空间位置集合A = %，V心…，4丨和诱因集合 ，={'，W · · ·，?其中4和\分别表示。时刻用户行为发生时的空间位置和导致 用户行为发生的诱因；
[0024] 用户行为的概率性表示如下A-T-L-E-W，其中各个集合中各元素依次为多对 多的映射关系。
[0025] 在本发明所述的基于概率的社交网络确定方法中，
[0026] 所述步骤S1中确定用户属性的概率性包括：
[0027]对用户及其对应的用户角色或职业建立映射关系矩阵Mm，行标识序列{Mm，MU2， MU3，…,Μυη}和列标识序列{MRl，MR2，MR3···，MRm}分别表不用户集合和各用户对应的用户角色 或职业集合;行与列的交叉所对应的数值表示二者之间是否存在映射关系，映射关系矩阵 是一个n*m阶的布尔矩阵，行列交叉数值为1表示二者存在映射关系，为0则表示无映射关 系；
[0028] 建立对用户角色或职业转换关系矩阵Rf-b，行标识序列{RF1，RF2，RF3···，R Fn}和列标 识序列{1^，1^，1^-_，1^}分别表示转换前后的用户角色或职业;行与列的交叉所对应的数 值用以表示用户角色或职业转换的概率；
[0029] 矩阵Rm如下：
[0031]
表明用户角色或职业在转换前后均应保持其闭合性;在 一个闭合空间内的用户角色或职业在转换前后，，表明用户角色或职业 保持不变时，转换关系概率恒定为〇;
[0032]建立用户角色或职业与用户属性间的从属关系矩阵Mr-a，行标识序列{MR1，MR2， Mr3···，MRn}和列标识序列{Mai，Μα2，Μα3·"，Μαπ}分另U对应用户角色或耳只业种类和用户属性类 另IJ，举证行与列的交叉所对应的数值用以表示用户角色或职业与用户属性间是否存在从属 关系；
[0033] 矩阵Mr-a如下：
[0035] 从属关系矩阵Mr-a对应的是一个布尔矩阵，表明用户角色或职业与用户属性间是 否存在从属关系，若存在行列交叉概率为1，否则为〇。
[0036] 根据矩阵Mlmr、Rf-b、Mr~^对用户属性的概率性建立矩阵运算关系：
[0037] Uproperty - MlMR X Mr-X Rf-^B
[0038] 其中U_perty表示用户属性的概率矩阵。
[0039] 在本发明所述的基于概率的社交网络确定方法中，
[0040] 所述步骤S1中确定用户关系的概率性包括：
[0041] 建立不同用户集合间的映射关系矩阵Mu-u，，其中，行标识序列{1]1，1]2，1] 3-，1]11}和 列标识序列{1]'1，1]'2，1]' 3-，1]'11}分别表示用户集合1]与1]'之间建立或破裂的用户关系；行 与列的交叉所对应的数值用以表示不同的用户集合之间是否建立了映射关系；
[0042] 矩阵Μι^υ'如下：
[0044] 矩阵Μικτ中，不同用户集合之间的映射关系矩阵对应的是一个布尔矩阵，用于表 示用户之间是否建立了社会关系或该关系已由于某种原因而导致破裂，若用户间建立关系 则行列交叉概率为1，若用户间未建立关系则行列交叉概率为〇,若用户间的关系由于某种 原因而导致破裂则交叉概率为-1;
[0045] 建立用户与位置映射关系矩阵Mlml
[0047] 矩阵Μικ中用户活动所对应的每个位置都存在一定的概率，该概率的取值为一个 介于0-1之间的数值，数值越大表明该用户在该位置的活动频度越大，从而说明该位置是用 户活动的常用位置。
[0048] 本发明还提供一种基于概率的社交网络确定系统，其包括如下单元：
[0049] 概率性确定单元，用于确定用户行为的概率性，确定用户属性的概率性，确定用户 关系的概率性；用户行为的概率性用于表示用户行为的不确定性，用户属性的概率性用于 表示用户扮演社会角色或从事职业的不确定性，用户关系的概率性用于表示不同用户间的 关联不断发生变化的不确定性；
[0050] 社交网络预测单元，用于通过概率性确定单元中的确定结果表示社交网络中的用 户关系的建立和解除，用户属性和用户行为的发生受到的因素的影响，以及随着时间的推 移呈现不确定性变化规律。
[0051 ]在本发明所述的基于概率的社交网络确定系统中，
[0052]所述概率性确定单元中确定用户行为的概率性包括：
[0053]建立用户集合U所在的社交网络SN中未来时间划分集合. . .tn};
[0054] 各个时间段分别对应于用户行为集合五=k，气，\，…，}，其中气表示tl时刻 用户从事的事件，并依序类推；
[0055] 分别定义用户行为发生的空间位置集合? ·…，i}和诱因集合 IT = {&，^，^，···，'}，其中和\分别表示^时刻用户行为发生时的空间位置和导致 用户行为发生的诱因；
[0056]用户行为的概率性表示如下A-T-L-E-W，其中各个集合中各元素依次为多对 多的映射关系。
[0057]在本发明所述的基于概率的社交网络确定系统中，
[0058]所述概率性确定单元中确定用户属性的概率性包括：
[0059]对用户及其对应的用户角色或职业建立映射关系矩阵Mm，行标识序列{Mm，MU2， MU3，…,Μυη}和列标识序列{MRl，MR2，MR3···，MRm}分别表不用户集合和各用户对应的用户角色 或职业集合;行与列的交叉所对应的数值表示二者之间是否存在映射关系，映射关系矩阵 是一个n*m阶的布尔矩阵，行列交叉数值为1表示二者存在映射关系，为0则表示无映射关 系；
[0060] 建立对用户角色或职业转换关系矩阵Rf-B，行标识序列{RF1，RF2，RF3···，R Fn}和列标 识序列{1^，1^，1^-_，1^}分别表示转换前后的用户角色或职业;行与列的交叉所对应的数 值用以表示用户角色或职业转换的概率；
[0061 ] 矩阵Rm如下：
[0063]
表明用户角色或职业在转换前后均应保持其闭合性;在 一个闭合空间内的用户角色或职业在转换前后，
，表明用户角色或职业 保持不变时，转换关系概率恒定为〇;
[0064] 建立用户角色或职业与用户属性间的从属关系矩阵Mr-a，行标识序列{MR1，MR2， Mr3···，MRn}和列标识序列{Mai，Μα2，Μα3·"，Μαπ}分另U对应用户角色或耳只业种类和用户属性类 另IJ，举证行与列的交叉所对应的数值用以表示用户角色或职业与用户属性间是否存在从属 关系；
[0065] 矩阵Mr-a如下：
[0067]从属关系矩阵Mr-a对应的是一个布尔矩阵，表明用户角色或职业与用户属性间是 否存在从属关系，若存在行列交叉概率为1，否则为〇。
[0068] 根据矩阵Mlmr、Rf-b、Mr~^a对用户属性的概率性建立矩阵运算关系：
[0069] Uproperty - MlMR X Mr-X Rf-^B
[0070] 其中U_pCTty表示用户属性的概率矩阵。
[0071 ]在本发明所述的基于概率的社交网络确定系统中，
[0072]所述概率性确定单元中确定用户关系的概率性包括：
[0073]建立不同用户集合间的映射关系矩阵Mu-u，，其中，行标识序列{1]1，1]2，1] 3-_，1]11}和 列标识序列{1]'1，1]'2，1]'3-，1]'11}分别表示用户集合1]与1]'之间建立或破裂的用户关系；行 与列的交叉所对应的数值用以表示不同的用户集合之间是否建立了映射关系；
[0074] 矩阵Μι^υ'如下：
[0076]矩阵Μικτ中，不同用户集合之间的映射关系矩阵对应的是一个布尔矩阵，用于表 示用户之间是否建立了社会关系或该关系已由于某种原因而导致破裂，若用户间建立关系 则行列交叉概率为1，若用户间未建立关系则行列交叉概率为〇,若用户间的关系由于某种 原因而导致破裂则交叉概率为-1;
[0077]建立用户与位置映射关系矩阵Μικ
[0079] 矩阵Μικ中用户活动所对应的每个位置都存在一定的概率，该概率的取值为一个 介于0-1之间的数值，数值越大表明该用户在该位置的活动频度越大，从而说明该位置是用 户活动的常用位置。
[0080] 实施本发明提供的基于概率的社交网络确定方法及系统与现有技术相比具有以 下有益效果：通过概率性确定单元中的确定结果表示社交网络中的用户关系的建立和解 除，用户属性和用户行为的发生受到的因素的影响，以及随着时间的推移呈现不确定性变 化规律;对于概率性社交网络体系的研究有助于提前推断用户关系、用户属性和用户行为 的变化，从而达到改善社交人际关系，规范用户个人行为的目的。
【附图说明】
[0081] 图1是本发明实施例的无向网络中的四种三角结构示意图；
[0082] 图2是本发明实施例的基于概率的社交网络研究体系图；
[0083] 图3是本发明实施例的概率社交网络示意图；
[0084] 图4是本发明实施例的基于概率的社交网络确定系统结构框图。
【具体实施方式】
[0085] 如图1至4所示，针对现有技术的缺陷，本发明提出了一种基于概率的社交网络确 定方法及系统。基于大量的研究成果表明，社交网络的网络结构会随着用户行为、用户属性 (个人属性和社会属性）、用户关系的变化而发生动态性的改变，这种变化规律事先无法确 定。因此，这种现象的存在就导致了社交网络的概率关系。
[0086] 社交网络的概率性
[0087] 社交网络的概率性是针对社交网络中用户行为、用户属性和用户关系等与社交网 络结构密切相关的一系列研究体系。用户行为会随着时间、地点、人物、事件、诱因等一系列 情境要素的改变而发生变化。虽然用户属性在一定时期内保持稳定，一旦用户行为造成了 用户关系的改变，同样也会对用户属性造成影响。这样，就导致了用户关系随时间周期性变 化的概率性问题。文中称之为社交网络的概率性研究：用户行为的概率性、用户属性的概率 性和用户关系的概率性，这三者共同构成了社交网络的概率性研究体系。该研究体系的相 互关系和意义如图2所不。
[0088] 图2中，具有相似用户属性的用户之间存在相似性格和兴趣的可能性较大。因此， 可以推荐具有相似用户属性的用户，使得他们之间建立用户关联。由于用户属性具备概率 性特征，因此具有较大概率性的用户属性可用于用户属性的推断。同时，由于用户属性的概 率性所导致的用户角色的不稳定性，就会造成用户角色发生迀移，因此可对用户角色的迀 移进行分析和预测。当用户角色发生迀移时，用户的职业可能随之发生改变，因此用户属性 的概率性研究同样可用于用户职业推断。
[0089] 对于用户关系概率性的研究，可用于用户亲密程度的关系推断。而用户关系概率 性与用户活动的地理位置特征相结合，则可以对用户的活动域进行概率预测，从而达到对 用户活动规律进行描述的目的。
[0090] 用户行为的概率性与用户活动的情境相关，在不同情境要素的影响下，用户可能 会做出不同的用户行为。因此，利用用户活动的情境要素与用户的历史行为相集合，可以达 到对用户行为进行概率预测的目的。同时，基于不同情境要素的用户行为概率性分析的反 馈结果，同样可达到对用户活动情境要素概率性分析的目的。
[0091] 用户行为的概率性
[0092] 用户行为的概率性，指的是用户行为的不确定性。用户在未来可能从事的事件（BP 用户行为)并不能完全被确定，但是用户未来从事事件的集合（用户行为集合)却可以被预 测。例如，假设用户U所在的社交网络为SN，将他的将来时间划分为集合 ? · .tn}，各个时间段分别对应于用户行为集合万=_丨气._，_气，.气_，.:·、· *_气），其中气表不tl时刻 用户从事的事件，依序类推。研究表明，用户行为的产生通常发生在具体情境中，情境要素 除用户行为的时间和事件外，还包括空间位置和事件诱因。因此，分别定义用户行为发生的 空间位置集合z = Κ，4,4，···，々}和诱因集合y = {'，'，'，..·，'丨。其中Λ和％分 别表示时刻用户行为发生时的空间位置和导致用户行为发生的诱因。由此，可对用户行 为的概率性给出形式化描述如图3所示。
[0093] 图3中的User(用户）、Time(时间）、Location(位置）、Event(事件）、Why(诱因）分别 表示影响用户行为产生概率性的情境要素集合。从图3中可以看出，不同的用户在从事社交 网络活动的过程中，其用户行为在以时间、位置、事件和诱因等情境要素为集合的不同组合 中均表现出可预测的概率性。
[0094]用户属性的概率性
[0095] 所谓用户属性的概率性，指的是用户扮演社会角色（或从事职业）的不确定性。例 如，用户在一定时期tnft (若干时间段组成)扮演的是一种角色(或从事一种职业），在另一 个时期仏内（若干时间段组成)扮演的是另一种角色(或从事另一种职业）。因此，当用户扮 演不同角色（或从事不同职业)时，他们具有不同的用户属性。基于用户社会角色（或职业） 的用户属性实现无法预知，但用户属性的转换过程却可以被描述，并以此为依据对用户可 能的属性做出概率性预测。由此，可归纳影响用户属性出现概率性变化的影响因素:时间、 位置、用户社会关系、用户从事工作等。用户在不同时期的用户属性会发生转变，例如用户 通常在6-22周岁完成学业，因此具备学生的各项属性，但22周岁后，用户会进入社会从事不 同职业，扮演不同社会角色，因此具备不同社会角色的用户属性。用户在不同位置的用户属 性会发生转变，例如用户在教室讲课，他具备教师的用户属性，但他在商场购买商品，他则 具备消费者的用户属性。用户的社会关系对用户属性的转变产生影响，例如，教师-学生，提 供者-消费者，医生-病人等各种社会关系之间均存在相互转化的可能性。因此，当社会关系 发生变化时，用户属性随之转变。
[0096] 基于此，对用户和他们对应的用户角色(或职业)建立映射关系矩阵M_，行标识序 列{Mui，Mu2Mu3,…,Μ?Ιη}和列标识序列{Mr1，Mr2，Mr3···，MRm}分别表不用户集合和各用户对应的 用户角色(或职业)集合。行与列的交叉所对应的数值表示二者之间是否存在映射关系。显 然，映射关系矩阵是一个n*m阶的布尔矩阵，行列交叉数值为1表示二者存在映射关系，为0 则表示无映射关系。
[0097] 对用户角色(或职业)建立关系矩阵Rf-b，行标识序列{RF1，RF2，RF3···，R Fn}和列标识 序列{1^，如，1^-，1^}分别表示转换前后的用户角色(或职业）。行与列的交叉所对应的数 值用以表示用户角色(或职业)转换的概率。
[0099]上述矩阵Rf-β中用户角色（或职业）转换关系矩阵对应的是一个随机矩阵，因此 表明用户角色（或职业)在转换前后均应保持其闭合性，因为用户角色 (或职业)并不存在已知确定性与未知不确定性之间的转换。在一个闭合空间内的用户角色 (或职业)在转换前后，
，表明用户角色（或职业)保持不变时，转换关系 概率恒定为0。
[0100]对用户角色（或职业）与用户属性之间建立映射关系矩阵Mr-a，行标识序列{MR1， Mr2，Mr3···，MRn}矛口列f示i只序列{Mai，Μα2，Μα3··_，Μαπ}分另lj对应着用户角色(或耳只业)种类矛口用户 属性类别。行与列的交叉所对应的数值用以表示用户角色(或职业)与用户属性间是否存在 从属关系。
[0102] 从矩阵Mr-a中可以看出，用户角色(或职业)与用户属性间的从属关系矩阵对应的 是一个布尔矩阵，表明用户角色(或职业)与用户属性间是否存在从属关系，若存在行列交 叉概率为1，否则为0。
[0103] 由此，可对用户属性的概率性建立矩阵运算关系，
[0104] Uproperty = MlMR X Mr-^A X Rf-^B (1)
[0105] 公式1中的Uprcipe3rty表示用户属性的概率矩阵，通过矩阵Rf-b中的转换关系矩阵和 矩阵 Mr-A中的从属矩阵的运算后可以得出用户角色(或职业)在转换前后的用户属性的概率 分布情况。
[0106] 另外，通过图3以及矩阵Rf-b、Mr-a的用户特征属性的研究，可挖掘出具有相似属性 的用户特征。通常，具有相似属性的用户可能具有相似的人生阅历、兴趣特征和生活习性。 因此，具有相似用户属性的概率值越大，推荐他们建立用户关系的可能性就越大。
[0107] 用户关系的概率性
[0108] 用户关系的概率性，指的是不同用户间的关联不断发生变化的不确定性。用户关 系的建立与转换，受到社会需求、用户主观意愿等各种诱因的驱动，同时也受到用户间相互 作用的制约。诱因驱动在用户事件发生前，事先无法被预知，但它造成用户多次历史行为的 重复，却为用户关系的概率性预测创造了契机。另外，用户间的相互作用、用户言论传播的 影响力等因素均会对用户关系的概率性造成影响。例如，通过用户的自荐或用户间的互相 推荐，通过传播媒介(报纸、互联网、广播等)对相关人物或事件的报道均可导致用户关系的 建立或破裂。
[0109] 基于此，可基于影响用户关系概率性的因素建立用户关系映射矩阵Μι^υ，。其中，行 标识序列和列标识序列{1]'1，1]' 2，1]'3"_，1]'11}分别表示用户集合1]与1]'之间 建立或破裂的用户关系。行与列的交叉所对应的数值用以表示不同的用户集合之间是否建 立了映射关系。如下矩阵所示，
[0111] 从矩阵MhLr中可以看出，不同用户集合之间的映射关系矩阵对应的是一个布尔矩 阵，用于表示用户之间是否建立了社会关系或该关系已由于某种原因而导致破裂，若用户 间建立关系则行列交叉概率为1，若用户间未建立关系则行列交叉概率为〇,若用户间的关 系由于某种原因而导致破裂则交叉概率为-1。
[0112] 为了研究用户关系与用户活动地理位置之间存在的某种必然联系，本专利建立了 用户与活动位置的映射关系矩阵，如矩阵Mi^l所示。
[0114] 从矩阵Mi^l中可以看出，用户活动所对应的每个位置都存在一定的概率，该概率的 取值为一个介于0-1之间的数值，数值越大表明该用户在该位置的活动频度越大，从而说明 该位置是用户活动的常用位置，从而达到捕获用户活动域的目的。而将和Mpl中的映射 矩阵相结合，则可用于计算不同用户活动轨迹的相互关系和他们各自的活动轨迹。
[0115] 将用户关系与用户活动的地理位置特征相结合，可用于对用户活动域的初步划 定。一般而言，具有较近地理位置的用户建立用户关系的可能性大于地理位置相隔较远的 用户。因此，无论是利用用户关系的概率性对用户活动区域进行预测，还是利用用户活动区 域促进用户关系的建立，都能够达到提升二者之间相互推断准确率的目的。
[0116] 可以理解的是，对于本领域的普通技术人员来说，可以根据本发明的技术构思做 出其它各种相应的改变与变形，而所有这些改变与变形都应属于本发明权利要求的保护范 围。
【主权项】
1. 一种基于概率的社交网络确定方法，其特征在于，其包括如下步骤： 51、 确定用户行为的概率性，确定用户属性的概率性，确定用户关系的概率性；用户行 为的概率性用于表示用户行为的不确定性，用户属性的概率性用于表示用户扮演社会角色 或从事职业的不确定性，用户关系的概率性用于表示不同用户间的关联不断发生变化的不 确定性； 52、 通过步骤S1中的确定结果表示社交网络中的用户关系的建立和解除，用户属性和 用户行为的发生受到的因素的影响，W及随着时间的推移呈现不确定性变化规律。2. 如权利要求1所述的基于概率的社交网络确定方法，其特征在于， 所述步骤S1中确定用户行为的概率性包括： 建立用户集合U所在的社交网络SN中未来时间划分集合Τ= Ui，t2，t3，. . . tn}; 各个时间段分别对应于用户行为集合f = Η，Λ，^，…·，^}，其中^表示ti时刻用户 从事的事件，并依序类推； 分别定义用户行为发生的空间位置集合么=^，七，· ··，V和诱因集合 f "'f:，…，巧中与和分别表示时刻用户行为发生时的空间位置和导致 用户行为发生的诱因； 用户行为的概率性表示如下:U^T^L^E^W，其中各个集合中各元素依次为多对多的 映射关系。3. 如权利要求2所述的基于概率的社交网络确定方法，其特征在于， 所述步骤S1中确定用户属性的概率性包括： 对用户及其对应的用户角色或职业建立映射关系矩阵Mu-R，行标识序列{Mui，Mu2， Mu3 ,…,Mun巧日列标识序列{MrI ,Mr2 ,Mr3··· ,Mrih}分别表不用户集合和各用户对应的用户角色 或职业集合;行与列的交叉所对应的数值表示二者之间是否存在映射关系，映射关系矩阵 是一个n*m阶的布尔矩阵，行列交叉数值为1表示二者存在映射关系，为0则表示无映射关 系； 建立对用户角色或职业转换关系矩阵Rf-B，行标识序列IRfI，化2，化3···，Rf。}和列标识序 列邮1而2瓜3-而。}分别表示转换前后的用户角色或职业;行与列的交叉所对应的数值用 W表示用户角色或职业转换的概率； 矩阵如下：对于良明用户角色或职业在转换前后均应保持其闭合性;在一个闭 合空间内的用户角色或职业在转换前后，存巧表明用户角色或职业保持不 变时，转换关系概率恒定为0; 建立用户角色或职业与用户属性间的从属关系矩阵Mr-A，行标识序列{Mri，Mr2，Mr3···， Mr。巧日列标识序列{Mai,Ma2，Ma3···，MAn}分别对应用户角色或职业种类和用户属性类别，举证 行与列的交叉所对应的数值用W表示用户角色或职业与用户属性间是否存在从属关系； 矩阵Mr-^a如下：从属关系矩阵Mr_^a对应的是一个布尔矩阵，表明用户角色或职业与用户属性间是否存 在从属关系，若存在行列交叉概率为1，否则为0。 根据矩阵Mι^^、Rw3、Ml^^A对用户属性的概率性建立矩阵运算关系： Uproperty -Μ|_Μ? X Mr-^A X Rp-^ 其中IVnperty表示用户属性的概率矩阵。 4 .如权利要求3所述的基于概率的社交网络确定方法，其特征在于， 所述步骤S1中确定用户关系的概率性包括： 建立不同用户集合间的映射关系矩阵11^^'，其中，行标识序列化1，化，化一，山巧日列标识 序列{11'1，1]'2，1]'3-，1]'。}分别表示用户集合1]与1]'之间建立或破裂的用户关系；行与列的 交叉所对应的数值用W表示不同的用户集合之间是否建立了映射关系； 矩阵Mlwi'如下：矩阵Miwi'中，不同用户集合之间的映射关系矩阵对应的是一个布尔矩阵，用于表示用 户之间是否建立了社会关系或该关系已由于某种原因而导致破裂，若用户间建立关系则行 列交叉概率为1，若用户间未建立关系则行列交叉概率为0,若用户间的关系由于某种原因 而导致破裂则交叉概率为-1; 建立用户与位置映射关系矩阵11^^矩阵11^^1中用户活动所对应的每个位置都存在一定的概率，该概率的取值为一个介于 0-1之间的数值，数值越大表明该用户在该位置的活动频度越大，从而说明该位置是用户活 动的常用位置。5. -种基于概率的社交网络确定系统，其特征在于，其包括如下单元： 概率性确定单元，用于确定用户行为的概率性，确定用户属性的概率性，确定用户关系 的概率性；用户行为的概率性用于表示用户行为的不确定性，用户属性的概率性用于表示 用户扮演社会角色或从事职业的不确定性，用户关系的概率性用于表示不同用户间的关联 不断发生变化的不确定性； 社交网络预测单元，用于通过概率性确定单元中的确定结果表示社交网络中的用户关 系的建立和解除，用户属性和用户行为的发生受到的因素的影响，W及随着时间的推移呈 现不确定性变化规律。6. 如权利要求5所述的基于概率的社交网络确定系统，其特征在于， 所述概率性确定单元中确定用户行为的概率性包括： 建立用户集合U所在的社交网络SN中未来时间划分集合Τ= Ui，t2，t3，. . . tn}; 各个时间段分别对应于用户行为集合f = K，e,，吃，· · ·，Cf.,}，其中气表示ti时刻用户 从事的事件，并依序类推； 分别定义用户行为发生的空间位置集合A =峰，4,4，...，心和诱因集合 W "V ...，，其中与和^^分别表示时刻用户行为发生时的空间位置和导致 用户行为发生的诱因； 用户行为的概率性表示如下:U^T^L^E^W，其中各个集合中各元素依次为多对多的 映射关系。7. 如权利要求6所述的基于概率的社交网络确定系统，其特征在于， 所述概率性确定单元中确定用户属性的概率性包括： 对用户及其对应的用户角色或职业建立映射关系矩阵Mu-R，行标识序列{Mui，Mu2， Μυ3，···，Μυη}和列标识序列{1[^，11?2，11?-，，11?。}分别表示用户集合和各用户对应的用户角色 或职业集合;行与列的交叉所对应的数值表示二者之间是否存在映射关系，映射关系矩阵 是一个n*m阶的布尔矩阵，行列交叉数值为1表示二者存在映射关系，为0则表示无映射关 系； 建立对用户角色或职业转换关系矩阵Rf-B，行标识序列邮1瓜2瓜3-瓜。巧日列标识序 列邮1而2瓜3-而。}分别表示转换前后的用户角色或职业;行与列的交叉所对应的数值用 W表示用户角色或职业转换的概率； 矩阵如下：对3表明用户角色或职业在转换前后均应保持其闭合性;在一个闭 合空间内的用户角色或职业在转换前后，存在表明用户角色或职业保持不 变时，转换关系概率恒定为0; 建立用户角色或职业与用户属性间的从属关系矩阵Mr-A，行标识序列{Mri，Mr2，Mr3···， Mr。巧日列标识序列{Mai,Ma2，Ma3···，MAn}分别对应用户角色或职业种类和用户属性类别，举证 行与列的交叉所对应的数值用W表示用户角色或职业与用户属性间是否存在从属关系； 矩阵Mr-^a如下：从属关系矩阵Mr~^a对应的是一个布尔矩阵，表明用户角色或职业与用户属性间是否存 在从属关系，若存在行列交叉概率为1，否则为0。 根据矩阵Mι^^、Rw3、Ml^^A对用户属性的概率性建立矩阵运算关系： Uproperty -Μ|_Μ? X Mr-^A X Rp-^ 其中Uproperty表示用户属性的概率矩阵。 8 .如权利要求7所述的基于概率的社交网络确定方法，其特征在于， 所述概率性确定单元中确定用户关系的概率性包括： 建立不同用户集合间的映射关系矩阵11^^'，其中，行标识序列化1，化，化…，山巧日列标识 序列{11'1，1]'2，1]'3-，，1]'。}分别表示用户集合1]与1]'之间建立或破裂的用户关系；行与列的 交叉所对应的数值用W表示不同的用户集合之间是否建立了映射关系； 矩阵Mlwi'如下：矩阵Miwi'中，不同用户集合之间的映射关系矩阵对应的是一个布尔矩阵，用于表示用 户之间是否建立了社会关系或该关系已由于某种原因而导致破裂，若用户间建立关系则行 列交叉概率为1，若用户间未建立关系则行列交叉概率为0,若用户间的关系由于某种原因 而导致破裂则交叉概率为-1; 建立用户与位置映射关系矩阵11^^矩阵11^^1中用户活动所对应的每个位置都存在一定的概率，该概率的取值为一个介于 0-1之间的数值，数值越大表明该用户在该位置的活动频度越大，从而说明该位置是用户活 动的常用位置。
【文档编号】G06Q50/00GK106097115SQ201610475149
【公开日】2016年11月9日
【申请日】2016年6月24日
【发明人】王峰
【申请人】长江大学