[发明专利]动态社会网络用户行为的预测方法

权利要求书

1.一种动态社会网络用户行为的预测方法，其特征在于，包括以下步骤：

S1：从社会影响力、时间相关性和网络相关性方面对动态社会网络的用户行为进行概率统计分析；

S2：采用图论、集合和矩阵理论等计算机技术手段对动态社会网络中用户行为进行形式化定义动态社会网络中用户行为的建模问题，具体包括：

用户行为定义为用户v_i在t时刻的行为，用一个三元组来表示：(y，v_i，t)即为y为用户行为，定义Y^t为所有用户t时刻行为的集合，将所有用户的全部行为定义成行为的历史记录Y＝{(y，v_i，t)}_i，t；

动态属性矩阵X^t定义为N×d的矩阵，N表示用户数，d表示属性个数，表示的是t时刻网络中全部用户属性的矩阵，其中每一行x_i表示的是用户v_i的全部属性，而每一列表示属性的全部值，元素x_ij表示的是用户v_i的第j个属性；

属性加强网络定义为G^t＝(V^t，E^t，X^t，Y^t)，其中V^t是t时刻用户的集合，而E^t是t时刻边的集合，边表示用户间的好友关系；

S3：根据步骤S2中的建模建立动态抗噪音因子图模型，给定连续T时刻的属性加强网络G＝{G^t＝(V^t，E^t，X^t，Y^t)}，t∈{1，...，T}，V＝V¹∪V²∪...∪V^T，|V|＝N，定义G中历史记录Y的联合分布：

p(Y|G)=Πt=1TΠi=1Nf(yit|zit)f(zit|z~vit-1)f(zit|z~vit,xit)]]>

其中～v_i表示的是v_i在社会网络中的邻居，表示t时刻用户v_i的隐行为状态，表示t时刻v_i与其朋友之间的隐行为状态，为v_i的朋友历史行为的记录，表示t时刻包括用户v_i全部属性的属性向量；

动态抗噪音因子图模型包括三类因子函数：

行为偏差因子表示t时刻在用户v_i的隐行为状态的条件下得到行为的概率，公式如下：

f(yit|zit)=12πδ2exp{-(yit-zit)22δ2}]]>

其中δ是用来调整用户行为噪音权重的变量，

所述隐行为状态为：对于每个用户在t时刻的行为定义一个连续的状态这个状态相对而言可能有个偏差，这个状态用来描述用户内心真实的想完成这个行为的程度；

社会影响因子反映了用户朋友对于用户v_i在t时刻行为的影响，公式如下：

f(zit|z~vit-1)=1Q1exp{Σj=1Nλjimjit-1gji(zit,zjt-1)}]]>

其中是定义在两个用户的隐行为状态和上的函数，当且仅当时，λ_ji表示用户v_j对用户v_i的影响值，Q₁为归一化因子，说明在t-1时刻的社会网络中，用户v_i和v_j之间有边；

网络相关因子表示用户t时刻行为间的网络相关性，公式如下：

f(zit|z~vit,xi)=1Q2exp{(Σj=1Nβijmijthij(zit,zjt)}+Σk=1dakhk(zit,xikt))}]]>

其中，因子函数表示用户v_i和用户v_j在t时刻行为趋于一致，用于衡量在t时刻用户v_i和其第k个属性的关系，d表示属性的个数，β_ij和α_k分别是和的权重，Q₂为归一化因子；

由行为偏差因子和用户行为相关性推出动态抗噪音因子图模型期望最大化的目标函数为：

p(Y|G)=1Qexp{Σt=1TΣi=1N(yit-zit)22δ2+Σt=1TΣi=1NΣj=1Nλjimjit-1g(zit,zjt-1)]]>

+Σt=1TΣi=1NΣj=1Nβijmijthij(zit,zjt)+Σt=1TΣi=1NΣk=1dαkhk(zit,xikt)}]]>

其中为归一化因子；

S4：对所述动态抗噪音因子图模型进行学习，从所述历史记录Y里估计参数的值θ＝({q_i}{α_k}{β_ij}{λ_ji})，使得目标函数最大化，其中，q_i是归一化因子，α_k和β_ij分别是所述步骤S3中和的权重；

S5：根据所述θ预测用户行为。