[发明专利]通过基于核的学习对社交强度进行建模

说明书

技术领域

本发明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。

背景技术

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(例如，标签、评论等等)也可被用来推断用户之间的隐含关系。

然而，在先前的研究中，Flickr数据挖掘主要关注的是仅针对图像或仅针对标签的分析，其他的丰富元数据并没有被很好地使用。目前，利用Flickr之类的社交联网站点上可用的多模态信息对社交强度建模依旧是个挑战。

发明内容

提供本发明内容是为了介绍将在以下具体实施方式中进一步描述的频繁对象挖掘的简化概念。本发明内容并不旨在标识所要求保护的主题的必要特征，也不旨在用于帮助确定所要求保护的主题的范围。

本发明提出了新的用于社交强度建模的两阶段基于核的学习框架，其通过优化地组合多个核来有效地集成异类(heterogeneous)数据，并通过基于核的排序学习(learning to rank)方式来排序学习社交强度。

本发明提出了一种用于测量社交网站内用户相似性的方法。首先，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。接着，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。

本发明还提出了一种用于对社交网站内用户的社交强度进行建模的方法。首先，将社交网站上可用的各个模态中用于测量用户相似性的核进行组合以得出最优核。接着，基于该最优核，导出排序学习框架来推断用户之间的社交强度。

通过阅读下面的详细描述并参考相关联的附图，这些及其他特点和优点将变得显而易见。可以理解，前述一般描述和以下的详细描述都是说明性的，并且不限制所要求保护的各方面。

附图说明

本发明上述的以及其他的特征、性质和优势将通过下面结合附图和实施例的详细描述而变得更加明显，在附图中，相同的附图标记始终表示相同的特征，其中：

图1示出了根据本发明的各实施例的框架。

图2示出了根据本发明的各实施例的用于对社交强度进行建模的方法的流程图。

具体实施方式

图1显示了根据本发明的各实施例的基于核的排序学习框架。在第一学习阶段，本发明基于核目标对齐(KTA)原理，通过学习最优组合权重来组合多个邻近(proximity)图。在第二阶段，本发明使用从第一阶段学习的最优核来得出基于核的排序学习方法，以对社交强度进行建模。例如，图1的第一个框(最左面的框)显示了与用户相关联的数据，基于该数据，在图1的第二个框内构建了三幅图(出于说明目的，仅仅呈现了三种类型的图)。在图1的第三个框中，首先，通过将文本图和可视图的组合与朋友图最大地对齐来学习权重θ，接着，采用具有逻辑亏损(logistic loss)的排序学习框架来估计社交强度。所学习的社交强度能在第四框中示出的各种应用中使用。

本发明所提出的两阶段学习方法能够通过研究多模态异类数据以系统和全面的方式来对用户的社交强度进行建模。需要注意的是，虽然本发明将Flickr作为社交媒体社区的一个示例(因为Flickr打开了公共通道使得能够访问它的丰富上下文)，本发明所提出的基于学习的方法能被应用到任何类型的社区，诸如Facebook和LinkedIn，在这些社区中，用户也与丰富多模态元数据相关联。

社交强度建模的问题定义

首先，给出社交强度建模的问题定义。表1列出了关键标记。需要注意的是，虽然采用Flickr作为示例社交社区，但是完全可以理解可以采用其他类型的社交社区。

表1