[发明专利]一种基于社交行为特征的交互对象预测方法

权利要求书

1.一种基于社交行为特征的交互对象预测方法，其特征在于，具体包括如下步骤：

1)计算社交行为特征P：从几个在线社交网络数据集中，按设置的时间切片均分为几个数据集，在每个数据集中考虑交互的朋友超过R名的主体，主体分为在数个时间切片内都出现的长期主体L和在一个时间切片内出现的短期主体S；由时间切片划分、主体节点数N，主体和朋友之间的连边数E，长期主体n_L，短期主体n_S，在每一个时间切片内，构造自我中心网络，交互的强度是每一个时间切片中每一个主体与朋友交互的数量，并且把朋友按交互强度进行降序排列，然后，计算出了时间切片内主体的社交行为特征，代表主体对各个朋友的交互频率分布；

2)计算JS散度：用JS散度来测量两个主体之间的社交行为特征的距离，即通过JS散度对比社交行为特征：对步骤1)获得的不同主体社交行为特征，对比不同时间区间和类型的社交行为特征相似性；

3)计算主体的好友变更率J：在步骤1)相同的几个在线社交网络数据集中，计算两个连续时间切片间主体好友变化的比率，使用变更率J来量化两个连续时间切片之间的朋友变更率；

4)在步骤1)基础上，通过概率密度函数拟合社交行为特征的分布；

5)通过零模型检验社交行为特征的异质性：对步骤1)～4)建立的各个时间切片的自我中心网络利用随机零模型进行随机化，主体和切片时间不变，主体和朋友之间的关系随机化，重新构造自我中心网络；对重新构造的自我中心网络进行社交行为特征、JS散度和主体的好友变更率；零模型运用计算建立的自我中心网络与对应时间切片随机重构的自我中心网络的异质性；如果差异越大，说明建立的自我中心网络模型规律性效果越好，以此实证社交行为特征获得的自我中心网络异质性；

6)基于网络结构的嵌入性关系预测：计算每一对节点之间的嵌入性，嵌入性指标用度量两个节点之间的密切关系，基于嵌入性值重新构造所有各个时间切片的结构自我中心网络；

7)关系预测：通过各个时间切片的自我中心网络和步骤6)获得的结构自我中心网络相似性验证步骤6)后，使用步骤6)结构自我中心网络来预测交换对象的关系。

2.根据权利要求1所述基于社交行为特征的交互对象预测方法，其特征在于，所述步骤1)社交行为特征P的具体计算方法：将时间切片i内主体j的社交行为特征P_i,j定义为，排名前R位朋友的交互比例，此外，代表长期主体，代表短期主体，P_i,j计算公式如下：

P_i,j＝{p_i,j(r),r＝1,2,...,R}，

其中，P_i,j是在一个时间切片i内一个主体j与排名第r个朋友的交互频率，而p_i,j(r)是与排在第r位朋友交互的比例，r的范围从1到R；然后，考虑每个时间切片上的社交行为特征平均P_i，这里的平均，是对排名在r的朋友交互频率，在不同时间片的均值，表达的是集群社交行为特征，计算公式如下：

P_i＝{p_i·(r),r＝1,2,...R}，

其中，p_i·(r)是在时间切片i内，所有主体与排在第r位朋友互动的平均比例；对于长期主体，n＝n_L，并且在每个时间切片i内的平均社交行为特征表示为P_i^L；对于短期主体，n＝n_S，每个时间切片i内的平均社交行为特征表示为P_i^S。