[发明专利]一种基于社交行为特征的交互对象预测方法

说明书

本发明涉及一种基于社交行为特征的交互对象预测方法，社交行为特征，即用户与好友交互的相对频率。随着时间的变化，用户的社交行为特征分布具有稳定性。通过对在线社交网络中的交互特征的挖掘，本发明在找到交互特征的基础上，可以仅通过一个简单的嵌入性指标E，就能预测用户的亲密好友。基于此提出一种网络结构分析方法，仅需要知道用户关系，而不需要知道交互频率，通过嵌入性指标的预测，就能找到用户经常交互的对象。该方法适用于大规模社交网络中，用户最亲密的好友预测。

技术领域

本发明涉及一种信息技术，特别涉及一种基于社交行为特征的交互对象预测方法。

背景技术

在线社交网络(OSN)得到了越来越多的研究者关注。数以亿计的用户在过去的几年中互相进行通信和互动，拓宽了关于人类关系模式的认知。虽然用户通过OSN与更多朋友建立连接是方便的，但由于认知能力和脑容量的限制，OSN 中的交互模式中，人们能够处理的好友信息量，类似于线下面对面人际交流网络。Dunbar认为，人的认知能力是有限的，平均来说，每个人只能维持150个朋友，只有5个最亲密的朋友，这个结论已经通过了面对面交流网络，移动通信网络和在线社交网络得到验证。

发明专利CN201610848634.1提出了一种社交网络中有效朋友关系发现的实现方法，通过机器学习分类器算法，挖掘社交网络中的用户朋友集中的有效朋友集。发明专利CN201410025336.3涉及一种在线社交网络中朋友关系预测的方法，选取信息增益最大的三个特征来表征用户之间的朋友关系，预测用户的签到和朋友关系数据。发明专利CN201610453995.6公开了一种面向社交网络的用户关系分析方法，根据所提取的信息建立个人兴趣影响因子函数、好友关系影响因子函数和社团驱动影响因子函数，以最大熵原理为基础构建用户关系分析模型。发明专利CN201711422233.0公开了基于位置社交网络的用户关系强度方法，提取用户的时间上下文共现特征和位置上下文共现特征，利用上下文共现特征训练多视角分类器预测用户间的时间关系强度得分和位置关系强度得分。

上述发明的考虑到社交网络上用户不同类型的行为特征，通过特征预测关系，引入的特征相对较为丰富。而用户行为最基本的特征就是交互频率，通过直接观察交互频率，就能知道最密切交互的好友。但是往往在线社交网络中，交互频率是隐私数据，可以观测到的只是用户之间的关系。

发明内容

本发明是针对社交网络上用户特征预测的问题，提出了一种在不知道交互频率的情况下，仅通过用户关系，预测用户的亲密好友，是本发明专利的特点。通过对在线社交网络中的交互特征的挖掘，本发明发现在找到交互特征的基础上，可以仅通过一个简单的嵌入性指标E，就能预测用户的亲密好友。

本发明的技术方案为：一种基于社交行为特征的交互对象预测方法，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；