[發明專利]一種基于時間要素的優質節點探測方法

在審

• 申請號: 201710956412.6
• 申請日: 2017-10-16
• 公開（公告）號: CN107767280A
• 公開（公告）日: 2018-03-06
• 發明（設計）人: 王峰;杭波;谷瓊;趙永標;熊偉;項東升
• 申請（專利權）人: 湖北文理學院
• 主分類號: G06Q50/00
• 分類號: G06Q50/00;G06F17/30
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙)42222
• 代理人: 魏波

技術領域

本發明屬于社交網絡中關鍵節點探測技術范疇，涉及一種基于時間要素的優質節點探測方法。

背景技術

近幾年來，由于社交網絡的研究日趨熱門，基于社交網絡平臺上的探測和發現優質用戶問題的研究也日益得到人們的重視。通過對這類用戶的挖掘，可以和這些優質用戶建立更直接的關聯以獲取蘊含的社會價值。例如，教師熱衷于發現優秀的學生進行重點培養，商人熱衷于發現優質的合作伙伴進行商業合作，金融行業熱衷于發現優質的客戶以實現經濟價值，從業多年的HR善于發現優秀的人才來為企業服務等等。那么，作為一個具備敏銳眼光的觀察者，他們又是憑借何種知識和經驗去發現所在行業中的優質客戶的呢？這些問題正是本專利所要解決的核心問題：通過提取目光敏銳觀察者對優質用戶發現的知識和經驗為基礎，從中提取優質用戶所具備的特征建立關聯規則和特征識別庫。將觀察者發現優質用戶的問題引入到社交網絡的研究領域中，以社交網絡的圖挖掘為理論依據，將該問題轉化為社交網絡中發現和探測優質節點的問題，從而形成了一套對該挑戰性問題加以解決的方法體系。

通過對國內外參考文獻的閱讀和研究現狀的分析發現，以社交網絡圖挖掘知識建立模型，以發現優質節點的相關研究文獻并不多見，與本專利緊密相關的參考文獻就更難以尋覓。因此，本專利所要解決的問題，不僅在該問題所涉及的國內外研究現狀中具有一定的創新性，而且在解決問題的方法、途徑和思路上，更具有其獨創性。通過涉獵與本專利相關的參考文獻，涉及的主要研究問題和研究點可概括如下。其中，

最佳消息發布時間：Nemanja Spasojevic等人規劃出了一種叫做when-to-post的問題([文獻1])，解決該類問題的目標是要找出社交網絡中用戶發布消息的最佳時間，從而值得聽眾的反饋概率達到最大化。為了讓讀者能夠理解這個問題的復雜性，他們在發布消息反應時間方面考察了用戶行為的變化情況，并比較了不同城市中的用戶每周在Twitter和Facebook上跨網絡和跨城市的反應行為。他們將這種分析思路用十億條發布消息進行實施驗證，觀察聽眾的反應并提出了生成個性化發布計劃的多種解決方法。

雙向影響力傳播：Rui Yan等人提出了通過影響力傳播來平滑語言模型([文獻2])，以達到解決社會網絡中薄弱環節的目的。他們建立了一種雙向社會化因素圖模型，該模型利用文檔對和文檔背后的社會化增強網絡二者之間的文本關聯。例如，用戶關系和社會互動。這些因素作為文檔和他們通信作者中的屬性和依賴關系而被建模。最后，他們基于估計的影響力傳播詞項給平滑后的文檔。

社交網絡中的局部共校準：當前，人們通常參與到多種在線社交網路中同時共享多個社交網絡富服務。除了共同的用戶以外，社交網絡能提供類似的服務。這些服務可以共享很多其它種類的信息實體。例如，位置，視頻和產品。然而，這些在不同社交網絡中共享的實體大都沒有任何已知的對應關系而相互孤立。Jiawei Zhang等人針對這些同時跨網絡鏈接多種共享實體的潛在對應關系([文獻3])，而在形式上，這類問題被稱之為網絡的“局部共校準”(PCT)問題。它是很多具體跨網絡應用的先決條件，例如社會網絡融合，多信息交換與傳遞。同時，局部共校準問題也由于下列原因而被認為是一種挑戰性問題。包括：1、社交網絡的異質性；2、建模所需的訓練實例的缺乏；3、通信連接方面一對一的限制。為了解決這些挑戰，他們提出了一種新的網絡校準架構UNI-COAT(非監督型共校準)。基于異質信息，該架構將局部共校準問題轉化為一個聯合優化問題。為了解決這個目標函數，通信關系上的一對一限制被釋放，而冗余非存在性相關連接將由一種新的網絡共匹配算法被裁減。

多社交網絡學習和應用：人類生活在社交網絡時代，全世界的人類由多個社交網絡連接并組織起來。對于不同的社交網絡而言，這種觀點可能根據它們所提供服務的不同而有所差異。人們之間相互問候并從不同角度全面地描述了某個特定的用戶。相對于單一來源傳遞的匱乏知識，多社交網絡的恰當融合提供給本發明一個更好的機遇來進行深層次用戶理解。然而，挑戰與機遇并存。第一個挑戰就是由于一些用戶在某個社交網絡中表現活躍而在另一些設計網絡中表現不活躍而導致塊丟失數據的存在。第二個挑戰是如何協同的整合多個社交網絡。為達到這個目的，Xuemeng Song等人通過對來自多源知識的無縫探索，提出了一種針對數據丟失實現的新模型([文獻4])。然后，他們開發了一種魯棒性的多社交網絡學習模型。