[發明專利]基于社交用戶隱特征表示的網絡群體形成機制發現方法

有效

• 申請號: 201811011747.1
• 申請日: 2018-08-31
• 公開（公告）號: CN109300057B
• 公開（公告）日: 2021-08-10
• 發明（設計）人: 劉業政;賀菲菲;李玲菲;姜元春;孫見山
• 申請（專利權）人: 合肥工業大學
• 主分類號: G06Q50/00
• 分類號: G06Q50/00
• 代理公司: 北京旭路知識產權代理有限公司 11567
• 代理人: 董媛;王瑩

本發明提供一種基于社交用戶隱特征表示的網絡群體形成機制發現方法，涉及網絡技術領域。包括以下步驟：基于用戶連接關系構建社交網絡；利用node2vec方法學習獲得所述社交網絡的隱特征表示；基于所述社交網絡的隱特征表示生成不同影響機制下的網絡；分析所述不同影響機制下的網絡特性，確定真實網絡的形成機制。本發明結合選擇機制和影響機制，基于用戶隱偏好動態生成網絡，更加形象的刻畫了真實社交網絡的變化，從而更加準確的確定真實網絡的形成機制。

技術領域

本發明涉及社交網絡技術領域，具體涉及一種基于社交用戶隱特征表示的網絡群體形成機制發現方法。

背景技術

隨著Web2.0應用以及其他各種類型的社會媒體的發展，在線社交網絡(onlinesocial networks，OSN)已經成為人們網絡生活的最主要平臺，在這些平臺上，用戶并不是單獨存在的，他們可能會受社會選擇或者社會影響等機制影響而形成社交連接或加入群體，社會選擇表示用戶因為興趣而產生關注等連接關系，社會影響表示用戶受到網絡中重要影響力用戶的影響而產生關注等連接關系。

現有的關于網絡生成機制的研究多是認為用戶更傾向于通過連接高度數節點來獲得信息，這種影響機制下形成了BA網絡生成模型，但是該模型卻沒有考慮到社交網絡中其他重要的特性，如聚類和社區結構等。一些研究表明用戶不僅會連接高度數節點，而且他們也會因為個人興趣和少數低度數節點相連，因此，這種因為偏好相似而形成關系的社會選擇也是網絡進化形成的重要機制。這種社會選擇可被理解成顯性同質性和隱性同質性兩種，前者表示用戶偏好在顯性屬性上的相似性，如年齡、地點等，后者表示用戶偏好在某些隱偏好上的相似性。這種選擇機制下，如空間隨機圖模型，可以刻畫社交網絡的一般特性，如“小世界”、冪律度分布和高聚類性，然而這些模型在研究社交網絡生成進化機制時，是需要明確網絡大小的。最近的考慮選擇和影響機制的研究，如親密模型(kinship model)用相同顏色來表示節點間的親密程度，新節點的加入會根據度來判斷其是選擇現有顏色還是新顏色；如流行度相似性模型(popularity similarity model，PS)，流行度被視為節點生成時間，相似性被用于度量兩節點的角距離，新節點的加入是基于極坐標上雙曲線距離選擇最近的m個節點進行連接。但是這些模型只是表達了真實網絡的一些特性，對于選擇和影響機制在網絡形成過程中如何影響節點連接、邊的變化等，都沒有更加深入的研究。

發明內容

(一)解決的技術問題

針對現有技術的不足，本發明提供了一種基于社交用戶隱特征表示的網絡群體形成機制發現方法，可解決選擇和影響機制在網絡形成過程中影響的技術問題。

(二)技術方案

為實現以上目的，本發明通過以下技術方案予以實現：

一種基于社交用戶隱特征表示的網絡群體形成機制發現方法，包括，

基于用戶連接關系構建社交網絡；

利用node2vec方法學習獲得所述社交網絡的隱特征表示；

基于所述社交網絡的隱特征表示生成不同影響機制下的網絡；

分析所述不同影響機制下的網絡特性，確定真實網絡的形成機制。

進一步的，所述利用node2vec方法學習獲得所述社交網絡的隱特征表示；包括：

通過隨機游走過程構建鄰居用戶集；

針對社交網絡，構建目標函數；

由所述目標函數獲得鄰居用戶集的似然函數；

對所述似然函數所表征的特征點積單元化；

通過隨機梯度上升的方法不斷優化，學習獲得較優的用戶隱特征矩陣。

進一步的，所述基于所述社交網絡的隱特征表示生成不同影響機制下的網絡；包括：