[發明專利]基于移動社交網絡關系緊密度的罪犯及貸款失聯人多網聯合搜索方法

在審

• 申請號: 202010186409.2
• 申請日: 2020-03-17
• 公開（公告）號: CN111324822A
• 公開（公告）日: 2020-06-23
• 發明（設計）人: 龐素琳
• 申請（專利權）人: 廣東巴拿赫大數據科技有限公司
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06Q50/00
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 謝靜娜;李斌

本發明公開了一種基于移動社交網絡關系緊密度的罪犯及貸款失聯人多網聯合搜索方法，包括下述步驟：構建失聯人的移動社交網絡；構建失聯人交互屬性矩陣；構建指數權重計算模型，并構建指數加權交互屬性矩陣；建立失聯人家庭成員中任意兩個節點之間的距離計算公式；首先定義最大交互用戶，然后提出逐步剔除算法來確定家庭成員最小交互用戶，并建立失聯人與其任一家庭成員的關系緊密度計算模型；提出基于移動社交網絡關系緊密度的失聯人家庭成員多網聯合搜索算法和失聯人家族成員順序搜索算法來查找失聯人。本發明對追蹤逃犯、銀行追查攜款逃跑人、金融平臺追蹤借款失聯人包括社會和家庭尋找的失聯人均具有實際的幫助和可操作性。

技術領域

本發明屬于失聯人查找的技術領域，具體涉及一種基于移動社交網絡關系緊密度的罪犯及貸款失聯人多網聯合搜索方法。

背景技術

目前，利用移動社交網絡來研究追捕的逃犯以及銀行、金融機構和各大貸款平臺的借款失聯客戶，包括家庭或社會的失聯人等之間的關系緊密程度的研究和相應的搜索查找方法都尚示見有文獻報導。

首先，在網絡密度和群體關系等相關問題的研究中，張興剛和袁毅(2011)利用社會網絡分析工具 UCINET分析了抽樣數據中回答者用戶形成的社會網絡的網絡密度、小團體等方面特征，對問答社區用戶關系網絡特征進行了進一步分析并提出改進問答類社區的建議。徐志明等(2014)探究了微博用戶的關注名單和粉絲名單的相似程度，并認為相似程度表示用戶間關系程度。鄭瓊等(2019)基于新浪微博的真實移動社交互動數據,考慮了體現關系互動的社交關系強度和社交影響范圍,以及體現信息互動的信息價值和信息傳播控制力等四個影響因素來構建信任評估模型。王亮等(2018)以群智感知參與用戶的群體社會屬性為基礎，提出一種平臺—社群—用戶的社群化任務分發方法。基于參與用戶時空移動特征分布的近似度計算對用戶進行動態社群劃分聚類，通過在社群中設置社群組織者與社群從屬者角色，同時引入社交親密度連接關系網絡等模型，構建移動群智感知任務初次社群分發與二次用戶選擇的方法。石進平等(2018) 引入社交關系圖模型，綜合考慮用戶及物品之間的關系，利用線性模型融合多樣性和相關性兩個重要指標，利用Spark GraphX并行圖計算框架實現該算法。弭寶瞳等(2018)總結歸納了社交物聯網的主要研究內容，給出了社交物聯網的一般性定義，并探討了社交物聯網的研究意義和主要研究方法，然后分析了社交物聯網的模型。韓有業等(2018)探討了網絡時代傳播結構的變化，發現同時仍存在監視與控制，存在對社交網絡操縱的可能性。胡敏等(2018)針對LBSN中網絡的異構性以及用戶間的時空關系特性，將網絡劃分成時空-用戶-位置-類別四層超網絡，通過挖掘用戶影響力、隱關聯關系、用戶偏好以及節點度信息，對子網的邊權值進行定義和量化，挖掘用戶之間的多元關聯關系進行預測。何軍和劉業政(2017)基于社會影響和選擇兩種機制構建在線社交網絡多維網絡結構,綜合各個維度節點和連邊的拓撲結構,實現多維社交網絡預測矩陣的集結,在降維后的網絡上進行鏈路預測。李磊等(2017)從行為的成因、行為的表現及行為的影響3個方面對社交網絡行為進行全面分析。分析了社交網絡行為的影響,包括行為影響力衡量和行為引導兩個最重要角度^[]。與單次交互相比，實時的動態交互需要依靠用戶聯系的頻繁程度構建收集。記錄和標識聯系的節點，勢必會產生不同的交互頻率。Todorov,Claudio(1973)研究了過去行為的頻率變化程度對當前行為的作用影響，發現當用戶更加頻繁地做一件事時，該事件受到強化而在未來更有可能發生。張洪等(2018)基于人類行為動力學規律研究了在線信息交互行為的特征，首先，利用重標極差法計算話題討論中時間間隔序列的Hurst指數及V統計量,發現各種話題時間間隔序列Hurst指數均大于0.5,V統計量曲線呈上升趨勢,表明序列具有自相似和長程相關的分形特征；然后,分析了序列V統計量趨勢轉折點與 Hurst指數的關系,發現Hurst指數越大的序列,轉折點越靠后,即序列的非循環周期更長。研究結果表明，交互時間間隔越長，下一次的交互開始時間就越靠后。Zhang(2001)通過邀請320名中國成年人隨機到8 個實驗室并閱讀2名同事的信息，并分配獎金。8種實驗條件在關系類型，同事之間過去互動的頻率以及未來互動的可能性方面存在差異，通過研究交互頻率如何影響獎金分配決策，結果表明，過去的互動和未來的同事之間的互動都會對分配決策產生重大影響。而交互幸福水平難以直接度量，學者采用交互時長反映交互過程中的心理狀態。Kahanda和Neville(2009)使用臉書上的某大學內的在線社區交互數據，對用戶之間的交互如何影響用戶關系進行了探究，并認為用戶之間的交互對于維持用戶關系的緊密程度有非常重要的作用。Phithakkitnukoo和Smoreda(2016)通過移動通話數據分析用戶的日常活動和人際關系特征，通過用戶移動的類型、差異、活動的位置來度量位置信息，將通話頻率、每次通話時間長短來測度人際關系。并發現，用戶之間的關系強度越強，他們的各項測度度量指標越接近，其地理位置移動信息越相似。琚春華等(2016)通過用戶交互頻率、交互時間長短來度量用戶關系緊密程度。韓忠明等(2016)研究了用戶交互的被動性和主動性，提出有向的關系緊密程度計算方法。張翔等(2006)提出了一種基于緊密度的模糊支持向量機方法。通過樣本之間的緊密度來描述類中各個樣本之間的關系，利用包圍同一類中樣本的最小球半徑大小來度量樣本之間的緊密度。實驗結果表明，與傳統支持向量機方法及基于樣本與類中心之間關系的模糊支持向量機方法相比，基于緊密度的模糊支持向量機方法具有更好的抗噪性能及分類能力。王連喜等^[10](2012)依據微博用戶的特點對微博用戶關系挖掘的概念進行了闡釋；然后，以微博用戶關系挖掘的兩個重要研究內容為主線，分別對微博用戶社群分析和關鍵用戶識別做細致的介紹和分析。