[發明專利]基于時空關系學習的移動社交網絡用戶關系推斷方法

有效

• 申請號: 202010572405.8
• 申請日: 2020-06-22
• 公開（公告）號: CN111738447B
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 陶玉婷;常姍;朱弘恣;王佳程;杜坷坷
• 申請（專利權）人: 東華大學
• 主分類號: G06N5/04
• 分類號: G06N5/04;G06F16/9536;G06F16/9537;G06K9/62;G06Q50/00
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 徐俊

1.一種基于時空關系學習的移動社交網絡用戶關系推斷方法，其特征在于，包括以下步驟：

步驟1、提取用戶對之間的交互行為特征，利用該特征推斷兩個用戶之間是否具有朋友關系，包括以下步驟：

步驟101、將移動數據所有用戶簽到涉及的興趣點POIs按照經緯度劃分到I×J的網格中，同時將時間劃分為M個時間片段，構建一個I×J×M的時空矩陣STD，其中，時間維度上將時間分為長度τ的等長時間片，空間維度上將空間均勻地劃分為大小相等的網格，遞歸地將每個網格劃分為四個相等的網格，直到興趣點POIs的數量在每個網格小于閾值σ；

步驟102、將每個用戶對(u_a,u_b)的軌跡均投影到時空矩陣STD中，用戶的每一個簽到都可以投影到一個特定的方格中，對于每個方格，計算：該時間段內用戶u_a訪問過的興趣點數n_a；用戶u_b訪問過的興趣點數n_b；用戶u_a和用戶u_b共同訪問過的興趣點數n_a,b，由此獲得用戶對(u_a,u_b)的時空矩陣式中三元組表示第m時間段內用戶u_a和u_b在第i行第j列的位置網格中移動信息的統計量；

步驟103、將每對用戶對(u_a,u_b)的時空矩陣O_(a,b)編碼成一個低維向量，并利用該低維向量計算用戶u_a和用戶u_b存在朋友關系的概率，獲得初始的社交關系圖G＝(U,E)，U是圖中的頂點的集合，表示所有具有移動信息的用戶；E是邊的集合，表示兩個用戶之間具有朋友關系，其中，時空矩陣O_(a,b)的大小通過參數σ和τ來調整；

步驟2、為每個用戶提取一個k可達的子圖來描述用戶之間的網絡結構，對于給定的初始的社交關系圖G＝(U,E)，定義提取用戶對(u_a,u_b)的k-可達子圖的步驟如下：

步驟201、設置路徑長度為2，將初始化為空圖；

步驟202、在初始的社交關系圖G中找出(u_a,u_b)之間所有長度為2的路徑，并將找到的所有路徑表示為然后刪除社交關系圖G中和中均出現的點和邊，除了用戶u_a和用戶u_b本身；

步驟203、逐步增加路徑長度，重復步驟202，直到路徑長度超過k；

步驟3、根據初始的社交關系圖G，對于每對用戶對(u_a,u_b)的k-可達子圖進行編碼，基于累加的原則對相同長度路徑的編碼，對不同長度的路徑的編碼結果進行拼接，實現對用戶對k-可達子圖的向量化，獲得用戶對的綜合特征向量；

步驟4、利用分類器根據用戶對的綜合特征向量進行0/1分類，其中1是朋友，0為不是朋友，獲得最新的預測社交圖；

步驟5、利用最新的社交圖，更新用戶對的結構特征，進而重新進行預測，直到預測結果不在發生變化，即獲得最終預測的社交網絡圖。

2.如權利要求1所述的一種基于時空關系學習的移動社交網絡用戶關系推斷方法，其特征在于，步驟103中，將時空矩陣O_(a,b)輸入一個具有R個隱藏層的自動編碼器，該自動編碼器將其編碼成d維的向量，獲得重構的時空矩陣使其與編碼器的輸入O_(a,b)接近，該訓練過程的優化目標為：

式中，表示混合網絡中自編碼器網絡的損失函數，即盡可能地使得解碼后的重構時空矩陣與編碼前的時空矩陣O_(a,b)相同，U表示訓練樣本中的所有用戶；

自動編碼器的訓練采用有監督訓練實現編碼過程的重建和區別，即為自動編碼器添加一個分類網絡來監控其編碼過程，該過程的損失函數為：

式中，表示預測結果，即分類網絡的輸出結果；y表示樣本標簽；n表示訓練樣本的個數，即訓練數據集中涉及到的用戶對的個數；

為了獲取更具有識別力的向量表示，對整合混合網絡作出以下約束：

式中，表示混合網絡的綜合損失函數；

一旦訓練完成，編碼器將從自動編碼器網絡中取出，用于對用戶集中的任何一對用戶時空關系矩陣進行編碼和初步關系推斷。