一種個(gè)性化的社交網(wǎng)絡(luò)影響識(shí)別方法
【專利摘要】本發(fā)明公開了一種個(gè)性化的社交網(wǎng)絡(luò)影響識(shí)別方法，涉及社交工程學(xué)，旨在根據(jù)網(wǎng)絡(luò)中的人與人之間互動(dòng)，識(shí)別網(wǎng)絡(luò)中的個(gè)性化的影響關(guān)系。本發(fā)明技術(shù)要點(diǎn)：選擇一網(wǎng)絡(luò)用戶群，建立目標(biāo)用戶相對(duì)其直接朋友的關(guān)系對(duì)；提取每個(gè)關(guān)系對(duì)的關(guān)系特征值；確定每個(gè)關(guān)系對(duì)的影響程度；選取一預(yù)測(cè)模型，利用每個(gè)關(guān)系對(duì)的關(guān)系特征值及其影響程度訓(xùn)練所述預(yù)測(cè)模型；選定一新用戶，建立所述新用戶相對(duì)其直接朋友的關(guān)系對(duì)，提取每個(gè)關(guān)系對(duì)的關(guān)系特征值；將新用戶每個(gè)關(guān)系對(duì)的關(guān)系特征值帶入訓(xùn)練好的預(yù)測(cè)模型中，通過訓(xùn)練好的預(yù)測(cè)模型計(jì)算出新用戶的每個(gè)直接朋友對(duì)其的影響程度。
【專利說明】一種個(gè)性化的社交網(wǎng)絡(luò)影響識(shí)別方法
【技術(shù)領(lǐng)域】
[0001 ] 本發(fā)明涉及社交工程學(xué)，尤其是一種利用社交網(wǎng)絡(luò)分析(Social NetworkAnalysis)和機(jī)器學(xué)習(xí)(MachineLearning)技術(shù)在局域網(wǎng)絡(luò)尋找和發(fā)現(xiàn)目標(biāo)用戶個(gè)性化影響者的方法。
【背景技術(shù)】
[0002]隨著網(wǎng)絡(luò)的不斷發(fā)展，人們普遍認(rèn)為在社交網(wǎng)絡(luò)中每一個(gè)人的周圍都有很多不同的人扮演著許多角色，例如追隨者、領(lǐng)導(dǎo)者、親密朋友、普通朋友等，每一種角色對(duì)該人具有不同的影響力或者說影響程度。
[0003]識(shí)別人與人之間的影響程度的重要性不僅在于這些信息能幫助我們更好地了解社交網(wǎng)絡(luò)功能和信息如何流動(dòng)，更在于這些信息包含了有利于市場(chǎng)營(yíng)銷和產(chǎn)品推廣的巨大價(jià)值。
[0004]比如說，人們更信 任第三方的推薦通常超過商家推銷及品牌本身。如果更多的站在你自身角度進(jìn)行考慮，這也有道理的:你一般會(huì)相信你的朋友擔(dān)保的某個(gè)想法，這個(gè)想法可能是關(guān)于另一個(gè)人或一種產(chǎn)品，尤其是對(duì)你有影響力的人的推薦。對(duì)于商家來說，對(duì)其目標(biāo)用戶或者說目標(biāo)消費(fèi)者的有影響力的人就是連接商家的品牌與其目標(biāo)用戶的共同的朋友。
[0005]目前，人們?cè)谏缃痪W(wǎng)絡(luò)分析領(lǐng)域已經(jīng)完成了大量的研究工作，提出了基于中間性(Betweeness),親密性(Closeness),度數(shù)(Degrees), PR 排名(PageRank),特征向量(Eigenvector)等中心度量(centrality measures)的不同算法來識(shí)別這些人群。
[0006]然而上述這些傳統(tǒng)的的基于圖表的網(wǎng)絡(luò)分析中，所有的個(gè)體和關(guān)聯(lián)的權(quán)重都是被視為相同的:反應(yīng)不出目標(biāo)用戶的信任的朋友或陌生人之間的區(qū)別。然而，現(xiàn)實(shí)告訴我們，社交網(wǎng)絡(luò)中人與人之間存在許多類型的關(guān)系，強(qiáng)的，弱的，以及許多其他類型。

【發(fā)明內(nèi)容】

[0007]本發(fā)明所要解決的技術(shù)問題是:針對(duì)上述存在的問題，本發(fā)明的主要目標(biāo)是根據(jù)網(wǎng)絡(luò)中反應(yīng)的人與人之間互動(dòng)，識(shí)別網(wǎng)絡(luò)中的個(gè)性化的影響關(guān)系。
[0008]本發(fā)明公開了這樣一種個(gè)性化的社交網(wǎng)絡(luò)影響識(shí)別方法，包括:
步驟101:選擇一網(wǎng)絡(luò)用戶群，將所述用戶群中每一個(gè)成員分別作為目標(biāo)用戶識(shí)別其直接朋友，建立每個(gè)目標(biāo)用戶相對(duì)其直接朋友的關(guān)系對(duì)，所述每個(gè)關(guān)系對(duì)包括一個(gè)目標(biāo)用戶與其一位直接朋友；提取每個(gè)關(guān)系對(duì)的關(guān)系特征值；
步驟102:將影響程度按升序或降序分為1、2…、η等級(jí)，根據(jù)關(guān)系對(duì)的關(guān)系特征值將所有的關(guān)系對(duì)分類到所述的η個(gè)等級(jí)中形成η組；所述η為大于I的整數(shù)；在第m組中的關(guān)系對(duì)的影響程度為m等級(jí)，m取1、2、…或η;
步驟103:選取一預(yù)測(cè)模型，利用每個(gè)關(guān)系對(duì)的關(guān)系特征值及其影響程度訓(xùn)練所述預(yù)測(cè)模型； 步驟104:選定一新用戶，識(shí)別網(wǎng)絡(luò)中該新用戶的所有直接朋友，建立所述新用戶相對(duì)其直接朋友的關(guān)系對(duì)，并提取每個(gè)關(guān)系對(duì)的關(guān)系特征值；
步驟105:將新用戶每個(gè)關(guān)系對(duì)的關(guān)系特征值帶入訓(xùn)練好的預(yù)測(cè)模型中，通過訓(xùn)練好的預(yù)測(cè)模型計(jì)算出新用戶的每個(gè)直接朋友對(duì)其的影響程度。
[0009]進(jìn)一步，所述關(guān)系對(duì)的關(guān)系特征值包括以下特征值中的至少一個(gè):目標(biāo)用戶查看了多少次直接朋友的主頁；目標(biāo)用戶查看了多少次直接朋友的帖子；目標(biāo)用戶評(píng)論了多少次直接朋友的帖子；目標(biāo)用戶轉(zhuǎn)載了多少次直接朋友的帖子；目標(biāo)用戶贊了多少次直接朋友的帖子；直接朋友查看了多少次目標(biāo)用戶的描述概要；直接朋友查看了多少次目標(biāo)用戶的帖子；直接朋友評(píng)論了多少次目標(biāo)用戶的帖子；直接朋友轉(zhuǎn)載了多少次目標(biāo)用戶的帖子；直接朋友贊了多少次目標(biāo)用戶的帖子；距離上次目標(biāo)用戶與直接朋友交流多少小時(shí)；目標(biāo)用戶和直接朋友之間有多少共同直接朋友；所述共同直接朋友占目標(biāo)用戶的直接朋友總數(shù)的比例；所述共同直接朋友占直接朋友的直接朋友總數(shù)的比例。
[0010]進(jìn)一步，在步驟102中使用K-Means聚類算法根據(jù)關(guān)系對(duì)的關(guān)系特征值將所有的關(guān)系對(duì)分為η組；然后抽查每組中的若干關(guān)系對(duì)，根據(jù)從每組中抽查的關(guān)系對(duì)的關(guān)系特征值將η組的影響程度進(jìn)行升序或降序排序，并按照順序?qū)ⅵ墙M的影響程度標(biāo)記為1、2...、η等級(jí)。
[0011]進(jìn)一步，所述步驟103中，選用的預(yù)測(cè)模型為支持向量機(jī)模型。
[0012]綜上所述，由于采用了上述技術(shù)方案，本發(fā)明的有益效果是:
以往的社交網(wǎng)絡(luò)分析算法致力于發(fā)現(xiàn)某一社交網(wǎng)絡(luò)中影響力最高的人，然而我們知道即使在一個(gè)局部網(wǎng)絡(luò)中，也不存在能夠影響該局域網(wǎng)絡(luò)每一個(gè)人的人，總是會(huì)有對(duì)這個(gè)人具有影響力的人并不是對(duì)那個(gè)人具有影響力，因此現(xiàn)有技術(shù)致力于尋找的影響力人物的實(shí)際意義不大。本發(fā)明方法與現(xiàn)有技術(shù)不同之處在于基于目標(biāo)用戶的在線行動(dòng)能夠發(fā)現(xiàn)社交網(wǎng)絡(luò)每個(gè)人的影響力關(guān)系，而這些影響力關(guān)系包含了有利于市場(chǎng)營(yíng)銷和產(chǎn)品推廣的巨大價(jià)值。
[0013]說明書附圖
圖1為本發(fā)明第一環(huán)節(jié)流程圖。
[0014]圖2為本發(fā)明第二環(huán)節(jié)流程圖。
[0015]圖3為本發(fā)明第三環(huán)節(jié)流程圖。
【具體實(shí)施方式】
[0016]本說明書中公開的所有特征，或公開的所有方法或過程中的步驟，除了互相排斥的特征和/或步驟以外，均可以以任何方式組合。
[0017]本說明書中公開的任一特征，除非特別敘述，均可被其他等效或具有類似目的的替代特征加以替換。即，除非特別敘述，每個(gè)特征只是一系列等效或類似特征中的一個(gè)例子而已。
[0018]本發(fā)明主要有三個(gè)環(huán)節(jié):第一環(huán)節(jié)是從部分的用戶里提取訓(xùn)練范例；第二環(huán)節(jié)是利用范例來訓(xùn)練機(jī)器模型；第三環(huán)節(jié)是關(guān)于如何應(yīng)用訓(xùn)練好的模型來做預(yù)測(cè)。
[0019]圖1展示了本發(fā)明第一環(huán)節(jié)的流程圖。在這一環(huán)節(jié)中包括以下步驟:
步驟1:選擇一網(wǎng)絡(luò)用戶群，一般來說網(wǎng)絡(luò)用戶群的人數(shù)為幾百到上萬不等。例如，現(xiàn)選取一個(gè)網(wǎng)絡(luò)用戶群，我們將其中的成員A作為目標(biāo)用戶A，將與他有直接在線互動(dòng)的其他網(wǎng)絡(luò)參與者(可以是本用戶群成員也可以不是)作為成員A的直接朋友(比如我們發(fā)現(xiàn)網(wǎng)絡(luò)參與者I瀏覽過成員A的帖子，那么這樣的行為為直接的在線互動(dòng))，然后建立起目標(biāo)用戶即成員A與其直接朋友的關(guān)系對(duì):目標(biāo)用戶A—〉直接朋友1、目標(biāo)用戶A—〉直接朋友2、目標(biāo)用戶A—〉直接朋友3、...、目標(biāo)用戶A—〉直接朋友50。依次類推，一一將網(wǎng)絡(luò)用戶群中的成員作為目標(biāo)用戶，發(fā)現(xiàn)其在網(wǎng)絡(luò)中的直接朋友并建立他們與其直接朋友的關(guān)系對(duì)。
[0020]從網(wǎng)站的統(tǒng)計(jì)數(shù)據(jù)中提取每個(gè)關(guān)系對(duì)的關(guān)系特征值，這里所述的關(guān)系特征值包括但不限于以下:目標(biāo)用戶查看了多少次直接朋友的主頁；目標(biāo)用戶查看了多少次直接朋友的帖子；目標(biāo)用戶評(píng)論了多少次直接朋友的帖子；目標(biāo)用戶轉(zhuǎn)載了多少次直接朋友的帖子；目標(biāo)用戶贊了多少次直接朋友的帖子；直接朋友查看了多少次目標(biāo)用戶的描述概要；直接朋友查看了多少次目標(biāo)用戶的帖子；直接朋友評(píng)論了多少次目標(biāo)用戶的帖子；直接朋友轉(zhuǎn)載了多少次目標(biāo)用戶的帖子；直接朋友贊了多少次目標(biāo)用戶的帖子；距離上次目標(biāo)用戶與直接朋友交流多少小時(shí)；目標(biāo)用戶和直接朋友之間有多少共同直接朋友；所述共同直接朋友占目標(biāo)用戶的直接朋友總數(shù)的比例；所述共同直接朋友占直接朋友的直接朋友總數(shù)的比例。[0021]步驟2:使用K-Means聚類算法等分類算法根據(jù)關(guān)系對(duì)的關(guān)系特征值將所有的關(guān)系對(duì)分為η組，屬于同I個(gè)組中的關(guān)系對(duì)必然具有某種相似的特征，由于聚類算法依據(jù)關(guān)系特征值進(jìn)行的分類，而關(guān)系特征值反應(yīng)的是關(guān)系對(duì)的影響程度，因此每組中的關(guān)系對(duì)必然具有相似的或相同的影響程度，那么我們只需抽查每組中的若干關(guān)系對(duì)，將來自不同組的關(guān)系對(duì)的關(guān)系特征值進(jìn)行比較，便能將η組的影響程度進(jìn)行升序或降序排序，并按照順序?qū)ⅵ墙M的影響程度標(biāo)記為1、2...、η等級(jí)，在一個(gè)實(shí)施例中我們將影響程度最大的記為η等級(jí)，…，最小的記為I等級(jí)，在其他實(shí)施例中也可以將影響程度最大的記為I等級(jí)，…，最小的記為η等級(jí)。
[0022]當(dāng)我們?yōu)槊拷M標(biāo)記上影響程度后，也即是為每個(gè)關(guān)系對(duì)標(biāo)記上了影響程度。
[0023]圖2展示了本發(fā)明第二環(huán)節(jié)的流程圖，這一環(huán)節(jié)包括步驟3:選取一預(yù)測(cè)模型，利用每個(gè)關(guān)系對(duì)的關(guān)系特征值及其影響程度訓(xùn)練所述預(yù)測(cè)模型；本發(fā)明一個(gè)實(shí)施例中選用的是支持向量機(jī)模型(Support Vector Machine),其配置為:
C = LO L=0.001 P=L 0E-12 N = O V=I W=I
Kernel - PolyKernel -C 250007 -E 1.0。
[0024]圖3展示了本發(fā)明第三環(huán)節(jié)的流程圖，包括:
步驟4:選定一新用戶B，識(shí)別網(wǎng)絡(luò)中該新用戶的所有直接朋友，建立所述新用戶相對(duì)其直接朋友的關(guān)系對(duì)，例如:新用戶B—〉直接朋友100，新用戶B—〉直接朋友101，新用戶B—〉直接朋友102等，從網(wǎng)站上獲取每個(gè)關(guān)系對(duì)的關(guān)系特征值。
[0025]步驟5:將新用戶B每個(gè)關(guān)系對(duì)的關(guān)系特征值帶入訓(xùn)練好的預(yù)測(cè)模型中，通過訓(xùn)練好的預(yù)測(cè)模型計(jì)算出新用戶的每個(gè)直接朋友對(duì)其的影響程度。
[0026]一旦得到新用戶B在網(wǎng)絡(luò)中的直接朋友對(duì)其的影響程度，我們便能夠容易的逆轉(zhuǎn)他們之間的關(guān)系獲知每個(gè)受到她/他影響的用戶。
[0027]本發(fā)明并不局限于前述的【具體實(shí)施方式】。本發(fā)明擴(kuò)展到任何在本說明書中披露的新特征或任何新的組合，以及披露的任一新的方法或過程的步驟或任何新的組合。
【權(quán)利要求】
1.一種個(gè)性化的社交網(wǎng)絡(luò)影響識(shí)別方法，其特征在于，包括: 步驟101:選擇一網(wǎng)絡(luò)用戶群，將所述用戶群中每一個(gè)成員分別作為目標(biāo)用戶識(shí)別其直接朋友，建立每個(gè)目標(biāo)用戶相對(duì)其直接朋友的關(guān)系對(duì)，所述每個(gè)關(guān)系對(duì)包括一個(gè)目標(biāo)用戶與其一位直接朋友；提取每個(gè)關(guān)系對(duì)的關(guān)系特征值； 步驟102:將影響程度按升序或降序分為1、2…、η等級(jí)，根據(jù)關(guān)系對(duì)的關(guān)系特征值將所有的關(guān)系對(duì)分類到所述的η個(gè)等級(jí)中形成η組；所述η為大于I的整數(shù)；在第m組中的關(guān)系對(duì)的影響程度為m等級(jí)，m取1、2、…或η; 步驟103:選取一預(yù)測(cè)模型，利用每個(gè)關(guān)系對(duì)的關(guān)系特征值及其影響程度訓(xùn)練所述預(yù)測(cè)模型； 步驟104:選定一新用戶，識(shí)別網(wǎng)絡(luò)中該新用戶的所有直接朋友，建立所述新用戶相對(duì)其直接朋友的關(guān)系對(duì)，并提取每個(gè)關(guān)系對(duì)的關(guān)系特征值； 步驟105:將新用戶每個(gè)關(guān)系對(duì)的關(guān)系特征值帶入訓(xùn)練好的預(yù)測(cè)模型中，通過訓(xùn)練好的預(yù)測(cè)模型計(jì)算出新用戶的每個(gè)直接朋友對(duì)其的影響程度。
2.根據(jù)權(quán)利要求1所述的一種個(gè)性化的社交網(wǎng)絡(luò)影響識(shí)別方法，其特征在于，所述關(guān)系對(duì)的關(guān)系特征值包括以下特征值中的至少一個(gè):目標(biāo)用戶查看了多少次直接朋友的主頁；目標(biāo)用戶查看了多少次直接朋友的帖子；目標(biāo)用戶評(píng)論了多少次直接朋友的帖子；目標(biāo)用戶轉(zhuǎn)載了多少次直接朋友的帖子；目標(biāo)用戶贊了多少次直接朋友的帖子；直接朋友查看了多少次目標(biāo)用戶的描述概要；直接朋友查看了多少次目標(biāo)用戶的帖子；直接朋友評(píng)論了多少次目標(biāo)用戶的帖 子；直接朋友轉(zhuǎn)載了多少次目標(biāo)用戶的帖子；直接朋友贊了多少次目標(biāo)用戶的帖子；距離上次目標(biāo)用戶與直接朋友交流多少小時(shí)；目標(biāo)用戶和直接朋友之間有多少共同直接朋友；所述共同直接朋友占目標(biāo)用戶的直接朋友總數(shù)的比例；所述共同直接朋友占直接朋友的直接朋友總數(shù)的比例。
3.根據(jù)權(quán)利要求1或2所述的一種個(gè)性化的社交網(wǎng)絡(luò)影響識(shí)別方法，其特征在于，在步驟102中使用K-Means聚類算法根據(jù)關(guān)系對(duì)的關(guān)系特征值將所有的關(guān)系對(duì)分為η組；然后抽查每組中的若干關(guān)系對(duì)，根據(jù)從每組中抽查的關(guān)系對(duì)的關(guān)系特征值將η組的影響程度進(jìn)行升序或降序排序，并按照順序?qū)ⅵ墙M的影響程度標(biāo)記為1、2...、η等級(jí)。
4.根據(jù)權(quán)利要求3所述的一種個(gè)性化的社交網(wǎng)絡(luò)影響識(shí)別方法，其特征在于，所述步驟103中，選用的預(yù)測(cè)模型為支持向量機(jī)模型。
5.一種個(gè)性化的社交網(wǎng)絡(luò)影響識(shí)別方法，其特征在于，包括: 步驟201:選定一新用戶，識(shí)別網(wǎng)絡(luò)中該新用戶的所有直接朋友，建立所述新用戶相對(duì)其直接朋友的關(guān)系對(duì)，并提取每個(gè)關(guān)系對(duì)的關(guān)系特征值； 步驟202:將新用戶每個(gè)關(guān)系對(duì)的關(guān)系特征值帶入訓(xùn)練好的預(yù)測(cè)模型中，通過訓(xùn)練好的預(yù)測(cè)模型計(jì)算出新用戶的每個(gè)直接朋友對(duì)其的影響程度； 所述步驟202中的預(yù)測(cè)模型是按照以下步驟訓(xùn)練出來的: 步驟301:選擇一網(wǎng)絡(luò)用戶群，將所述用戶群中每一個(gè)成員分別作為目標(biāo)用戶識(shí)別其直接朋友，建立每個(gè)目標(biāo)用戶相對(duì)其直接朋友的關(guān)系對(duì)，所述每個(gè)關(guān)系對(duì)包括一個(gè)目標(biāo)用戶與其一位直接朋友；提取每個(gè)關(guān)系對(duì)的關(guān)系特征值； 步驟302:將影響程度按升序或降序分為1、2…、η等級(jí)，根據(jù)步驟301中關(guān)系對(duì)的關(guān)系特征值將所有的關(guān)系對(duì)分類到所述的η個(gè)等級(jí)中形成η組；所述η為大于I的整數(shù)；在第m組中的關(guān)系對(duì)的影響程度為m等級(jí)，m取1、2、…或η ; 步驟303:利用步驟301及步驟302中所述的每個(gè)關(guān)系對(duì)的關(guān)系特征值及其影響程度訓(xùn)練所述預(yù)測(cè)模型。
6.根據(jù)權(quán)利要求5所述的一種個(gè)性化的社交網(wǎng)絡(luò)影響識(shí)別方法，其特征在于，所述關(guān)系對(duì)的關(guān)系特征值包括以下特征值中的至少一個(gè):目標(biāo)用戶查看了多少次直接朋友的主頁；目標(biāo)用戶查看了多少次直接朋友的帖子；目標(biāo)用戶評(píng)論了多少次直接朋友的帖子；目標(biāo)用戶轉(zhuǎn)載了多少次直接朋友的帖子；目標(biāo)用戶贊了多少次直接朋友的帖子；直接朋友查看了多少次目標(biāo)用戶的描述概要；直接朋友查看了多少次目標(biāo)用戶的帖子；直接朋友評(píng)論了多少次目標(biāo)用戶的帖子；直接朋友轉(zhuǎn)載了多少次目標(biāo)用戶的帖子；直接朋友贊了多少次目標(biāo)用戶的帖子；距離上次目標(biāo)用戶與直接朋友交流多少小時(shí)；目標(biāo)用戶和直接朋友之間有多少共同直接朋友；所述共同直接朋友占目標(biāo)用戶的直接朋友總數(shù)的比例；所述共同直接朋友占直接朋友的直接朋友總數(shù)的比例。
7.根據(jù)權(quán)利要求5或6所述的一種個(gè)性化的社交網(wǎng)絡(luò)影響識(shí)別方法，其特征在于，所述步驟203中，選用的預(yù)測(cè)模型為支持向量機(jī)模型。
8.根據(jù)權(quán)利要求7所述的一種個(gè)性化的社交網(wǎng)絡(luò)影響識(shí)別方法，其特征在于，在步驟302中使用K-Means聚類算法根據(jù)關(guān)系對(duì)的關(guān)系特征值將所有的關(guān)系對(duì)分為η組；然后抽查每組中的若干關(guān)系對(duì)，根據(jù)從每組中抽查的關(guān)系對(duì)的關(guān)系特征值將η組的影響程度進(jìn)行升序或降序排序，并按 照順序?qū)ⅵ墙M的影響程度標(biāo)記為1、2...、η等級(jí)。
【文檔編號(hào)】G06F17/30GK103955545SQ201410216618
【公開日】2014年7月30日 申請(qǐng)日期:2014年5月22日 優(yōu)先權(quán)日:2014年5月22日
【發(fā)明者】張一文 申請(qǐng)人:成都品果科技有限公司