本發(fā)明涉及計(jì)算機(jī)領(lǐng)域，具體涉及一種識別用戶名縮寫現(xiàn)象的方法。

背景技術(shù)：

近年來，互聯(lián)網(wǎng)發(fā)展迅速，已經(jīng)深入到社會生活的方方面面，例如在新浪、搜狐、騰訊等門戶網(wǎng)站觀看新聞或視頻，在微博、貼吧、社區(qū)等社交網(wǎng)絡(luò)進(jìn)行信息交流，人們在使用這些網(wǎng)絡(luò)時(shí)會注冊賬戶，填寫用戶名。用戶名是用戶在注冊網(wǎng)站時(shí)填寫的符合一定規(guī)則的能夠標(biāo)識用戶身份的字符串，通常由英文字母、數(shù)字以及下劃線等一些特殊字符組成。

用戶在某個(gè)網(wǎng)站注冊時(shí)，由于該網(wǎng)站的用戶名具有唯一性，且常用的用戶名已被他人注冊，或出于保護(hù)個(gè)人隱私等其他考慮而沒有使用常用的用戶名，但同時(shí)為了便于記憶而選擇將常用的用戶名中某些單詞進(jìn)行縮寫，變成一個(gè)新的用戶名并注冊使用，此即為用戶名的縮寫現(xiàn)象。識別用戶名間的縮寫現(xiàn)象對于互聯(lián)網(wǎng)研究有重大意義，例如，研究人員在對社交網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行挖掘，如用戶行為分析、個(gè)性化推薦等，有時(shí)需要將不同社交網(wǎng)絡(luò)中的同一用戶或相似用戶進(jìn)行關(guān)聯(lián)，其中一些關(guān)聯(lián)方法就需要借助識別用戶名中的縮寫現(xiàn)象來分析用戶名的相似程度。

識別用戶名縮寫現(xiàn)象即為給出兩個(gè)用戶名，判斷其中一個(gè)用戶名的某個(gè)片段是否是另一個(gè)用戶名的某個(gè)片段的縮寫。解決該問題的通用方法為枚舉法，即枚舉一個(gè)用戶名的子串s₁和另一個(gè)用戶名的子串s₂，檢查s₁是否是s₂的縮寫形式。如果存在這樣的s₁、s₂，則認(rèn)為兩個(gè)用戶名間存在縮寫現(xiàn)象，且s₁是對s₂的縮寫，否則認(rèn)為兩個(gè)用戶名間不存在縮寫現(xiàn)象。

然而，枚舉法在識別用戶名縮寫現(xiàn)象時(shí)需要枚舉用戶名所有的子串，時(shí)間開銷大，難以適用大規(guī)模的實(shí)時(shí)用戶名縮寫現(xiàn)象識別任務(wù)。

技術(shù)實(shí)現(xiàn)要素：

鑒于上述不足，本發(fā)明提供一種識別用戶名縮寫現(xiàn)象的方法，無需列舉用戶名的子串，減少計(jì)算量，時(shí)間開銷小，能夠更加高效地識別用戶名縮寫現(xiàn)象。

為解決上述技術(shù)問題，本發(fā)明采用如下技術(shù)方案：

一種識別用戶名縮寫現(xiàn)象的方法，步驟包括：

1)對兩個(gè)或兩個(gè)以上的用戶名中的字符進(jìn)行過濾，僅保留英文字母和數(shù)字；

2)將上述過濾后的用戶名各分割成若干個(gè)連續(xù)片段，各選取每個(gè)片段的首字符組成一新字符串；

3)根據(jù)上述新字符串獲取最長縮寫詞長度，如長度值大于或等于給定閾值ΔL，則判定所述用戶名間具有用戶名縮寫現(xiàn)象。

進(jìn)一步地，將保留的英文字母統(tǒng)一轉(zhuǎn)換成小寫或大寫的形式。

進(jìn)一步地，所述片段為單詞或單個(gè)字符。

進(jìn)一步地，所述片段根據(jù)指定的字典分割得到。

進(jìn)一步地，所述字典包括人名、地名、物名、杜撰詞或其他指定詞，該指定詞包括名詞、動(dòng)詞、形容詞、副詞。

進(jìn)一步地，采用動(dòng)態(tài)規(guī)劃算法根據(jù)所述新字符串獲取最長縮寫詞長度。

進(jìn)一步地，所述閾值ΔL為欲識別用戶名縮寫形式的最小長度。

進(jìn)一步地，當(dāng)欲識別中文人名拼音縮寫形式時(shí)，ΔL≥2。

進(jìn)一步地，當(dāng)欲識別英文人名縮寫形式時(shí)，ΔL＝2。

本發(fā)明的有益效果是，本發(fā)明提供的方法無需列舉用戶名所有的子串，能夠自動(dòng)識別用戶名間是否存在縮寫現(xiàn)象。在識別、判斷用戶名之前，預(yù)先對用戶名進(jìn)行分割、縮寫，相比于現(xiàn)有技術(shù)減少了識別過程中字符串自身的長度，從而減少了計(jì)算量。在識別用戶名縮寫現(xiàn)象時(shí)，本方法通過判斷最長縮寫詞長度的值便可輕易判定，而最長縮寫詞長度的獲取采用的是一種動(dòng)態(tài)規(guī)劃算法，相比于現(xiàn)有技術(shù)逐一枚舉子串的過程減少了大量重復(fù)的計(jì)算。

附圖說明

圖1為實(shí)施例中提供的一種識別用戶名縮寫現(xiàn)象的方法流程圖。

具體實(shí)施方式

為使本發(fā)明的上述特征和優(yōu)點(diǎn)能更明顯易懂，下文特舉實(shí)施例，并配合所附圖作詳細(xì)說明如下。

此提供一種識別用戶名縮寫現(xiàn)象的方法，如圖1所示，假定給定兩個(gè)用戶名a,b，判斷a和b之間是否具有用戶名縮寫現(xiàn)象，包含以下步驟：

1、用戶名預(yù)處理

用戶名通?？梢园⑽淖帜?、數(shù)字以及下劃線等部分特殊字符，該步驟旨在去除用戶名中的特殊字符，本發(fā)明提到的特殊字符是指除英文字母和數(shù)字以外的所有字符，只保留英文字母和數(shù)字，并且統(tǒng)一將英文字母轉(zhuǎn)變?yōu)樾懟虼髮懶问?，本?shí)施例以小寫形式為例。

2、分割并縮寫用戶名

根據(jù)指定者指定的具有實(shí)際意義的單詞的字典W，將用戶名分割成若干個(gè)連續(xù)的片段，每個(gè)片段為W中的單詞或單個(gè)字符，同時(shí)需要保證分割后的片段的數(shù)量盡可能少。該字典W的指定者為用戶，也可以為其他人。所謂具有實(shí)際意義的單詞，例如是人名、地名、物名或其他對于指定者來講具有意義的概念，此概念可為名詞、動(dòng)詞、形容詞、副詞或其他性詞匯，或者其他由指定者杜撰的詞匯。

可通過如下方法對經(jīng)過上述預(yù)處理的用戶名進(jìn)行分割，為便于表達(dá)，此處設(shè)給定的用戶名為u，長度為n，記S_i表示用戶名u的第i個(gè)字符至第n個(gè)字符組成的子串的分割結(jié)果，分割步驟如下：

(1)初始化i＝n+1，S_n+1＝{}。

(2)令i＝i-1，依次查看字典W中的各個(gè)單詞w，設(shè)w的長度為m，如果滿足w＝u_iu_i+1…u_i+m-1，即w出現(xiàn)在用戶名u中的第i個(gè)字符的位置，這時(shí)如果S_i未賦值或滿足|S_i+m|+1<|S_i|，則令S_i＝w∪S_i+m。如果檢查完W中所有的單詞之后S_i仍未賦值，則令S_i＝u[i]∪S_i+m。其中u[i]表示u的第i個(gè)字符。

(3)重復(fù)第(2)步，直到i＝0為止，此時(shí)S₀就是用戶名u的分割結(jié)果。

在對用戶名進(jìn)行分割之后，取分割結(jié)果中每個(gè)片段的首字符組成一個(gè)新字符串作為原用戶名的縮寫形式。

3、計(jì)算最長縮寫詞長度

設(shè)經(jīng)過第2步處理之后得到的用戶名a、b的分割結(jié)果分別為X_a、X_b，縮寫形式分別為Y_a、Y_b，需得到用戶名a和b的最長縮寫詞長度m。最長縮寫詞長度是指兩個(gè)用戶名縮寫形式滿足特定條件的最長公共部分，該特定條件為該公共部分的每個(gè)字符對應(yīng)縮寫之前的兩個(gè)用戶的分割結(jié)果中的字符串，均滿足一個(gè)為單個(gè)字符且另一個(gè)為單詞。為獲得該最長縮寫詞長度m，專門設(shè)計(jì)了一動(dòng)態(tài)規(guī)劃算法，其公式如下：

$m=\underset{1\&le;i\&le;\left|Y_a\right|,1\&le;j\&le;\left|Y_b\right|}{max}f(i,j)$

其中，Y_a[i]表示字符串Y_a的第i個(gè)字符，Y_b[j]表示字符串Y_b的第j個(gè)字符，|X_a[i]|表示集合X_a中第i個(gè)字符串的長度，|X_b[j]|表示集合X_b中第j個(gè)字符串的長度，|Y_a|表示字符串Y_a的長度，|Y_b|表示字符串Y_b的長度。

4、識別用戶名縮寫現(xiàn)象

設(shè)給定的閾值為ΔL，如果滿足m≥ΔL，說明用戶名a、b之間存在縮寫現(xiàn)象，否則說明用戶名a、b之間不存在縮寫現(xiàn)象。

結(jié)合上述方法，特舉以下兩個(gè)應(yīng)用于具體場景的實(shí)施例，以說明本方法切實(shí)可行。

實(shí)施例1：

本實(shí)施例1用于識別用戶名之間是否存在姓名拼音的縮寫現(xiàn)象。根據(jù)中國人的姓名特征來看，姓名至少為兩個(gè)字，例如張偉、史小明等，以張偉為例，其姓名拼音為Zhang Wei或Wei Zhang，拼音縮寫個(gè)例是具有隨機(jī)性的，而從統(tǒng)計(jì)學(xué)上來看，拼音縮寫很大概率上是取姓名的首字母，即zw或wz；而史小明的姓名拼音Shi Xiaoming或Xiaoming Shi，其拼音縮寫很可能是sxm或xms，由上述分析可認(rèn)為W為字符串長度不小于2的拼音的集合，ΔL＝2。同理，如果要識別英文人名的縮寫，由于英文名一般情況下middle name較少使用，即英文名至少是由first name和last name組成，例如英文名Sheldon Lee Cooper，常為Sheldon Cooper，縮寫為sc，所以要識別的縮寫形式的最小長度可設(shè)置為2，即ΔL＝2。

給定兩個(gè)用戶名a＝zgxxidian123、b＝zhangguoxin012，本實(shí)施例欲通過本發(fā)明提供的方法識別這兩個(gè)用戶名之間是否存在縮寫現(xiàn)象，通過上述第2步提供方法計(jì)算得到用戶名a、b的分割結(jié)果分別為X_a＝{z,g,x,xi,dian,1,2,3}、X_b＝{zhang,guo,xin,0,1,2}，縮寫形式分別為Y_a＝zgxxd123、Y_b＝zgx012，進(jìn)一步地，通過上述第3步計(jì)算得到用戶名a和b的最長縮寫詞長度m＝3。由上段已知ΔL＝2，則m≥ΔL，說明用戶名a、b之間存在縮寫現(xiàn)象。

實(shí)施例2：

本實(shí)施例2用于識別用戶名之間是否存在姓名拼音的縮寫現(xiàn)象，由上述實(shí)施例的分析可知，W為字符串長度不小于2的拼音的集合，ΔL＝2。

給定兩個(gè)用戶名a＝wanxia68、b＝wanter_123，通過上述第2步提供方法計(jì)算得到用戶名a、b的分割結(jié)果分別為X_a＝{wan,xia,6,8}、X_b＝{wan,te,r,1,2,3}，縮寫形式分別為Y_a＝wx68,Y_b＝wtr123，進(jìn)一步地，通過上述第3步計(jì)算得到用戶名a和b的最長縮寫詞的長度m＝0。由于m<ΔL，說明用戶名a、b之間不存在縮寫現(xiàn)象。

本發(fā)明提供的方法是通過算法自動(dòng)識別用戶名是否存在縮寫現(xiàn)象，無需像現(xiàn)有技術(shù)那樣列舉用戶名所有的子串，簡便可行。在識別、判斷用戶名之前，預(yù)先對用戶名進(jìn)行分割、縮寫，相比于現(xiàn)有技術(shù)減少了識別過程中字符串自身的長度，從而減少了計(jì)算量。在識別用戶名縮寫現(xiàn)象時(shí)，本方法通過判斷最長縮寫詞長度的值便可輕易判定，而最長縮寫詞長度的獲取采用的是一種動(dòng)態(tài)規(guī)劃算法，相比于現(xiàn)有技術(shù)逐一枚舉子串的過程減少了大量重復(fù)的計(jì)算。

最后應(yīng)當(dāng)說明的是，雖然本發(fā)明已以實(shí)施例公開如上，但這些實(shí)施例并非用于限定本發(fā)明，所屬技術(shù)領(lǐng)域中普通技術(shù)人員可以對其進(jìn)行改動(dòng)或替換，而不脫離本發(fā)明的精神和范圍，故本發(fā)明的保護(hù)范圍以權(quán)利要求書為準(zhǔn)。