本發(fā)明涉及用戶社交關系挖掘領域，尤其是一種基于時空交互的用戶社交關系強度計算方法及系統(tǒng)。

背景技術：

手機、平板電腦等便攜式移動設備的迅速普及極大地推動了各種社交平臺的廣泛應用。集成了gps、無線網(wǎng)絡、衛(wèi)星定位等定位功能的智能設備為用戶在社交平臺上的位置標記、位置簽到和位置共享提供了極大的便利。隨著社交平臺與位置技術的緊密結合，促進了基于位置的社交網(wǎng)絡（location-basedsocialnetworks，lbsns）的形成和發(fā)展。社交平臺通過用戶的位置標記、位置簽到、位置分享等功能，將線上的虛擬社會與線下的物理世界關聯(lián)在一起，不僅能夠體現(xiàn)用戶活動的時空信息，還能夠?qū)崿F(xiàn)基于位置的社交活動在虛擬網(wǎng)絡世界中的共享和傳播。這種基于位置的社交網(wǎng)絡所具備的社交化（social）、本地化（local）和移動性（mobile）等基本特征可以表示為solomo，正逐漸吸引人們的關注，成為未來互聯(lián)網(wǎng)的發(fā)展趨勢。

在solomo中，social指的是用戶之間在線上虛擬的網(wǎng)絡世界中廣泛存在的社交關系，包括用戶之間的相互關注、用戶之間的朋友關系或同事關系等；local指的是線下真實世界中用戶的位置或活動信息，包括簽到、消費、旅游等；mobile指的是用戶在真實的現(xiàn)實空間中的移動。除了位置標記、位置簽到、位置共享等直接的時空信息獲取功能外，它還允許用戶通過社交平臺分享帶有時空標記的觀點、圖片以及活動軌跡等信息。例如：用戶可以通過微信向好友發(fā)送位置信息，可以在twitter和新浪微博等社交平臺上發(fā)布帶有時空標簽的內(nèi)容，可以在flickr上發(fā)布帶有位置信息的照片，還可以在foursquare或gowalla上進行簽到等。

在位置社交網(wǎng)絡中，用戶之間的交互主要體現(xiàn)在用戶的活動在時間和空間維度上的重疊。用戶社交關系的發(fā)現(xiàn)和計算旨在利用用戶的活動發(fā)現(xiàn)用戶之間的社交關系并對其進行量化計算，但現(xiàn)階段的用戶社交關系發(fā)現(xiàn)和計算存在很多不足和困難，如：

（1）在對用戶之間的社交關系進行定性分析時，不僅需要考慮用戶社交網(wǎng)絡之間的固有連接，還需要綜合考慮用戶之間交互的屬性特征，例如交互時間點、交互時長、交互位置特征等。

（2）在對用戶之間的社交關系進行定量分析時，需要抽取用戶的時空交互特征，如交互頻度、用戶行為特征等，對其進行量化計算，并以此為基礎對用戶之間的社交關系進行定量分析。

（3）用戶之間的社交關系發(fā)現(xiàn)與強度計算需要從基于位置的社交網(wǎng)絡數(shù)據(jù)中盡可能多地發(fā)現(xiàn)和抽取用戶的宏觀活動和語義信息。由于通過定位系統(tǒng)和社交網(wǎng)絡獲得的位置數(shù)據(jù)信息量大，且冗余以及不確定，單純地采用傳統(tǒng)數(shù)據(jù)挖掘方法是無法對用戶之間的社交關系強度進行精確量化計算的，因此，需要穩(wěn)定、可伸縮性的挖掘方法進行處理；同時，基于位置的社交網(wǎng)絡數(shù)據(jù)具有稀疏性，這會減弱用戶之間的社交關系，從而降低用戶之間社交關系量化計算的準確性。此外，如果算法設計不合理，隨著用戶數(shù)量的增加，位置數(shù)據(jù)量的增大，模型的計算代價可能呈指數(shù)級增長，這將嚴重影響模型的實際應用價值?；谖恢玫纳缃痪W(wǎng)絡數(shù)據(jù)是由一個個的地理坐標點構成的，設備誤差和用戶誤差導致這些數(shù)據(jù)較為離散。因此，上述問題的解決將會為用戶社交關系強度的精準計算帶來非常大的幫助。

技術實現(xiàn)要素：

本發(fā)明所要解決的技術問題在于克服現(xiàn)有技術缺陷，提供一種基于時空交互的用戶社交關系強度計算方法及系統(tǒng)，在深入分析位置社交網(wǎng)絡的時空交互特性的基礎上，充分考慮了用戶的行為特征和時空交互信息，能夠更加全面和準確地度量用戶之間的社交關系強度。

一種基于時空交互的用戶社交關系強度計算方法，主要包括以下3大階段：

（1）地理位置映射，該階段包括以下4個步驟：

step1：將地球表面劃分為若干個大小相等的正方形格子，初始化的網(wǎng)格要滿足以下2個條件：①能覆蓋地球表面，②網(wǎng)格數(shù)最少；

step2：用戶根據(jù)數(shù)據(jù)分析結果，設定網(wǎng)格內(nèi)的樣本密度閾值和網(wǎng)格最小邊界閾值；

step3：根據(jù)網(wǎng)格內(nèi)的樣本密度閾值和網(wǎng)格最小邊界閾值對網(wǎng)格進行迭代劃分，直到滿足結束條件；

step4：將用戶簽到數(shù)據(jù)匹配到網(wǎng)格中，并將其映射為時空序列；

（2）時空交互情境模型構建及情境權重計算，該階段包括以下3個步驟：

step1：提取不同時間段中用戶的簽到頻率、簽到位置等信息，構建時間情境模型并計算時間情境的權重；

step2：提取不同位置點處用戶的簽到頻率、簽到時間和用戶數(shù)量等信息，構建環(huán)境情境模型并計算環(huán)境情境的權重；

step3：提取不同用戶在不同時間段、不同位置點處的簽到頻率等信息，構建用戶情境模型并計算用戶情境的權重；

（3）用戶社交關系強度計算，該階段包括以下3個步驟：

step1：將時空交互序列轉(zhuǎn)換為訪問向量；

step2：從訪問向量中提取出用戶之間的相遇向量；

step3：匹配用戶進行時空交互時的時空交互情境特征并獲得其權重，按照權重優(yōu)先的策略，計算用戶之間的社交關系強度。

本發(fā)明還提供一種基于時空交互的用戶社交關系強度計算系統(tǒng)，主要包括以下3大模塊：

數(shù)據(jù)預處理模塊，該模塊包括以下4個步驟：

step1：對用戶簽到數(shù)據(jù)集和朋友關系數(shù)據(jù)集進行降噪和清洗，過濾掉用戶簽到數(shù)據(jù)集和朋友關系數(shù)據(jù)集中的異常數(shù)據(jù)；

step2：根據(jù)用戶提出的條件，對用戶簽到數(shù)據(jù)集進行篩選處理，從中篩選出滿足用戶需求的用戶簽到數(shù)據(jù)子集和朋友關系數(shù)據(jù)子集；

step3：根據(jù)用戶設置的相關參數(shù)，對用戶簽到數(shù)據(jù)子集中的簽到數(shù)據(jù)進行地理位置映射處理，從而得到用戶時空交互序列；

step4：根據(jù)用戶朋友關系數(shù)據(jù)子集中的用戶朋友關系，計算用戶之間的初始社交關系強度；

用戶社交關系強度計算模塊，該模塊包括以下4個步驟：

step1：將用戶時空交互序列轉(zhuǎn)化為用戶訪問向量；

step2：根據(jù)本發(fā)明提出的時空交互情境模型，分別計算時間情境、環(huán)境情境和用戶情境的權重；

step3：根據(jù)本發(fā)明提出的時空交互條件（如交互時間點、交互時長、交互時間差等）和時空交互情境模型，將用戶訪問向量轉(zhuǎn)化為用戶相遇向量；

step4：綜合分析相遇向量，結合時間情境權重、環(huán)境情境權重和用戶情境權重，計算用戶之間的社交關系強度；

可視化數(shù)據(jù)分析展示模塊，該模塊包括以下2個步驟：

step1：用戶和系統(tǒng)進行交互，用戶通過輸入不同的參數(shù)，對系統(tǒng)的展示結果進行調(diào)整；

step2：以用戶簽到數(shù)據(jù)集和朋友關系數(shù)據(jù)集的分析結果為基礎，將虛擬的數(shù)據(jù)轉(zhuǎn)化為可視化的數(shù)據(jù)并展示給用戶，如：網(wǎng)格數(shù)量與用戶社交關系查全率的對比圖、網(wǎng)格數(shù)量與用戶社交關系查準率的對比圖、用戶社交關系查全率與用戶社交關系查準率的對比圖以及網(wǎng)格數(shù)量對用戶社交關系強度影響的對比圖。

本發(fā)明的有益效果在于：

（1）該方法充分考慮了用戶的時空交互特征和用戶的行為習慣；

（2）該方法能夠有效地計算用戶之間的社交關系強度；

（3）該方法能夠更為詳細地計算用戶之間的社交關系強度；

（4）該方法能夠為用戶社交關系發(fā)現(xiàn)、用戶朋友推薦等應用提供精確、全面的數(shù)據(jù)支持。

附圖說明

圖1為本發(fā)明基于時空交互的用戶社交關系強度計算方法的算法流程圖；

圖2為本發(fā)明基于時空交互的用戶社交關系強度計算方法的算法總體框架圖；

圖3為本發(fā)明基于時空交互的用戶社交關系強度計算方法的算法模型圖；

圖4為本發(fā)明基于時空交互的用戶社交關系強度計算系統(tǒng)的系統(tǒng)框架圖；

圖5為本發(fā)明基于時空交互的用戶社交關系強度計算方法中地理位置匹配的示意圖；

圖6為本發(fā)明基于時空交互的用戶社交關系強度計算方法中用戶時空交互的時間情境模型；

圖7為本發(fā)明基于時空交互的用戶社交關系強度計算方法中用戶時空交互的環(huán)境情境模型；

圖8為本發(fā)明基于時空交互的用戶社交關系強度計算方法中用戶時空交互的用戶情境模型；

圖9為本發(fā)明基于時空交互的用戶社交關系強度計算方法的網(wǎng)格數(shù)量與用戶社交關系查全率的對比圖；

圖10為本發(fā)明基于時空交互的用戶社交關系強度計算方法的網(wǎng)格數(shù)量與用戶社交關系查準率的對比圖；

圖11為本發(fā)明基于時空交互的用戶社交關系強度計算方法的用戶社交關系查全率與用戶社交關系查準率的對比圖；

圖12為本發(fā)明基于時空交互的用戶社交關系強度計算方法的網(wǎng)格數(shù)量對用戶社交關系強度影響的對比圖。

具體實施方式

本發(fā)明公開了一種基于時空交互的用戶社交關系強度計算方法及系統(tǒng)，下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清晰地描述。以下實施例有助于本領域的技術人員更好地理解本發(fā)明，但不以任何形式限制本發(fā)明。需要注明的是，基于本發(fā)明中的實施例，本領域中的普通技術人員在沒有做出創(chuàng)造性勞動的前提下所獲得的所有其它實施例，都屬于本發(fā)明保護的范圍。

如圖1-圖3所示，本發(fā)明提供的基于時空交互的用戶社交關系強度計算方法，其特征在于，包括如下步驟：

（1）地理位置映射，將地球表面劃分為若干個網(wǎng)格，并將用戶簽到數(shù)據(jù)轉(zhuǎn)換為時空序列（如圖5所示）；

step1：初始化網(wǎng)格，將地球表面劃分為若干個大小相等的正方形格子，初始化的網(wǎng)格通常要滿足以下2個條件：①能覆蓋地球表面，②網(wǎng)格數(shù)最少；

step2：用戶根據(jù)數(shù)據(jù)分析結果，設定網(wǎng)格內(nèi)的樣本密度閾值d和網(wǎng)格最小邊界閾值b；

step3：統(tǒng)計網(wǎng)格內(nèi)的實際樣本密度ρ，比較網(wǎng)格內(nèi)的實際樣本密度是否大于給定的樣本密度閾值，若大于，則執(zhí)行step4，否則，執(zhí)行step6；

step4：統(tǒng)計網(wǎng)格的邊界λ，比較網(wǎng)格邊界是否大于給定的邊界閾值，若大于，則執(zhí)行step5，否則，執(zhí)行step6；

step5：將網(wǎng)格進行四等分，重復執(zhí)行step3；

step6：將用戶簽到數(shù)據(jù)c匹配到網(wǎng)格中，并將其映射為時空序列l。

（2）時空交互情境模型構建及情境權重計算，分別搭建時間情境模型、環(huán)境情境模型和用戶情境模型，并計算其權重；

step7：提取不同時間段中用戶的簽到頻率、簽到位置等信息，構建時間情境模型（如圖6所示）并計算時間情境的權重wt；

step8：提取不同位置點處用戶的簽到頻率、簽到時間和用戶數(shù)量等信息，構建環(huán)境情境模型（如圖7所示）并計算環(huán)境情境的權重we，計算公式如下所示：

其中，|cg|為位置點g處全部用戶簽到次數(shù)的總和，|cu,g|為每個位置點g處用戶u的簽到次數(shù)總和，|cu|每個位置點g處簽到用戶的數(shù)量總和，|u|為用戶的總數(shù)量，α為可調(diào)節(jié)的參數(shù)；

step9：提取不同用戶在不同時間段、不同位置點處的簽到頻率等信息，構建用戶情境模型（如圖8所示，t1，t2，……，t14分別代表不同的時間點）并計算用戶情境的權重wu；

其中，|cu,g|為每個位置點g處用戶u的簽到次數(shù)總和，|g|為位置點的總數(shù)量。

（3）用戶社交關系強度計算，提取用戶之間的相遇向量，按照權重優(yōu)先的策略，計算用戶之間的社交關系強度；

step10：將時空交互序列l轉(zhuǎn)換為訪問向量vv；

step11：從訪問向量vv中提取出用戶之間的相遇向量cv；

step12：匹配用戶進行時空交互時的時空交互情境特征并獲得其權重，按照權重優(yōu)先的策略，計算用戶之間的社交關系強度s，計算公式如下所示：

其中，s為用戶之間的社交關系強度，wt為時間情境下用戶之間的時空交互權重，we為環(huán)境情境下用戶之間的時空交互權重，wu為用戶情境下用戶之間的時空交互權重。

如圖4所示，本發(fā)明還公開了一種基于時空交互的用戶社交關系強度計算系統(tǒng)，該系統(tǒng)可以實現(xiàn)本發(fā)明所述的基于時空交互的用戶社交關系強度計算方法，但該基于時空交互的用戶社交關系強度計算方法的實現(xiàn)裝置包括但不限于所述的基于時空交互的用戶社交關系強度計算系統(tǒng)。

本發(fā)明提供的基于時空交互的用戶社交關系強度計算系統(tǒng)包括：數(shù)據(jù)預處理模塊、用戶社交關系強度計算模塊和可視化數(shù)據(jù)分析模塊；

數(shù)據(jù)預處理模塊，對用戶的簽到數(shù)據(jù)集和朋友關系數(shù)據(jù)集進行降噪、清洗、篩選、地理位置映射等處理，以及計算用戶之間的初始社交關系強度；

step1：對用戶簽到數(shù)據(jù)集c和朋友關系數(shù)據(jù)集p進行降噪和清洗，過濾掉用戶簽到數(shù)據(jù)集c和朋友關系數(shù)據(jù)集p中的異常數(shù)據(jù)；

step2：根據(jù)用戶提出的條件，對用戶簽到數(shù)據(jù)集c和朋友關系數(shù)據(jù)集p進行篩選處理，從中篩選出滿足用戶需求的用戶簽到數(shù)據(jù)子集cs和朋友關系數(shù)據(jù)子集ps；

step3：根據(jù)用戶設置的相關參數(shù)，對用戶簽到數(shù)據(jù)子集cs中的簽到數(shù)據(jù)進行地理位置映射處理，從而得到用戶時空交互序列l；

step4：根據(jù)用戶朋友關系數(shù)據(jù)子集ps中的用戶朋友關系，計算用戶之間的初始社交關系強度sini。

用戶社交關系強度計算模塊，提取用戶之間的時空交互特性和行為特征，計算用戶之間的靜態(tài)社交關系強度；

step5：將用戶時空交互序列l轉(zhuǎn)化為用戶訪問向量cv；

step6：根據(jù)本發(fā)明提出的時空交互情境模型，分別計算時間情境、環(huán)境情境和用戶情境的權重；

step7：根據(jù)本發(fā)明提出的時空交互條件（如交互時間點、交互時長、交互時間差等）和時空交互情境模型，將用戶訪問向量cv轉(zhuǎn)化為用戶相遇向量vv；

step8：綜合分析相遇向量vv，結合時間情境權重wt、環(huán)境情境權重we和用戶情境權重wu，計算用戶之間的社交關系強度s。

可視化數(shù)據(jù)分析展示模塊，用戶通過參數(shù)輸入界面修改實驗參數(shù)、調(diào)整實驗結果，利用多種方式對用戶之間的社交關系分析結果進行可視化的展示；

step9：用戶和系統(tǒng)進行交互，用戶通過輸入不同的參數(shù)，對系統(tǒng)的展示結果進行調(diào)整；

step10：以用戶簽到數(shù)據(jù)集c和朋友關系數(shù)據(jù)集p的分析結果為基礎，將虛擬的數(shù)據(jù)轉(zhuǎn)化為可視化的數(shù)據(jù)并展示給用戶；如：網(wǎng)格數(shù)量與用戶社交關系查全率的對比圖（如圖9所示）、網(wǎng)格數(shù)量與用戶社交關系查準率的對比圖（如圖10所示）、用戶社交關系查全率與用戶社交關系查準率的對比圖（如圖11所示）以及網(wǎng)格數(shù)量對用戶社交關系強度影響的對比圖（如圖12所示）。