一种融合网络结构和文本信息的社交关系预测方法
专利汇可以提供一种融合网络结构和文本信息的社交关系预测方法专利检索，专利查询，专利分析的服务。并且一种融合网络结构和文本信息的社交关系预测方法，包括如下步骤：步骤1，构造原始兴趣向量；步骤2，构造修正兴趣向量；步骤3，重构用户兴趣向量；步骤4，预测社会关系。本 发明 综合考虑了社交网络中的文本信息和结构信息，解决了类似于微博和推特等社交网络平台上的链路预测问题和推荐问题；给出了一个可以应用在不同社交平台上的链路预测问题的统一解决 框架 ；由于应用了word2vec，IKanalyzer等开源包，采用了兴趣向量，修正兴趣向量，桥接点等机制，所以达到了很高的预测准确度；丰富了对于链路预测方法的认识和理解。，下面是一种融合网络结构和文本信息的社交关系预测方法专利的具体信息内容。
1.一种融合网络结构和文本信息的社交关系预测方法，包括如下步骤：
步骤1，构造原始兴趣向量；
使用微博和推特数据集中的用户关注关系和用户的文本信息内容，首先使用开源分词工具Ik Analyzer对数据集中的所有文本信息，即所有用户发表的微博内容或者推文内容，进行关键词的提取；这样可以得到用来刻画每一个用户的一系列关键词；然后将分词工具得到的所有的词语使用word2vec开源工具进行聚类,设置聚类个数为N,即将这些词划分为N个类别，这样就得到了N个话题类别，那么对于每一个用户来说,现在可以得到一个维度是N的兴趣向量,该向量的具体计算方法如下：针对一个用户i，构建一个长度为N维且每一个维度取值都为0的初始兴趣向量，然后依次扫描属于用户i的所有的关键词，若某个关键词属于第j个话题类别，那么用户i的特征向量中的第j个维度的值加1；直到扫描完所有属于该用户的关键词，就可以得到该用户i的兴趣向量；在该兴趣向量中，得分越高的维度说明该用户对于该维度的话题有更多的关注度和兴趣，使用Ti来表示第i个用户的兴趣向量,其分量具体的计算公式如下:
其中tij表示第i个用户在第j个话题上的得分,Freqij表示第i个用户的所有关键词出现在第j个话题上的数量, 表示第i个用户在所有的关键词出现在所有的话题上的数量, 为归一化项；
步骤2，构造修正兴趣向量；
使用用户的关注者的兴趣向量修正用户本身的原始兴趣向量；具体方法如下：针对一个特定的目标用户u1，该目标用户u1所有关注的用户是u2和u3，并且只关心用户兴趣向量中取值最大的top-K个维度，那么可以得到目标用户u1的兴趣向量Tu1＝(t11,t12,…,t1K)，用户u2的兴趣向量为Tu2＝(t21,t22,…,t2K),以及用户u3的兴趣向量为Tu3＝(t31,t32,…,t3K)，那么目标用户u1的兴趣向量的修正的方法为将t11,t12,…,t1K，t21,t22,…,t2K，t31,t32,…,t3K中相同的维度上的值相加，不同的维度上的值全部保留而得到的结果；通过这样的方法可以得到用户的修正兴趣向量；
步骤3，重构用户兴趣向量；
在得到了目标用户的修正兴趣向量之后,需要对目标用户和潜在的目标用户的关注用户的兴趣向量进行重构，目标用户u1的修正兴趣向量为Tu1＝(t11,t12,…,t1n)，其中的n的取值小于等于原始兴趣向量的维度N并且大于等于在修正兴趣向量模块中取top-K个维度中选取的K值；目标用户u1的潜在关注用户u5的原始兴趣向量为Tu5＝(t51,t52,…,t5N)；首先如在修正兴趣向量模块中所述，抽取该用户的top-K，这里K取值为4，即值最大的前4个维度组成新的兴趣向量，Tu5＝(t51,t52,…,t5K)；然后考虑u1的修正兴趣向量和u5的Top-4兴趣向量的维度的并集，即，(t11,t12,…,t1n)∪(t51,t52,…,t5K)；并按照并集的结果重新分别构造u1和u5的兴趣向量，若某一个用户没有某一个维度上的特征，则使用0补齐，这样就得到了目标用户和目标用户的潜在关注用户的重构的兴趣向量；
步骤4，预测社会关系；
对于给定的目标用户ui和ui的潜在关注用户uj，定义关注uj并且同时是ui的关注者为ui到uj的桥接点；将微博数据集和推特数据集随机的划分为两个部分，分别用作训练集和测试集；训练集中包括已知连边的90％；这样，对于测试集中的任一条边Eij，通过构建该边Eij所连接的两个用户的修正兴趣向量和识别这两个用户之间的桥节点，即综合考虑通过修正兴趣向量对文本信息的利用和桥节点对网络结构的利用，得到如下的用于计算用户ui关注用户uj的概率计算公式，也就是边Eij存在的概率：
其中，Sif表示用户ui关注的所有对象；任何一个属于Sif的用户k，如果该用户k也关注了用户j，那么Ikj＝1；否则Ikj＝0； 是值为0或者1的二元向量，该向量中每个维度上的值由向量A决定，如果向量A在该维度上的权值为正，那么 在这个维度上的值为1；否则为0；所以 表示用户ui和用户uj的兴趣点重叠的个数。
一种融合网络结构和文本信息的社交关系预测方法
技术领域
背景技术
发明内容
0.15)，对应的特征的维度为(3,4,10,1)。图2(c)中对图2(b)的结果进行归一化处理,即首先将每一个用户的新的兴趣向量求和，然后将各个维度除以求和所得的结果，得到归一化之后的兴趣向量，例如经过上述计算得到u1的兴趣向量(0.374,0.250,0.214,0.162)；u2的兴趣向量(0.288,0.276,0.248,0.188)。图2(d)通过将图2(c)中各个向量的相应的维度相加得到了用户u1的最终的修正兴趣向量，因为此时u1保留的兴趣向量的维度为(4,9,2,3)，u2为(3,4,10,1)，u3为(4,6,1,9)，u4为(1,4,3,2)，u6为(8,3,1,9)，所以最终的u1的修正的兴趣向量的维度为(4,9,2,3)∪(3,4,10,1)∪(4,6,1,9)∪(1,4,3,2)∪(8,3,1,9)＝(1,2,
3,4,6,8,9,10)，并且各个维度相应的值通过计算可以得到为(1.007,0.35,0.919,1.348,
0.25,0.309,0.569,0.248)。图2(e)中，为了计算用户u1是否会关注u5，需要对u1和u5的兴趣向量进行重构。在重构之前，针对用户u5的原始的兴趣向量，首先提取值最大的前4个维度得到(0.21,0.134,0.131,0.12)，对应的维度是(1,6,9,10)。然后考虑u1的修正兴趣向量和u5的Top-4兴趣向量的维度的并集，即，(1,2,3,4,6,8,9,10)∪(1,6,9,10)＝(1,2,3,4,
6,8,9,10)。并重新分别构造u1和u5的兴趣向量，如图2(f)所示，重构之后的u1和u5的兴趣向量分别为(0.21，0，0，0，0.134，0，0.131，0.12)和(1.007,0.35,0.919,1.348,0.25,
0.309,0.569,0.248)。
具体实施方式
0.001,0.03,0,0.022,0.13,0.198)。图2(b)中首先选取目标用户u1和目标用户的关注用户u2，u3，u4和u6的兴趣向量中权值最大的4个维度，构成新的用户的兴趣向量。例如此时用户u1的新的兴趣向量为(0.21,0.14，0.12，0.091)，对应的特征的维度为(4,9,2,3)；用户u2的新的兴趣向量为(0.23，0.22，0.198，0.15)，对应的特征的维度为(3,4,10,1)。图2(c)中对图2(b)的结果进行归一化处理,使得每一个用户的所有的特征向量的值的和为1，具体做法是首先将每一个用户的新的兴趣向量求和，然后将各个维度除以求和所得的结果，得到归一化之后的兴趣向量，例如经过上述计算得到u1的兴趣向量(0.374,0.250,0.214,0.162)；
u2的兴趣向量(0.288,0.276,0.248,0.188)等等。图2(d)通过将图2(c)中各个向量的相应的维度相加得到了用户u1的最终的修正兴趣向量，因为此时u1保留的兴趣向量的维度为(4,9,2,3)，u2为(3,4,10,1)，u3为(4,6,1,9)，u4为(1,4,3,2)，u6为(8,3,1,9)，所以最终的u1的修正的兴趣向量的维度为(4,9,2,3)∪(3,4,10,1)∪(4,6,1,9)∪(1,4,3,2)∪(8,3,
1,9)＝(1,2,3,4,6,8,9,10)，并且各个维度相应的值为(1.007,0.35,0.919,1.348,0.25,
0.309,0.569,0.248)。通过分析可以得到：假设修正后的兴趣向量的维度为n，那么n的取值范围为：10≥n≥4。
9,10)。从图2(e)中可以看到用户u5的原始兴趣向量为(0.21,0.003,0.05,0.11,0.02,
0.134,0.112,0.11,0.131,0.12)，针对u5用户，使用步骤2中方法，首先选取值最大的4个维度是(1,6,9,10)，其对应的值为(0.21,0.134,0.131,0.12)。然后考虑u1的修正兴趣向量和u5的Top-4兴趣向量的维度的并集，即，(1,2,3,4,6,8,9,10)∪(1,6,9,10)＝(1,2,3,4,6,
8,9,10)。并重新分别构造u1和u5的兴趣向量，若用户没有某一个维度上的特征，则使用0补齐，如图2(f)所示，重构之后的u1和u5的兴趣向量分别为(0.21，0，0，0，0.134，0，0.131，
0.12)和(1.007,0.35,0.919,1.348,0.25,0.309,0.569,0.248)，分别记这两个向量为 和这两个兴趣向量涉及到的特征的维度都是(1,2,3,4,6,8,9,10)
通过计算 和 的內积可以得到用户u1和u5的兴趣相似性。另外我们也考虑了 和中重叠出现的兴趣分量的个数，通过该指标可以反映用户兴趣点的联系率，这在一定的程度上弥补了內积只衡量相似性的强度的缺点。除了兴趣相似性，在对连边进行预测时候，桥接点的作用也被考虑了进来。因为桥节点的个数越多，信息越有可能从u5传到u1。综合上述的考虑，u1关注u5的概率P15可以通过如下的计算公式给出，这里给出更为一般的计算公式，即，用户i关注用户j的概率的计算公式，在本例中，i即为用户u1，j即为用户u5：
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 自组网中的数据发送及接收方法、装置、终端、存储介质 | 2020-05-08 | 457 |
| 一种实现多个服务器切换时门店系统Session共享的方法 | 2020-05-11 | 856 |
| 分布式拼接系统整墙回显方法、装置及计算机设备 | 2020-05-08 | 129 |
| 用于无线通信中的波束管理的技术 | 2020-05-08 | 735 |
| 有机发光显示装置 | 2020-05-08 | 836 |
| 适于无线网络的资源分配方法、装置和系统 | 2020-05-08 | 405 |
| 共享的区块链数据存储 | 2020-05-08 | 733 |
| 基于LoRa技术的农业病虫防害系统 | 2020-05-08 | 823 |
| 基于窄带物联网的网络节点权重属性的评估方法及网络节点 | 2020-05-08 | 342 |
| 一种窃听环境下轮流中继网络的安全传输方法 | 2020-05-08 | 497 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
