本發(fā)明涉及數(shù)據(jù)挖掘、社交網(wǎng)絡(luò)分析領(lǐng)域，涉及用戶關(guān)系分析，尤其是一種面向社交網(wǎng)絡(luò)的鏈接預(yù)測(cè)方法。

背景技術(shù)：

隨著計(jì)算機(jī)信息技術(shù)的不斷發(fā)展和互聯(lián)網(wǎng)的迅速普及，社交網(wǎng)絡(luò)得到了越來(lái)越多人的參與和關(guān)注。近幾年來(lái)，社交網(wǎng)站已逐漸成為信息傳播與分享的重要途徑，用戶留下的相關(guān)信息讓社交網(wǎng)絡(luò)成為一個(gè)巨大的信息平臺(tái)，對(duì)這些海量數(shù)據(jù)的挖掘成為了研究熱點(diǎn)。其中，對(duì)于社交網(wǎng)絡(luò)中的用戶關(guān)系分析的研究，可以幫助人們更好地解釋網(wǎng)絡(luò)結(jié)構(gòu)的演化與發(fā)現(xiàn)。

現(xiàn)階段，對(duì)于社交網(wǎng)絡(luò)中的用戶關(guān)系分析有著不同方面的研究，主要包括用戶關(guān)系預(yù)測(cè)以及用戶關(guān)系強(qiáng)度等方面的研究，所使用的方法包括基于節(jié)點(diǎn)相似度的分析，基于概率模型的分析以及基于最大似然估計(jì)的分析。其中，基于節(jié)點(diǎn)相似度的分析，它存在一個(gè)假設(shè)前提，即任意兩個(gè)不相連的節(jié)點(diǎn)越相似，越可能產(chǎn)生鏈接。例如：共同鄰居指標(biāo)(CN)、節(jié)點(diǎn)鄰居類(lèi)型的優(yōu)先鏈接指標(biāo)(PA)、Adamic/Adar指標(biāo)(AA)、Jaccard系數(shù)、Katz等；基于概率模型的分析，主要是通過(guò)構(gòu)建一個(gè)含一組可調(diào)參數(shù)的模型，然后采用優(yōu)化策略找到最優(yōu)的參數(shù)值，從而使得所得到的模型能夠很好地重現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)和關(guān)系特征。例如：Sarukkai等人在《基于馬爾可夫鏈的鏈接預(yù)測(cè)和路徑分析》(Link Prediction and Path analysis using Markov chains)中應(yīng)用馬爾科夫鏈對(duì)網(wǎng)絡(luò)進(jìn)行路徑分析和鏈路預(yù)測(cè)；基于最大似然估計(jì)的分析，它比較適用于有層次結(jié)構(gòu)的網(wǎng)絡(luò)中進(jìn)行計(jì)算，例如：Clauset等人在《網(wǎng)絡(luò)的層次結(jié)構(gòu)和缺失鏈接預(yù)測(cè)》(Hierarchical Structure and the Prediction of Missing Links in Networks)中通過(guò)建立一個(gè)網(wǎng)絡(luò)層次結(jié)構(gòu)模型，針對(duì)具有明顯層次特征的網(wǎng)絡(luò)進(jìn)行鏈接預(yù)測(cè)。

以上的研究著重于通過(guò)分析網(wǎng)絡(luò)結(jié)構(gòu)特征，即外部因素來(lái)預(yù)測(cè)鏈接，但這些方法都沒(méi)有考慮到用戶內(nèi)部因素對(duì)鏈接產(chǎn)生的影響，如用戶屬性和用戶行為，忽略了網(wǎng)絡(luò)中用戶行為信息之間的潛在興趣關(guān)系。LDA主題模型可以對(duì)用戶屬性信息進(jìn)行主題提取，并且它適合處理“一詞多義”、“多詞一義”的問(wèn)題。Yoon-Sik Cho等人在《綜合社會(huì)數(shù)據(jù)的潛在空間模型》(Latent Space Model for Multi-Modal Social Data)中分析全網(wǎng)絡(luò)中的用戶屬性和行為，構(gòu)建一種基于LDA的潛在空間模型，對(duì)用戶行為進(jìn)行建模分析，得到關(guān)于用戶行為的主題分布，從而預(yù)測(cè)用戶關(guān)系。但用戶對(duì)不同用戶的關(guān)注符合冪律分布，會(huì)使得LDA模型的主題分布向高頻用戶傾斜，應(yīng)當(dāng)在LDA模型中采用合適的加權(quán)策略，提高主題表達(dá)能力。另外，LDA模型沒(méi)有完全體現(xiàn)出網(wǎng)絡(luò)結(jié)構(gòu)對(duì)鏈接預(yù)測(cè)的貢獻(xiàn)，實(shí)際上共同鄰居間存在一定的依賴(lài)關(guān)系，因此，需要更充分地考慮這種依賴(lài)關(guān)系，提高鏈接預(yù)測(cè)的精準(zhǔn)度。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明需要解決的技術(shù)問(wèn)題是：現(xiàn)有技術(shù)忽略了網(wǎng)絡(luò)中用戶行為信息之間的潛在興趣關(guān)系，對(duì)因共同鄰居相互鏈接而產(chǎn)生的依賴(lài)關(guān)系考慮不足，鏈接預(yù)測(cè)的精準(zhǔn)度有提高空間?？紤]到用戶之間的鏈接建立受到用戶內(nèi)部因素和外部因素的共同作用，內(nèi)部因素具體在用戶行為中體現(xiàn)出來(lái)，可表現(xiàn)為用戶的興趣關(guān)注和信息交互，而外部因素又表現(xiàn)為用戶間共鄰用戶對(duì)鏈接產(chǎn)生的影響。提出了一種提高鏈接預(yù)測(cè)的精準(zhǔn)度的面向社交網(wǎng)絡(luò)的鏈接預(yù)測(cè)系統(tǒng)及方法。本發(fā)明的技術(shù)方案如下：

一種面向社交網(wǎng)絡(luò)的鏈接預(yù)測(cè)系統(tǒng)，其包括數(shù)據(jù)源獲取模塊、屬性解析模塊、模型構(gòu)建模塊以及預(yù)測(cè)分析模塊；其中

數(shù)據(jù)源獲取模塊，用于獲取社交網(wǎng)絡(luò)中用戶行為以及用戶關(guān)系數(shù)據(jù)；屬性解析模塊，用于分別從用戶的興趣關(guān)注屬性、信息交互屬性以及共鄰用戶屬性中解析出上述三部分的相關(guān)屬性向量；模型構(gòu)建模塊，用于構(gòu)建改進(jìn)的LDA鏈接預(yù)測(cè)模型，通過(guò)獲取用戶興趣關(guān)注特征、信息交互特征和網(wǎng)絡(luò)結(jié)構(gòu)特征，并訓(xùn)練前述三種特征的權(quán)值參數(shù)；預(yù)測(cè)分析模塊，用訓(xùn)練好的改進(jìn)的LDA鏈接預(yù)測(cè)模型來(lái)預(yù)測(cè)社交網(wǎng)絡(luò)中用戶鏈接關(guān)系并發(fā)現(xiàn)鏈接建立的關(guān)鍵因素。

進(jìn)一步的，所述數(shù)據(jù)源獲取模塊獲取的數(shù)據(jù)內(nèi)容主要包括用戶基本信息、用戶關(guān)注者基本信息、用戶粉絲基本信息、用戶間好友關(guān)系以及用戶過(guò)往行為數(shù)據(jù)。

進(jìn)一步的，所述興趣關(guān)注屬性包括：用戶對(duì)感興趣的用戶關(guān)注，即用戶的關(guān)注列表，定義用戶u_x的興趣關(guān)注向量為其中，w_x,n表示用戶u_x關(guān)注列表中的有效用戶，N_x表示用戶u_x關(guān)注列表的有效用戶的個(gè)數(shù)；

信息交互屬性包括：用戶對(duì)感興趣的微博轉(zhuǎn)發(fā)，即用戶與微博博主間發(fā)生了一次信息交互，定義用戶u_x的信息交互向量為其中，w'_x,n表示與用戶u_x發(fā)生交互關(guān)系的用戶，N'_x表示與用戶u_x發(fā)生交互關(guān)系的用戶個(gè)數(shù)；

共鄰用戶屬性包括：用戶間的共同好友，這里的好友指的是相互關(guān)注關(guān)系，定義用戶u_x與用戶u_y的共鄰用戶向量為其中，c_q表示用戶u_x與用戶u_y的共同好友，也稱(chēng)為共鄰用戶，Q_xy表示用戶u_x與用戶u_y的共鄰用戶個(gè)數(shù)。

進(jìn)一步的，所述模型構(gòu)建模塊：用于針對(duì)網(wǎng)絡(luò)中所有用戶的興趣關(guān)注向量，采用高斯加權(quán)對(duì)用戶關(guān)注的每個(gè)用戶加權(quán)，利用改進(jìn)的LDA主題模型訓(xùn)練所有用戶，得到用戶興趣關(guān)注的主題分布；采用余弦相似度計(jì)算得到用戶興趣關(guān)注的相似度矩陣，并作為用戶興趣關(guān)注特征；利用LDA主題模型訓(xùn)練所有用戶，得到用戶信息交互的主題分布，采用余弦相似度計(jì)算得到用戶信息交互的相似度矩陣，并作為用戶信息交互特征；針對(duì)網(wǎng)絡(luò)中所有用戶的共鄰用戶向量，利用隱樸素貝葉斯定義的共鄰用戶貢獻(xiàn)算法，量化共鄰用戶間的依賴(lài)關(guān)系，計(jì)算得到網(wǎng)絡(luò)結(jié)構(gòu)的相似度矩陣，并作為網(wǎng)絡(luò)結(jié)構(gòu)特征；將上述三種特征一起流入分類(lèi)器，通過(guò)訓(xùn)練分類(lèi)器以及三種特征的權(quán)值參數(shù)來(lái)預(yù)測(cè)是否形成鏈接以及鏈接建立的關(guān)鍵因素。

進(jìn)一步的，所述獲取用戶興趣關(guān)注特征包括：統(tǒng)計(jì)社交網(wǎng)絡(luò)中注冊(cè)用戶所關(guān)注的所有用戶，并統(tǒng)計(jì)關(guān)注的用戶的出現(xiàn)頻率；針對(duì)每個(gè)用戶，采用高斯加權(quán)公式對(duì)用戶關(guān)注的每個(gè)用戶w_x,n加權(quán)其中表示關(guān)注的用戶w_x,n的出現(xiàn)頻率，f_i表示關(guān)注的用戶的平均出現(xiàn)頻率；給定參數(shù)K作為用戶興趣關(guān)注的主題數(shù)，采用改進(jìn)的LDA主題模型訓(xùn)練所有注冊(cè)用戶，得到用戶興趣關(guān)注的主題分布Θ。采用余弦相似度計(jì)算兩兩用戶間基于興趣關(guān)注的相似度，得到用戶興趣關(guān)注的相似度矩陣R₁，將基于興趣關(guān)注的相似度作為用戶興趣關(guān)注特征。

進(jìn)一步的，所述獲取用戶信息交互特征包括：獲取用戶興趣關(guān)注特征，給定參數(shù)K'作為用戶信息交互的主題數(shù)，采用LDA主題模型訓(xùn)練所有注冊(cè)用戶，得到用戶信息交互的主題分布Θ'；采用余弦相似度計(jì)算兩兩用戶間基于信息交互的相似度，得到用戶信息交互的相似度矩陣R₂，并將基于信息交互的相似度作為用戶信息交互特征。

進(jìn)一步的，所述獲取網(wǎng)絡(luò)結(jié)構(gòu)特征包括：假設(shè)共鄰用戶間的依賴(lài)關(guān)系分為兩種，獨(dú)立依賴(lài)關(guān)系和聯(lián)合依賴(lài)關(guān)系，獨(dú)立依賴(lài)關(guān)系指的是共鄰用戶受其他共鄰用戶中任一用戶的單獨(dú)影響，聯(lián)合依賴(lài)關(guān)系指的是共鄰用戶受其他多個(gè)共鄰用戶的共同影響，采用隱樸素貝葉斯定義的共鄰用戶貢獻(xiàn)算法計(jì)算兩兩用戶間基于網(wǎng)絡(luò)結(jié)構(gòu)的相似度，得到網(wǎng)絡(luò)結(jié)構(gòu)的相似度矩陣R₃，將網(wǎng)絡(luò)結(jié)構(gòu)的相似度作為網(wǎng)絡(luò)結(jié)構(gòu)特征。

一種面向社交網(wǎng)絡(luò)的鏈接預(yù)測(cè)方法，其包括以下步驟：

首先，針對(duì)社交網(wǎng)絡(luò)中用戶的多個(gè)興趣標(biāo)簽特點(diǎn)，利用LDA主題模型對(duì)用戶行為進(jìn)行建模，得到關(guān)于用戶行為的主題分布；

其次，考慮到用戶對(duì)不同用戶的關(guān)注符合冪律分布，利用高斯加權(quán)對(duì)標(biāo)準(zhǔn)LDA進(jìn)行改進(jìn)，提高主題表達(dá)能力；

最后，通過(guò)引入隱樸素貝葉斯定義的共鄰用戶貢獻(xiàn)算法，綜合用戶行為特征和網(wǎng)絡(luò)結(jié)構(gòu)特征進(jìn)行鏈接預(yù)測(cè)。

進(jìn)一步的，分別從用戶的興趣關(guān)注、信息交互以及共鄰用戶三個(gè)方面出發(fā)，利用LDA主題模型解決“一詞多義”、“多詞一義”的基礎(chǔ)思想和隱樸素貝葉斯定義的共鄰用戶貢獻(xiàn)算法，構(gòu)建一種基于改進(jìn)的LDA社交網(wǎng)絡(luò)鏈接預(yù)測(cè)模型。

本發(fā)明的優(yōu)點(diǎn)及有益效果如下：

本發(fā)明針對(duì)網(wǎng)絡(luò)中用戶行為信息之間的潛在興趣關(guān)系以及共同鄰居相互鏈接而產(chǎn)生的依賴(lài)關(guān)系等問(wèn)題，能夠?qū)](méi)有顯性鏈接的用戶對(duì)是否會(huì)產(chǎn)生鏈接作出準(zhǔn)確預(yù)測(cè)，并發(fā)現(xiàn)鏈接建立的關(guān)鍵因素。根據(jù)上述方法，采用高斯加權(quán)后的LDA可以讓代表主題的多數(shù)用戶不被少量高頻用戶所淹沒(méi)，能有效降低對(duì)用戶行為處理的復(fù)雜度，提高主題表達(dá)能力；結(jié)合隱樸素貝葉斯定義的共鄰用戶貢獻(xiàn)算法，能更充分地考慮共鄰用戶間的相互依賴(lài)關(guān)系，提高鏈接預(yù)測(cè)的精準(zhǔn)度。

附圖說(shuō)明

圖1是本發(fā)明提供優(yōu)選實(shí)施例面向社交網(wǎng)絡(luò)的鏈接預(yù)測(cè)方法總體流程圖；

圖2是本發(fā)明的預(yù)測(cè)模型框圖；

圖3是本發(fā)明的預(yù)測(cè)模型流程圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、詳細(xì)地描述。所描述的實(shí)施例僅僅是本發(fā)明的一部分實(shí)施例。

本發(fā)明解決上述技術(shù)問(wèn)題的技術(shù)方案是：

由于用戶之間的鏈接建立受到用戶內(nèi)部因素和外部因素的共同作用。內(nèi)部因素具體在用戶行為中體現(xiàn)出來(lái)，可表現(xiàn)為用戶的興趣關(guān)注和信息交互；而外部因素又表現(xiàn)為用戶間共鄰用戶對(duì)鏈接產(chǎn)生的影響。因此本發(fā)明分別從用戶的興趣關(guān)注、信息交互以及共鄰用戶三個(gè)方面出發(fā)，針對(duì)網(wǎng)絡(luò)中用戶行為信息之間的潛在興趣關(guān)系以及共同鄰居相互鏈接而產(chǎn)生的依賴(lài)關(guān)系等問(wèn)題，構(gòu)建一種基于改進(jìn)的LDA社交網(wǎng)絡(luò)鏈接預(yù)測(cè)模型，使其能夠預(yù)測(cè)沒(méi)有顯性鏈接的用戶對(duì)是否會(huì)產(chǎn)生鏈接，并發(fā)現(xiàn)鏈接建立的關(guān)鍵因素。

具體表述為，給定一個(gè)社交網(wǎng)絡(luò)圖Gu^s＝(U^s,Eu^s,Au^s)，Gu^s是一個(gè)無(wú)向圖，其中，U^s表示社交網(wǎng)絡(luò)中的注冊(cè)用戶，表示所有用戶之間的關(guān)系，表示用戶間的行為互動(dòng)；從現(xiàn)有網(wǎng)絡(luò)Gu^s中抽取部分網(wǎng)絡(luò)作為目標(biāo)網(wǎng)絡(luò)Gu^t＝(U^t,Eu^t,Au^t)，其中U^t表示隨機(jī)抽取的目標(biāo)用戶；預(yù)測(cè)目標(biāo)用戶U^t中沒(méi)有顯性鏈接的用戶對(duì)是否會(huì)產(chǎn)生鏈接，即預(yù)測(cè)目標(biāo)網(wǎng)絡(luò)Gu^t中新的用戶關(guān)系Eu'。上述也可表示為：

如圖1所示為本發(fā)明的總體流程圖，包括：獲取數(shù)據(jù)模塊，解析屬性模塊，構(gòu)建模型模塊以及預(yù)測(cè)分析模塊共四大模塊。

以下具體說(shuō)明本發(fā)明的詳細(xì)實(shí)施過(guò)程。

S1：獲取數(shù)據(jù)源。獲取的數(shù)據(jù)為微博數(shù)據(jù)，主要通過(guò)網(wǎng)絡(luò)爬蟲(chóng)獲取。獲取的數(shù)據(jù)內(nèi)容主要包括用戶基本信息、用戶關(guān)注者基本信息、用戶粉絲基本信息、用戶間好友關(guān)系以及用戶過(guò)往行為數(shù)據(jù)(轉(zhuǎn)發(fā)和原創(chuàng)微博情況)。數(shù)據(jù)的獲取主要采用如下方法(也可采用現(xiàn)有技術(shù)的常規(guī)方法獲取)：

S11：獲取原始數(shù)據(jù)。利用網(wǎng)絡(luò)爬蟲(chóng)或者通過(guò)各社交網(wǎng)站開(kāi)放API平臺(tái)獲取數(shù)據(jù)。獲取的數(shù)據(jù)內(nèi)容主要包括用戶基本信息、用戶關(guān)注者基本信息、用戶粉絲基本信息、用戶間好友關(guān)系以及用戶過(guò)往行為數(shù)據(jù)。

S12：簡(jiǎn)單的數(shù)據(jù)清洗。通過(guò)簡(jiǎn)單的數(shù)據(jù)清洗可以使大部分?jǐn)?shù)據(jù)利于分析。例如，刪除重復(fù)數(shù)據(jù)、清理無(wú)效節(jié)點(diǎn)等。

S2：提取相關(guān)屬性?？紤]用戶間的鏈接建立主要受用戶的興趣關(guān)注、信息交互以及共鄰用戶三方面影響，本發(fā)明分別從興趣關(guān)注、信息交互以及共鄰用戶三方面提取相關(guān)屬性。具體舉例作如下說(shuō)明。

S21：提取興趣關(guān)注屬性。興趣關(guān)注屬性是指用戶對(duì)感興趣的用戶的關(guān)注，即用戶的關(guān)注列表。定義用戶u_x的興趣關(guān)注向量為：

其中，w_x,n表示用戶u_x關(guān)注列表中的有效用戶，N_x表示用戶u_x關(guān)注列表的有效用戶的個(gè)數(shù)。例如：用戶a的關(guān)注列表中的有效用戶有b,c,d,e......，則用戶a的興趣關(guān)注向量為F(a)＝[b,c,d,e......]。

S22：提取信息交互屬性。信息交互屬性是指用戶對(duì)感興趣的微博轉(zhuǎn)發(fā)，即用戶與微博博主間發(fā)生了一次信息交互。定義用戶u_x的信息交互向量為：

其中，w'_x,n表示與用戶u_x發(fā)生交互關(guān)系的用戶，N'_x表示與用戶u_x發(fā)生交互關(guān)系的用戶個(gè)數(shù)。例如：用戶h轉(zhuǎn)發(fā)了用戶j的微博2次，轉(zhuǎn)發(fā)了用戶k的微博3次......，則用戶h的信息交互向量為I(h)＝[j,j,k,k,k......]。

S23：提取共鄰用戶屬性。共鄰用戶屬性是指用戶間的共同好友，這里的好友指的是相互關(guān)注關(guān)系。定義用戶u_x與用戶u_y的共鄰用戶向量為：

其中，c_q表示用戶u_x與用戶u_y的共同好友，也稱(chēng)為共鄰用戶。Q_xy表示用戶u_x與用戶u_y的共鄰用戶個(gè)數(shù)。例如：用戶s與用戶t的共鄰用戶有g(shù),i,o,r......，則用戶s與用戶t的共鄰用戶向量為C(s,t)＝[g,i,o,r.....]。

S3：建立模型。如圖2所示為本發(fā)明的預(yù)測(cè)模型框圖。針對(duì)網(wǎng)絡(luò)中所有用戶的興趣關(guān)注向量，采用高斯加權(quán)對(duì)用戶關(guān)注的每個(gè)用戶加權(quán)，利用改進(jìn)的LDA主題模型訓(xùn)練所有用戶，得到用戶興趣關(guān)注的主題分布；采用余弦相似度計(jì)算得到用戶興趣關(guān)注的相似度矩陣，并作為用戶興趣關(guān)注特征。同理，利用LDA主題模型訓(xùn)練所有用戶，得到用戶信息交互的主題分布，采用余弦相似度計(jì)算得到用戶信息交互的相似度矩陣，并作為用戶信息交互特征。針對(duì)網(wǎng)絡(luò)中所有用戶的共鄰用戶向量，利用隱樸素貝葉斯定義的共鄰用戶貢獻(xiàn)算法，量化共鄰用戶間的依賴(lài)關(guān)系，計(jì)算得到網(wǎng)絡(luò)結(jié)構(gòu)的相似度矩陣，并作為網(wǎng)絡(luò)結(jié)構(gòu)特征。將上述三種特征一起流入分類(lèi)器，通過(guò)訓(xùn)練分類(lèi)器以及三種特征的權(quán)值參數(shù)來(lái)預(yù)測(cè)是否形成鏈接以及鏈接建立的關(guān)鍵因素。模型的訓(xùn)練及求解將在接下來(lái)的部分詳細(xì)敘述。

如圖3所示為本發(fā)明的預(yù)測(cè)模型流程圖。

S31：用戶的興趣關(guān)注影響分析。

在社交網(wǎng)絡(luò)中，假設(shè)有M個(gè)注冊(cè)用戶，U＝{u₁,u₂......u_M}。每個(gè)注冊(cè)用戶u_x可以由N_x個(gè)該用戶關(guān)注的用戶構(gòu)成，即可以表示為該用戶的興趣關(guān)注向量注冊(cè)用戶u_x的每個(gè)關(guān)注用戶w_x,n服從興趣主題z_x,n的多項(xiàng)式分布，每個(gè)興趣主題z_x,n服從注冊(cè)用戶u_x的多項(xiàng)式分布。

統(tǒng)計(jì)注冊(cè)用戶所關(guān)注的所有用戶，其總數(shù)為N，并統(tǒng)計(jì)關(guān)注的用戶的出現(xiàn)頻率。針對(duì)每個(gè)用戶u_x，采用高斯加權(quán)公式對(duì)用戶關(guān)注的每個(gè)用戶w_x,n加權(quán)：

其中表示關(guān)注的用戶w_x,n的出現(xiàn)頻率，f_i表示關(guān)注的用戶的平均出現(xiàn)頻率。給定參數(shù)K作為用戶興趣關(guān)注的主題數(shù)，采用高斯加權(quán)改進(jìn)的LDA生成過(guò)程如下：

1、是Dirichlet分布的參數(shù)，以先驗(yàn)參數(shù)選擇服從分布，代表興趣主題k下的每個(gè)關(guān)注用戶出現(xiàn)的概率。

2、是Dirichlet分布的參數(shù)，以先驗(yàn)參數(shù)選擇服從分布，代表用戶u_x的興趣主題發(fā)生的概率。然后對(duì)其N(xiāo)_x個(gè)關(guān)注用戶的每一個(gè)，選擇興趣主題z_x,n，z_x,n服從多項(xiàng)式分布。

3、k＝z_x,n。根據(jù)選擇關(guān)注用戶w_x,n，表示采用高斯加權(quán)后在興趣主題k條件下出現(xiàn)關(guān)注用戶w_x,n的概率。w_x,n服從在z_x,n條件下的多項(xiàng)式分布。

所有變量的概率聯(lián)合分布如下：

其中，表示用戶u_x的興趣主題標(biāo)簽向量，表示用戶u_x的高斯加權(quán)向量，Φ表示關(guān)注用戶分布，

在該生成模型中，對(duì)用戶行為建模實(shí)際是要計(jì)算用戶的興趣關(guān)注主題分布以及關(guān)注用戶分布由于Θ和Φ的耦合，無(wú)法直接計(jì)算，這里采用Gibbs抽樣間接求得Θ和Φ。Gibbs抽樣每次迭代估算Θ和Φ的公式如下：

其中，表示主題k分配到用戶u_x的次數(shù)，表示關(guān)注用戶t被觀察到分配給主題k的加權(quán)后的次數(shù)。

采用余弦相似度計(jì)算兩兩用戶u_x與u_y間基于興趣關(guān)注的相似度。余弦相似度計(jì)算公式如下：

其中，和分別表示用戶u_x與u_y的興趣主題向量。得到的r_1-xy的值越大，表明兩個(gè)用戶的興趣主題越相似，也就是說(shuō)他們之間產(chǎn)生鏈接的可能性越大。

遍歷用戶的興趣關(guān)注主題分布Θ，通過(guò)式(8)計(jì)算出社交網(wǎng)絡(luò)中所有用戶對(duì)間的基于交互行為條件下的相似度，得到用戶興趣關(guān)注的相似度矩陣R₁，并將基于興趣關(guān)注的相似度作為用戶興趣關(guān)注特征。

S32：用戶的信息交互影響分析。

在S31步驟基礎(chǔ)上，每個(gè)注冊(cè)用戶u_x也可以由N'_x個(gè)與其發(fā)生信息交互的用戶構(gòu)成，即可以表示為該用戶的信息交互向量，注冊(cè)用戶u_x的每個(gè)交互用戶w'_x,n服從興趣主題z'_x,n的多項(xiàng)式分布，每個(gè)興趣主題z'_x,n服從注冊(cè)用戶u_x的多項(xiàng)式分布。

統(tǒng)計(jì)注冊(cè)用戶信息交互的所有用戶，其總數(shù)為N'，給定參數(shù)K'作為用戶信息交互的主題數(shù)，用戶的信息交互的生成過(guò)程類(lèi)似于S31中用戶的興趣關(guān)注的生成過(guò)程。同理，求解出用戶的信息交互主題分布Θ'，遍歷Θ'，計(jì)算出社交網(wǎng)絡(luò)中所有用戶對(duì)間的基于關(guān)注行為條件下的相似度，得到用戶信息交互的相似度矩陣R₂，并將基于信息交互的相似度作為用戶信息交互特征。

S33：用戶的共鄰用戶影響分析。

經(jīng)過(guò)S23步驟，我們可以得到兩個(gè)注冊(cè)用戶u_x和u_y的共鄰用戶向量其中每個(gè)共鄰用戶與其他共鄰用戶之間會(huì)存在一定的依賴(lài)關(guān)系。假設(shè)這種依賴(lài)關(guān)系分兩種，獨(dú)立依賴(lài)關(guān)系和聯(lián)合依賴(lài)關(guān)系。獨(dú)立依賴(lài)關(guān)系指的是共鄰用戶c_q受其他共鄰用戶中任一用戶的單獨(dú)影響，聯(lián)合依賴(lài)關(guān)系指的是共鄰用戶c_q受其他多個(gè)共鄰用戶的共同影響。這里用隱含因子η表示獨(dú)立依賴(lài)關(guān)系的總和，隱含因子π表示聯(lián)合依賴(lài)關(guān)系的總和。

我們令L_xy表示兩個(gè)注冊(cè)用戶u_x和u_y間的鏈接狀態(tài)，其中，l_xy表示兩個(gè)用戶間存在鏈接，表示兩個(gè)注冊(cè)用戶間無(wú)鏈接。所有變量的概率聯(lián)合分布如下：

其中，P(l_xy)、表示用戶u_x與u_y間存在鏈接的概率；P(c_q|η_q,l_xy)、表示共鄰用戶c_q與其他共鄰用戶的獨(dú)立依賴(lài)關(guān)系在存在鏈接和不存在鏈接條件下的加權(quán)和；P(c_q|π_q,l_xy)、表示共鄰用戶c_q與其他共鄰用戶對(duì)的聯(lián)合依賴(lài)關(guān)系在存在鏈接和不存在鏈接條件下的加權(quán)和。共鄰用戶間的依賴(lài)關(guān)系的計(jì)算公式如下：

其中，權(quán)重W_ij、W_ijk表示共鄰用戶間的獨(dú)立依賴(lài)關(guān)系和聯(lián)合依賴(lài)關(guān)系的重要程度，這里采用共鄰用戶間的條件互信息加權(quán)和來(lái)表示，計(jì)算公式如下：

為了減小條件互信息計(jì)算時(shí)的時(shí)間復(fù)雜度，這里設(shè)置判決條件如下：

I_p(c_i,[c_j,c_k]|l_xy)＞max{I_p(c_i,c_j|l_xy),I_p(c_i,c_k|l_xy)} (15)

若隱含因子π對(duì)共鄰用戶的影響比隱含因子η要大，則考慮隱含因子η、π共同作用，否則只考慮隱含因子η的影響。在不存在鏈接條件下的相關(guān)計(jì)算與上述相類(lèi)似。

由共鄰用戶向量作為先驗(yàn)條件預(yù)測(cè)用戶u_x與u_y存在鏈接的概率為：

同理，可以求解由共鄰用戶向量作為先驗(yàn)條件預(yù)測(cè)用戶u_x與u_y不存在鏈接的概率采用隱樸素貝葉斯定義的共鄰用戶貢獻(xiàn)算法計(jì)算兩兩用戶u_x與u_y間基于網(wǎng)絡(luò)結(jié)構(gòu)的相似度，計(jì)算公式如下：

通過(guò)式(17)計(jì)算出社交網(wǎng)絡(luò)中所有用戶對(duì)間的基于共鄰用戶條件下的相似度，即基于網(wǎng)絡(luò)結(jié)構(gòu)的相似度，得到網(wǎng)絡(luò)結(jié)構(gòu)的相似度矩陣R₃，并將基于網(wǎng)絡(luò)結(jié)構(gòu)的相似度作為網(wǎng)絡(luò)結(jié)構(gòu)特征。

S34：分類(lèi)器構(gòu)造。

經(jīng)步驟S31～S33，可以得到用戶的興趣關(guān)注特征、用戶的信息交互特征以及網(wǎng)絡(luò)結(jié)構(gòu)特征。給定這三種特征一個(gè)權(quán)值參數(shù)集合λ＝{λ₁,λ₂,λ₃}，其中λ₁、λ₂、λ₃分別表示這三種特征對(duì)用戶間產(chǎn)生鏈接的影響程度。將這三種特征一起流入分類(lèi)器，采用有監(jiān)督框架來(lái)組合這三種特征，得到鏈接預(yù)測(cè)模型。這里的分類(lèi)器采用的是SVM分類(lèi)器，通過(guò)訓(xùn)練分類(lèi)器以及這三種特征的權(quán)值參數(shù)來(lái)判別形成鏈接和未形成鏈接來(lái)輸出鏈接預(yù)測(cè)結(jié)果，同時(shí)發(fā)現(xiàn)鏈接建立的關(guān)鍵因素。

S4：預(yù)測(cè)和分析過(guò)程。將抽取的目標(biāo)網(wǎng)絡(luò)Gu^t＝(U^t,Eu^t,Au^t)輸入到經(jīng)S3步驟得到的鏈接預(yù)測(cè)模型中，對(duì)其中沒(méi)有顯性鏈接的用戶對(duì)是否會(huì)產(chǎn)生鏈接進(jìn)行預(yù)測(cè)，得到目標(biāo)網(wǎng)絡(luò)Gu^t中新的用戶關(guān)系Eu'，同時(shí)根據(jù)訓(xùn)練得到的權(quán)值參數(shù)集合λ＝{λ₁,λ₂,λ₃}來(lái)發(fā)現(xiàn)鏈接建立的關(guān)鍵因素。

本發(fā)明利用社交網(wǎng)絡(luò)中用戶行為以及用戶關(guān)系數(shù)據(jù)分析用戶的相關(guān)屬性，將沒(méi)有顯性鏈接的用戶對(duì)作為輸入，預(yù)測(cè)這些用戶對(duì)是否會(huì)產(chǎn)生鏈接。首先，針對(duì)社交網(wǎng)絡(luò)中用戶的多個(gè)興趣標(biāo)簽特點(diǎn)，利用LDA主題模型處理“一詞多義”、“多詞一義”的基礎(chǔ)思想和方法，對(duì)用戶行為進(jìn)行建模，得到關(guān)于用戶行為的主題分布。其次，考慮到用戶對(duì)不同用戶的關(guān)注符合冪律分布，利用高斯加權(quán)對(duì)標(biāo)準(zhǔn)LDA進(jìn)行改進(jìn)，提高主題表達(dá)能力。最后，針對(duì)LDA模型沒(méi)有完全體現(xiàn)出網(wǎng)絡(luò)結(jié)構(gòu)對(duì)鏈接預(yù)測(cè)的貢獻(xiàn)的問(wèn)題，通過(guò)引入隱樸素貝葉斯定義的共鄰用戶貢獻(xiàn)算法，更充分地考慮共鄰用戶間的相互依賴(lài)關(guān)系，綜合用戶行為特征和網(wǎng)絡(luò)結(jié)構(gòu)特征進(jìn)行鏈接預(yù)測(cè)，并發(fā)現(xiàn)鏈接建立的關(guān)鍵因素。

以上這些實(shí)施例應(yīng)理解為僅用于說(shuō)明本發(fā)明而不用于限制本發(fā)明的保護(hù)范圍。在閱讀了本發(fā)明的記載的內(nèi)容之后，技術(shù)人員可以對(duì)本發(fā)明作各種改動(dòng)或修改，這些等效變化和修飾同樣落入本發(fā)明權(quán)利要求所限定的范圍。