CN103064918A

CN103064918A - 一种基于社会推荐网络和机制设计的专家寻找方法和系统

Info

Publication number: CN103064918A
Application number: CN2012105591456A
Authority: CN
Inventors: 张兰; 李向阳; 刘云浩
Original assignee: WUXI QINGHUA INFORMATION SCIENCE AND TECHNOLOGY NATIONAL LABORATORY INTERNET OF THINGS TECHNOLOGY CENTER
Current assignee: WUXI QINGHUA INFORMATION SCIENCE AND TECHNOLOGY NATIONAL LABORATORY INTERNET OF THINGS TECHNOLOGY CENTER
Priority date: 2012-12-20
Filing date: 2012-12-20
Publication date: 2013-04-24

Abstract

本发明公开了一种基于社会推荐网络和机制设计的专家寻找方法和系统，方法包括a.建立用户的属性向量；建立用户之间的社交网络的好友圈；b.预设查找者，预设目标专家的特征向量，预设预算额度；其中，查找者和目标专家均属于所述用户；c.对比目标专家的特征向量与查找者的好友圈中的好友的属性向量，如果好友的属性向量与目标专家的特征向量匹配，则该好友为目标专家，查找结束；否则，继续步骤d；d.计算查找者的好友圈中的好友的属性向量与目标专家的特征向量的相似度，获取查找者的好友圈中的好友的报价，根据相似度和报价再计算查找者好友的分数；如果预算额度小于分数最小的好友的报价，则无法找到目标专家，查找结束；否则，继续步骤e；e.把分数最小的好友作为查找者，将预算额度减去分数最小的好友的报价，继续步骤c。应用本发明寻找目标专家，由于设计了参与者的支付机制，激励参与者的积极性，保证了专家寻找的成功率。

Description

一种基于社会推荐网络和机制设计的专家寻找方法和系统

技术领域

本发明涉及社交网络领域,尤其涉及一种基于社会推荐网络和机制设计的专家寻找方法和系统。

背景技术

在现实生活中，人们常常需要寻找具有某些特质的专家或者满足一定条件的人，在这里我们把这个问题统称为寻找专家。目前在商业应用和学术研究中有两种寻找专家的方式：一种是利用全局信息在一个大数据库中搜索满足条件的专家；另一种是借助社交关系，通过多层朋友推荐来寻找专家。随着隐私问题日益严重，人们很少、也并不愿意向公众或第三方机构提供大量全面的个人信息。例如，很多使用在线社交网络的用户将他们的个人信息设置为不可搜索或者仅对好友可见。这使得通过基于大数据库的搜索引擎无法查询到大量的未公开个人信息或者个人信息仅对好友可见的人。因此利用社会推荐网络，通过好友逐层推荐的方式，能帮助人们找到利用搜索引擎找不到的专家。并且从社会学的角度，比起通过搜索引擎找到的完全陌生的专家，搜索人更容易与好友推荐的专家建立信任以达成良好的合作关系。

在线社交网络例如人人网、开心网，有大量用户、个人信息和好友关系，为构建社会推荐网和寻找专家提供了非常丰富的资源。根据MillerMcpherson在2001年提出的同质性理论，兴趣、背景等社会属性相似的人更倾向于成为好友，因此通过挖掘好友社会属性的内在联系能指导人们快速有效地通过社会推荐网络找到需要的专家。大量研究表明，通过好友关系，社交网络是可搜索的，即绝大部分人是可以通过逐层好友关系被找到的。对于在线社交网络，我们对脸书（Facebook）的研究表明，99%的用户彼此的好友关系距离平均少于6跳。

在目前的研究工作中，都假设参与社会推荐帮助找寻专家的人都是志愿的，并没有考虑给参与者支付相应报酬的问题。在这些研究中，给出一个目标专家的描述，通过社交网络中的好友关系逐条构建一条推荐关系链来寻找目标专家。这些相关研究都着力于设计局部搜寻最短路径的算法设计，强调找到的好友推荐关系链普遍较短，但是却忽略了大量的好友推荐链根本没有找到要搜寻的最终目标。在White在其1970年关于小世界理论的研究中指出决定这种基于社会推荐的搜索成功与否的最关键因素不是社会关系网的拓扑结构，也不是搜索的策略，而是推荐过程在每一步可能被中止的概率。有大量的推荐链中止的原因是参与者缺乏足够的激励让他们参与推荐并继续中转搜索消息。例如在Watts2002年的实验中发现，每一个参与的中间人都有25%的概率中止其中转的任务，因为他们缺乏继续参与转发的动力。在Adamic等人2004年的小世界实验中仅有5%的消息被成功传递给了寻找的目标，最终找到目标专家的几率非常小。

发明内容

本发明的目的在于提出一种基于社会推荐网络的专家寻找方法，依靠社会属性相似度计算，考虑参与者个人利益的真实机制，在快速找到目标专家的同时，让每个参与者不能撒谎并获取到应有的报酬，提高最终找到目标专家的几率。

为达此目的，本发明采用以下技术方案：

一种基于社会推荐网络和机制设计的专家寻找方法包含：

a.建立用户的属性向量；建立用户之间的社交网络的好友圈；

b.预设查找者，预设目标专家的特征向量，预设预算额度；其中，查找者和目标专家均属于所述用户；

c.对比目标专家的特征向量与查找者的好友圈中的好友的属性向量，如果好友的属性向量与目标专家的特征向量匹配，则该好友为目标专家，查找结束；否则，继续步骤d；

d.计算查找者的好友圈中的好友的属性向量与目标专家的特征向量的相似度，获取查找者的好友圈中的好友的报价，根据相似度和报价再计算查找者好友的分数；如果预算额度小于分数最小的好友的报价，则无法找到目标专家，查找结束；否则，继续步骤e；

e.把分数最小的好友作为查找者，将预算额度减去分数最小的好友的报价，继续步骤c。

进一步的，所述属性向量为一个m维的属性向量其中，每一维属性

表示用户i的第j个属性的值，描述用户的特征和社会属性。

进一步的，所述建立用户之间的社交网络的好友圈的概率模型为：Pr(E_ij｜S_ij＝X)＝logit^-1(βX)＝1/(1+e^-βX)，表示用户i，j成为好友的事件E_ij为真，β为社交网络的预设参数；其中，

表示用户i，j相似度向量；

表示用户i，j的第k个属性的相似度；

表示用户i，j的第k个属性间的距离。

进一步的，除用所述该概率模型建立该好友圈外，还可以用其它现有技术模型建立该好友圈。

进一步的，所述计算查找者的好友圈中的好友的属性向量与目标专家的特征向量的相似度的方法为：相似度s_k，t＝β·S_kt，表示相似度向量S_kt与社交网络的预设参数β之间的点积，其中满足两个条件

和

所述f（d^k,s_k,t)为d^k+(1-s_k，t)。。

进一步的，所述步骤e还包括，向所述分数最小的好友发送报价确认信息。

进一步的，一种基于社会推荐网络和机制设计的专家寻找系统，包括

初始化模块，用于建立用户的属性向量；建立用户之间的社交网络的好友圈；

预设模块，用于预设查找者，预设目标专家的特征向量，预设预算额度；其中，查找者和目标专家均属于所述用户；

比较模块，用于对比目标专家的特征向量与查找者的好友圈中的好友的属性向量；

计算模块，用于计算查找者的好友圈中的好友的属性向量与目标专家的特征向量的相似度，获取查找者的好友圈中的好友的报价，根据相似度和报价再计算查找者好友的分数；

循环模块，用于把相似度最小的好友作为查找者，将预算额度减去分数最小的好友的报价。

进一步的，初始化模块包括

个人信息初始化单元，用于建立用户的属性向量；

好友圈初始化单元，用于建立用户之间的社交网络的好友圈。

进一步的，计算模块包括

相似度计算单元，用于计算查找者的好友圈中的好友的属性向量与目标专家的特征向量的相似度；

报价获取单元，用于获取查找者的好友圈中的好友的报价；

分数计算单元，用于根据相似度和报价再计算查找者好友的分数。

进一步的，循环模块包括

重设查找者单元，用于把相似度最小的好友作为查找者；

重设预算单元，用于将预算额度减去分数最小的好友的报价。

本发明的有益效果为：本发明通过提供一种基于社会推荐网络的专家寻找方法，通过考虑参与者利益的，找寻满足条件的目标专家的方法，采用用户社会属性相似度计算为依据进行局部推荐链搜索，并采用机制设计来保证参与者在无法说谎的前提下获得相应的报酬，用户寻找目标专家实现了高效率和低花费。

附图说明

图1是本发明一种基于社会推荐网络和机制设计的专家寻找方法的第一实施例流程图；

图2是本发明一种基于社会推荐网络和机制设计的专家寻找方法的第二实施例流程图；

图3是本发明一种基于社会推荐网络和机制设计的专家寻找系统的实施例框图；

图4是本发明一种基于社会推荐网络和机制设计的专家寻找系统初始化模块实施例框图；

图5是本发明一种基于社会推荐网络和机制设计的专家寻找系统计算模块

实施例框图；

图6是本发明一种基于社会推荐网络和机制设计的专家寻找系统循环模块实施例框图。

具体实施方式

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。

本发明一种基于社会推荐网络和机制设计的专家寻找方法的第一实施例流程如图1所示：

步骤101，建立用户的属性向量；建立用户之间的社交网络的好友圈。好友圈中好友是用户中的好友，具有用户具有的特性。

步骤102，预设查找者，预设目标专家的特征向量，预设预算额度；其中，查找者和目标专家均属于所述用户。

步骤103，对比目标专家的特征向量与查找者的好友圈中的好友的属性向量，如果好友的属性向量与目标专家的特征向量匹配，则该好友为目标专家，查找结束；否则，继续步骤104。

步骤104，计算查找者的好友圈中的好友的属性向量与目标专家的特征向量的相似度，获取查找者的好友圈中的好友的报价，根据相似度和报价再计算查找者好友的分数；如果预算额度小于分数最小的好友的报价，则无法找到目标专家，查找结束；否则，继续步骤105。

步骤105，把分数最小的好友作为查找者，将预算额度减去分数最小的好友的报价，继续步骤103。

本实施例提出一种基于社会推荐网络，并考虑参与者利益的，找寻满足条件的目标专家的方法，采用了用户社会属性相似度计算为依据进行局部推荐链搜索，并采用机制设计来保证参与者在无法说谎的前提下获得相应的报酬，以满足用户对寻找目标专家的高效率和低花费的需求。

本发明一种基于社会推荐网络和机制设计的专家寻找方法的第二实施例流程如图2所示：

步骤201，建立用户的属性向量。首先对所有用户的个人信息进行初始化，每个参与者都对应一个m维的属性向量

其中每一维属性表示用户i的第j个属性的值，描述用户的特征和社会属性，如：性别、年龄、专业等。

步骤202，建立用户之间的社交网络的好友圈。建立用户之间的社交网络的好友圈的概率模型为：Pr(E_ij｜S_ij＝X)＝logit^-1(βX)＝1/(1+e^-βX)，表示用户i，j成为好友的事件E_ij为真，β为社交网络的预设参数。

以此概率模型为基础，通过逻辑回归的方式，从社交网络的用户属性和好友关系中学习到β的值。一个社交网络可对应一个β值，也可以从查询发起者所在的局部社交网络中学习β值。

其中，

表示用户i，j相似度向量；表示用户i，j的第k个属性的相似度；

表示用户i，j的第k个属性间的距离。

除用所述该概率模型建立该好友圈外，还可以用其它现有技术模型建立该好友圈。

步骤203，预设查找者，预设目标专家的特征向量，预设预算额度；其中，查找者和目标专家均属于所述用户。查询发起者v₀确定要寻找的目标专家v_t满足的特征和社会属性，使用m维的属性向量

对其属性进行表示,并决定进行该次寻找需花费的总预算额度B，B为该次寻找专家花费金额的上限。

步骤204，对比目标专家的特征向量与查找者的好友圈中的好友的属性向量是否匹配。发起者v₀检查目标专家是否在其好友中，如果在则表明寻找成功，并终止寻找；否则，继续步骤205。

步骤205，计算查找者的好友圈中的好友的属性向量与目标专家的特征向量的相似度。通过计算两个用户属性向量中每一维属性的相似度，形成两个用户之间的相似度向量。

步骤206，获取查找者的好友圈中的好友的报价。令v_k是发起者v₀的感兴趣并打算参与该次寻找的好友，v_k估计自己寻找该专家所需的代价，即其认为真实的所需获得的报酬c^k，并决定自己的报价d^k通过秘密投标的方式在规定时间内报给v₀，即参与投标的好友相互之间并不知道对方的报价，只有v₀能看到所有人的报价。

步骤207，根据相似度和报价再计算查找者好友的分数。具体打分的方式为v₀依次计算出每个竞标好友v_k与目标专家v_t之间的相似度s_k，t＝β·S_kt，即v_k的属性与目标专家属性的相似度向量S_kt与系统参数β之间的点积。然后v₀采用函数f（d^k,s_k，t)对每一个好友v_k进行打分，该函数f可以为满足两个条件：

和

的任何函数，如所述f（d^k,s_k,t)可为d^k+(1-s_k,t)。

步骤208，比较预算额度小于分数最小的好友的报价。如果是，预算额度耗尽，查找失败，结束查找；否则，继续步骤209，并向所述分数最小的好友发送报价确认信息，在查找成功时，该分数最小好友得到实际的报酬。

步骤209，把分数最小的好友作为查找者。该查找者v_w接受任务后作为一个新的发起者，从步骤204开始以v₀的身份继续寻找目标专家，直到找到目标专家或者预算金额耗尽为止。

步骤210，将预算额度减去分数最小的好友的报价，返回步骤204。

步骤211，向所述分数最小的好友发送报价确认信息。一旦寻找成功并终止，发起者按照参报价支付给每轮竞标胜出者相应的报酬，即支付给被选入社会推荐链的每一环参与者其所报价格的酬劳。如果该次搜索成功地找到了目标专家，则发起者除支付相应酬劳，还需要将预算金额中除酬劳外剩余的部分作为奖励支付给参与该推荐链的用户。

本发明基于社会推荐网络和机制设计的专家寻找系统的实施例框图如图3所示，该系统包括初始化模块310、预设模块320、比较模块330、计算模块340和循环模块350。

其中，初始化模块310用于建立用户的属性向量；建立用户之间的社交网络的好友圈；所述初始化模块310具体使用如下方式：每个参与者都对应一个m维的属性向量，并且建立交网络的好友圈的概率模型；预设模块320用于预设查找者，预设目标专家的特征向量，预设预算额度；其中，查找者和目标专家均属于所述用户；预设模块320采用如下方式实现：确定要寻找的目标专家v_t满足的特征和社会属性，使用m维的属性向量对其属性进行表示,并决定进行该次寻找需花费的总预算额度。比较模块330用于对比目标专家的特征向量与查找者的好友圈中的好友的属性向量；比较模块330采用如下方式实现：分别对比目标专家的特征向量与好友圈好友对应的属性向量，判断是否全部匹配；计算模块340用于计算查找者的好友圈中的好友的属性向量与目标专家的特征向量的相似度，获取查找者的好友圈中的好友的报价，根据相似度和报价再计算查找者好友的分数；计算模块340采用如下方式实现：依次计算出每个竞标好友v_k与目标专家v_t之间的相似度s_k,t＝β·S_kt，即v_k的属性与目标专家属性的相似度向量S与系统参数β之间的点积。然后v₀采用函数f（d^k,s_k，t)对每一个好友v_k进行打分，该函数f可以为满足两个条件：

和

的任何函数；循环模块350用于把相似度最小的好友作为查找者，将预算额度减去分数最小的好友的报价。循环模块350采用如下方式实现：分数最小的好友v_w接受任务后作为一个新的发起者，开始以v₀的身份继续寻找目标专家，直到找到目标专家或者预算金额耗尽为止。

如图4所示，初始化模块310包括个人信息初始化单元311用于建立用户的属性向量；好友圈初始化单元312用于建立用户之间的社交网络的好友圈。

如图5所示，计算模块包括340包括相似度计算单元341用于计算查找者的好友圈中的好友的属性向量与目标专家的特征向量的相似度；报价获取单元342用于获取查找者的好友圈中的好友的报价；分数计算单元343用于根据相似度和报价再计算查找者好友的分数。

循环模块350包括重设查找者单元351用于把相似度最小的好友作为查找者；重设预算单元352用于将预算额度减去分数最小的好友的报价。

该发明提出的专家寻找方法的优点包括：不需要全局信息的数据库，无需用户向公众公开任何个人信息，个人信息仅需要提供给好友查询；基于该方法设计的相似度模型和好友关系概率模型仅仅通过局部好友信息就能快速寻找到目标专家，该方法具有成功率高，寻找到的社会推荐链短的优点。相比传统方法，传统方法的成功率为20%，而该方法成功率可达90%，同时将传统方法寻找的社会推荐链平均长度126跳缩减为22跳，推荐链长度中位数短至6跳；该方法中设计的竞标和支付机制，可以从理论上证明是真实的，即每个参与用户使自己的利益最大化的方案即是令报价等于自己真实所需的报酬（d^k＝c^k），该支付通过支付参与者报酬的方式激励了参与者的积极性以提高寻找的成功率，同时从机制设计上杜绝了参与者漫天要价给寻找发起者带来的消费负担。

以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。