CN104572766B - 一种社交网络的用户状态识别方法及装置 - Google Patents
一种社交网络的用户状态识别方法及装置 Download PDFInfo
- Publication number
- CN104572766B CN104572766B CN201310513974.5A CN201310513974A CN104572766B CN 104572766 B CN104572766 B CN 104572766B CN 201310513974 A CN201310513974 A CN 201310513974A CN 104572766 B CN104572766 B CN 104572766B
- Authority
- CN
- China
- Prior art keywords
- user
- silent
- event
- state
- activation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000004913 activation Effects 0.000 claims abstract description 146
- 230000008569 process Effects 0.000 claims description 22
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000009792 diffusion process Methods 0.000 description 36
- 230000004044 response Effects 0.000 description 12
- 230000003213 activating effect Effects 0.000 description 11
- 239000008186 active pharmaceutical agent Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/54—Presence management, e.g. monitoring or registration for receipt of user log-on information, or the connection status of the users
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/52—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail for supporting social networking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/535—Tracking the activity of the user
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明公开了一种社交网络的用户状态识别方法及装置,社交网络包括激活用户、非激活用户以及静默用户,其中,静默用户的状态不稳定,最终转换为激活用户或非激活用户,该识别方法包括:获取用户对一新的事件的用户‑事件相似度;根据用户‑事件相似度识别用户为静默用户或非激活用户;确定社交网络中静默用户或非激活用户最终处于激活或非激活状态,通过上述方式,本发明设计了一种新的社交网络的用户状态模型,包含激活、非激活以及不稳定的静默态,充分全面考虑用户状态的可能影响因素精确地推断出用户的最终状态,从而可以进行精准的用户状态监测。
Description
技术领域
本发明涉及社交网络领域,特别是涉及一种社交网络的用户状态识别方法及装置。
背景技术
社交网络的两大要素是用户和事件。用户可以互相关注来共享信息。当新的事件在社交网络中产生时,用户可以通过分享给好友,或者提交评论的方式来做出响应来实现信息的扩散,最终到达一种稳定状态,也即是说,用户对于某一事件的最终状态可以是激活(分享或者评论该事件),或者非激活。
在一个新事件产生的开始阶段,只有部分用户做出了响应,大部分用户的状态未知。如何及早预测用户的最终状态,是一项具有重要实用价值的技术。传统的技术通常假设用户的状态很快收敛到以下两种之一:激活或者非激活。在现有技术中已经考虑到用户有时对于事件的响应时间过长,主要应用异步独立级联模型(Asynchronous Time DelayIndependent Cascade Model,AsIC模型)和异步线性阈值模型(Asynchronous Time DelayLinear Threshold Model,AsLT模型)来分析。
传统的AsIC模型是指在社交网络中节点只存在激活和非激活两种状态,且节点只能从非激活变成激活状态。假设在时间t,某一节点v的邻居节点w变成激活节点,则它能使处在非激活状态的节点v变成激活状态的概率为pv,w,如果节点v周围有多个已被激活的邻居节点,则各邻居节点对节点v的影响顺序是任意的,但受影响的程度与Pv,w的大小有关,pv,w越大,节点v越易被激活。节点v被激活后又会影响它的邻居节点,如此重复,直到没有能被激活的节点为止。AsLT模型是指在社交网络中节点只存在激活和非激活两种状态,且节点只能从非激活状态变成激活状态。每个节点v都有一个阈值θv,θv∈[0,1],表示节点v受影响的难易程度,阈值越小,则越易被激活。对节点v有影响的邻居节点的集合为N(v),对于任意w∈N(v),bv,w表示节点w对节点v的影响程度,满足s(v)=∑wbv,w≤1。如果s(v)≥θv,则节点v变成激活状态,w是指N(v)中处于激活状态的节点。节点v被激活后又会影响它的邻居节点,如此重复,直到没有能被激活的节点为止。
现有技术没有充分考虑用户和事件之间的相互吸引关系。即用户对于自身感兴趣的事件,通常会较快做出响应;对于非常不感兴趣的事件,常常最终不会做出任何响应;而对于介于二者之间的事件,常常会进入摇摆或者静默状态。同时也没有考虑社交网络中的社会心理学中的某些现象。例如,如果关联用户处于激活态的总数目增大,则该用户改变为激活态的概率通常也会随之增大。因此现有技术不能在某新事件发生的初始阶段,充分考虑用户可能处于激活和非激活之间的状态,也不能通过充分全面考虑用户状态的可能影响因素进而精确地推断大量用户的最终状态,也就不能进行精准的用户状态监测。
发明内容
本发明实施方式提供一种社交网络的用户状态识别方法及装置,设计了一种新的社交网络的用户状态模型,包含激活、非激活以及不稳定的静默态,充分全面考虑用户状态的可能影响因素精确地推断出用户的最终状态,从而可以进行精准的用户状态监测。
第一方面提供一种社交网络的用户状态识别方法,社交网络包括激活用户、非激活用户以及静默用户,其中,静默用户的状态不稳定,最终转换为激活用户或非激活用户,识别方法包括:获取用户对一新的事件的用户-事件相似度;根据用户-事件相似度识别用户为静默用户或非激活用户;确定社交网络中静默用户或非激活用户最终处于激活或非激活状态。
在第一方面的第一种可能的实现方式中,根据用户-事件相似度识别用户为静默用户或非激活用户包括:比较用户-事件相似度和用户的决策点数值,如果用户-事件相似度大于决策点数值,则用户为静默用户;否则,用户为非激活用户,其中决策点数值是用户存在的用于判断用户的状态的数值,决策点数值越低,用户越可能为静默用户。
在第一方面的第二种可能的实现方式中,获取用户-事件相似度包括:获取社交网络中事件-事件相似度和用户-用户相似度;根据事件-事件相似度得到用户对相似事件的记录,相似事件是指已经发生过的与新的事件相似的事件;根据记录和用户-用户相似度并进行迭代得到用户对事件的用户-事件相似度。
在第一方面的第三种可能的实现方式中,确定静默用户或非激活用户最终处于激活或非激活状态包括:确定静默用户或非激活用户的关联用户在上一次迭代中的状态,关联用户是指与用户具有跟随关系的用户;根据关联用户在上一次迭代中的状态确定静默用户或非激活用户转换为激活状态的概率。
在第一方面的第四种可能的实现方式中,确定静默用户或非激活用户最终处于激活或非激活状态还包括:对于静默用户,确定静默用户的关联用户中当前处于激活状态的总数目;根据总数目和静默用户的阈值确定静默用户最终处于激活或非激活状态,阈值为静默用户存在的一位于0至1间的实数,阈值与用户被激活的难易程度相关。
在第一方面的第五种可能的实现方式中,根据总数目和阈值确定静默用户最终处于激活或非激活状态包括:比较总数目和阈值,如果总数目大于或者等于阈值,则静默用户最终处理激活状态,如果总数目小于阈值,则静默用户最终处理非激活状态。
第二方面提供一种社交网络的用户状态识别装置,社交网络包括激活用户、非激活用户以及静默用户,其中,静默用户的状态不稳定,最终转换为激活用户或非激活用户,识别装置包括:相似度获取模块,用于获取用户对一新的事件的用户-事件相似度;用户识别模块,用于根据用户-事件相似度识别用户为静默用户或非激活用户;状态确定模块,用于确定社交网络中静默用户或非激活用户最终处于激活或非激活状态。
在第二方面的第一种可能的实现方式中,用户识别模块用于:比较用户-事件相似度和用户的决策点数值,如果用户-事件相似度大于决策点数值,则用户为静默用户;否则,用户为非激活用户,其中决策点数值是用户存在的用于判断用户的状态的数值,决策点数值越低,用户越可能为静默用户。
在第二方面的第二种可能的实现方式中,相似度获取模块用于:获取社交网络中事件-事件相似度和用户-用户相似度;根据事件-事件相似度得到用户对相似事件的记录,相似事件是指已经发生过的与新的事件相似的事件;根据记录和用户-用户相似度并进行迭代得到用户对事件的用户-事件相似度。
在第二方面的第三种可能的实现方式中,状态确定模块用于:确定静默用户或非激活用户的关联用户在上一次迭代中的状态,关联用户是指与用户具有跟随关系的用户;根据关联用户在上一次迭代中的状态确定静默用户或非激活用户转换为激活状态的概率。
在第二方面的第四种可能的实现方式中,对于静默用户,状态确定模块还用于:确定静默用户的关联用户中当前处于激活状态的总数目;根据总数目和静默用户的阈值确定静默用户最终处于激活或非激活状态,阈值为静默用户存在的一位于0至1间的实数,阈值与用户被激活的难易程度相关。
在第二方面的第五种可能的实现方式中,状态确定模块还用于比较总数目和阈值,如果总数目大于或者等于阈值,则静默用户最终处理激活状态,如果总数目小于阈值,则静默用户最终处理非激活状态。
本发明实施方式提供的一种社交网络的用户状态识别方法及装置,通过设计一种新的社交网络的用户状态模型,包含激活、非激活以及不稳定的静默态,在事件发生的初始阶段,充分考虑用户可能处于激活和非激活之间的状态,即静默态,并充分全面考虑用户状态的可能影响因素,根据用户-事件相似度来识别用户初始为静默用户还是非激活用户,从而推断出用户的初始状态,进而根据用户状态的不同通过不同的信息扩散方式确定静默用户或非激活用户最终处于激活或非激活状态,从而精确地推断出用户的最终状态,并进行精准的用户状态监测。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。其中:
图1是本发明第一实施例的社交网络的用户状态模型示意图;
图2是本发明第一实施例的社交网络的用户状态识别方法的流程示意图;
图3是本发明第二实施例的社交网络的用户状态识别方法的流程示意图;
图4是本发明第三实施例的社交网络的用户状态识别方法的示意图;
图5是本发明第四实施例的社交网络的用户状态识别方法的示意图;
图6是本发明第四实施例的社交网络的用户状态识别方法的精确度示意图;
图7是本发明第四实施例的社交网络的用户状态识别方法的查全率示意图;
图8是本发明第一实施例的社交网络的用户状态识别装置的结构示意图;
图9是本发明第二实施例的社交网络的用户状态识别装置的结构示意图。
具体实施方式
下面结合附图和实施方式对本发明进行详细说明。
首先请参见图1,图1是本发明第一实施例的社交网络的用户状态模型示意图。如图1所示,本发明的社交网络的用户状态模型10如下:在社交网络中,当某一新的事件被触发时,用户100可以是激活用户101,或者非激活用户102,或者静默用户103。其中,激活用户101是已知的,其余用户未知。而静默用户103只是一种中间状态,不稳定,经过一段时间后,最终会转换成激活用户101或者非激活用户102。
用户处于激活状态表示用户可以通过分享给好友,或者提交评论的方式来做出响应。用户处于非激活状态则表示用户不会分享该事件或者不会对该事件进行评论。用户处于静默状态则表示用户需要比激活用户101和非激活用户102更长的时间来决定分享或评论该事件还是不分享或评论该事件。具体而言,用户对于自身感兴趣的事件,通常会较快做出响应;对于非常不感兴趣的事件,常常最终不会做出任何响应,因此用户对相似事件越感兴趣,说明其对该新的事件也比较感兴趣,用户也就容易转换成激活状态。而如果用户有更多的关联用户对该新的事件感兴趣,即处于激活状态,则会促使该用户也对该新的事件感兴趣,即容易转换成激活状态。其中,相似事件是指已经发生过的与该新的事件相似的事件,关联用户是指与该用户具体跟随关系的用户。因此。其余用户初始是非激活用户102还是静默用户103,与该用户对该事件的相似事件的记录以及该用户的关联用户对该事件的状态有关,即需要根据用户-事件相似度来判断。
在本发明实施例中,用户对该事件的相似事件的记录用事件-事件相似度来描述,而该用户的关联用户对该事件的状态用用户-用户相似度描述。因此首先获取社交网络中事件-事件相似度和用户-用户相似度。根据事件-事件相似度可以得到用户对相似事件的记录。根据用户对相似事件的记录和用户-用户相似度并进行迭代就可以得到用户-事件相似度,以估测用户处于静默状态的概率。当然在本发明的其它实施例中,也可以应用其它方法以计算用户-事件相似度,如只考虑事件-事件相似度或者用户-用户相似度。将用户-事件相似度与用户的决策点数值进行比较,如果用户-事件相似度大于决策点数值,则用户为静默用户103;如果用户-事件相似度小于等于决策点数值,则用户为非激活用户102。其中,决策点数值是用户存在的用于判断用户的状态的数值,决策点数值越低,用户越可能为静默用户。
确定了社交网络中所有用户的初始状态后,根据用户的状态,应用不同的信息扩散方式,最终得到社交网络中所有用户的最终状态。具体地,对于静默用户103和非激活用户102,应用AsIC模型为信息扩散方式,即首先确定静默用户103或非激活用户102的关联用户在上一次迭代中的状态,并根据关联用户在上一次迭代中的状态确定静默用户103或非激活用户102转换为激活状态的概率。重复上述过程确定所有静默用户103和非激活用户102最终处于激活或非激活状态。对于静默用户103,还应用AsLT模型为信息扩散方式,即首先确定静默用户103的关联用户中当前处于激活状态的总数目;根据关联用户中当前处于激活状态的总数目和静默用户的阈值确定静默用户103最终处于激活或非激活状态。重复上述过程确定所有静默用户103最终处于激活或非激活状态。其中,阈值为静默用户存在的一位于0至1间的实数,阈值与用户被激活的难易程度相关。不同的静默用户,其阈值可能不同。综合上述两种情况,最终社交网络中的所有用户都处于激活或者非激活状态。
在本发明的实施例中,设计了一种新社交网络的用户状态模型,包含激活、非激活以及不稳定的静默态,在某新事件发生的初始阶段,充分考虑了用户可能处于激活和非激活之间的状态,即静默态,并通过充分全面考虑用户状态的可能影响因素区分用户初始处于静默还是非激活状态,从而精确地推断出用户的初始状态,进而根据用户的状态通过不同的信息扩散方式确定用户的最终状态,进行精准的用户状态监测。
参见图2,图2是本发明第一实施例的社交网络的用户状态识别方法的流程示意图。如图2所示,社交网络的用户状态识别方法包括:
S10:获取用户对一新的事件的用户-事件相似度。
其中,用户-事件相似度描述用户对新的事件感兴趣的程度,用于估测用户处于静默状态的概率。用户-事件相似度越大,用户对新的事件也就越感兴趣。用户-事件相似度与该用户对该事件的相似事件的记录以及该用户的关联用户对该事件的状态有关。
S11:根据用户-事件相似度识别用户为静默用户或非激活用户。
其中,在一新的事件被触发时,总有一部分用户首先进入激活状态,即为激活用户,该部分激活用户是已知的,其余用户未知,可能是非激活用户也可能是静默用户,需要根据用户-事件相似度的值来判断该用户是非激活用户还是静默用户。
S12:确定社交网络中静默用户或非激活用户最终处于激活或非激活状态。
在社交网络中确定了所有用户的初始状态后,应用静默扩散模型(Diffusionwith silence model,DS模型)进行信息扩散,以确定所有静默用户和非激活用户在一段时间后最终是转换成激活状态还是非激活状态。具体地,应用AsIC模型对静默用户和非激活用户进行信息扩散,同时还应用AsLT模型对静默用户进行信息扩散,以确定用户最终是转换成激活状态还是非激活状态。
在本发明的实施例中,设计了一种新社交网络的用户状态模型,包含激活、非激活以及不稳定的静默态,在某新事件发生的初始阶段,充分考虑了用户可能处于激活和非激活之间的状态,即静默状态,并通过充分全面考虑用户状态的可能影响因素,即用户-事件相似度,以区分用户初始处于静默还是非激活状态,从而推断出用户的初始状态,以便精确地推断出用户的最终状态,进行精准的用户状态监测。
请参阅图3,图3是本发明第二实施例的社交网络的用户状态识别方法的流程示意图。在本发明第一实施例的基础上进行描述,社交网络被表示为图G=<V,E>。其中,V和E分别是图的点/边的集合。每个点分别对应于一个独特的用户或者事件,而每条边代表用户之间的跟随或者用户对事件的分享等操作。本发明实施例中的用户-事件相似度的确定是在该图的基础上进行描述的。如图3所示,获取用户对新的事件的用户-事件相似度的方法包括:
S101:获取社交网络中事件-事件相似度和用户-用户相似度。
其中,事件-事件相似度是指如果两个事件的对应事件要素是相似的,则这两个事件相似,属于同一事件类的事件-事件相似度要大于不同事件类的事件-事件相似度。在本发明的实施例中,事件-事件相似度描述相似事件与新的事件的相似程度。事件-事件相似度越大,说明该两事件越相近,用户就越有可能对这两事件产生相同的响应,即要么都进行分享或评论,要么都不进行分享或评论。在一个社交网络中,在相同社交圈的用户认识的可能性比较大或者说建立起好友关系的意愿比较强烈。如果用户与对方的大量好友都有好友关系,则两人就有很大的可能性成为好友关系。用户-用户相似度可以用来描述社交网络中用户成为好友的可能性,在发明的实施例中,用户-用户相似度描述关联用户对新的事件的状态对用户-事件相似度的影响程度。用户-用户相似度越大,说明用户就越有可能对该新的事件产生相同的响应,即要么都进行分享或评论,要么都不进行分享或评论。关联用户是指与该用户具有跟随关系的用户,即可以是该用户的好友。
事件-事件相似度和用户-用户相似度可以利用以下关系式得到:
其中,i、j、x、y表示事件或用户,N(x)和N(y)分别表示x和y的邻域,t表示迭代次数,st(x,y)表示第t次迭代的事件-事件相似度或用户-用户相似度,其初始状态为:
即如果为同一用户或者同一事件时,用户-用户相似度和事件-事件相似为1,如果不是同一用户或者同一事件时,用户-用户相似度和事件-事件相似为0。
S102:根据事件-事件相似度得到用户对相似事件的记录,相似事件是指已经发生过的与新的事件相似的事件。
在S102中,用户对相似事件的记录描述用户对相似事件的记录会产生的对用户-事件相似度的影响,可以表示为用户对该新的事件的用户-事件相似度的初始值。具体而言,如果用户对于已经发生的与该新的事件同一类的事件比较容易地对其进行分享或者发表评论,即处于激活状态,则用户对该新的事件也就比较容易感兴趣,即有较大可能转换成激活状态。用户对相似事件的记录可以利用以下关系式得到:
其中,s(v,vi)表示事件v和事件vi的所述事件-事件相似度,N(u)表示用户u的邻域,i0(u,v)表示用户u对事件v的所述用户-事件相似度的初始值。在本发明的其它实施例中,也可以应用其它方法以计算用户-用户相似度和事件-事件相似度,在此不再赘述。
S103:根据记录和用户-用户相似度并进行迭代得到用户对事件的用户-事件相似度。
对用户对相似事件的记录以及用户-用户相似度进行加权平均得到第t次迭代中用户对事件的用户-事件相似度:
对R次迭代的用户-事件相似度进行叠加得到用户对事件的用户-事件相似度:
其中,Euu表示关联用户的集合,it(u,v)表示在上一迭代中用户u对事件v的所述用户-事件相似度,s(u,ui)表示所述用户-用户相似度,R表示迭代次数,是随机产生的数值,i(u,v)表示用户u对事件v的用户-事件相似度。当然在本发明的其它实施例中,也可以应用其它方法以计算用户-事件相似度,如只考虑事件-事件相似度或者用户-用户相似度。
可见,用户-事件相似度的计算过程充分全面考虑了用户状态的可能影响因素,包括用户对相似事件的记录以及关联用户对该新的事件的状态,以识别用户初始为静默用户还是非激活用户,以便后续能够精确地推断出用户的最终状态,进行精准的用户状态监测。
在社交网络中,当一新的事件被触发时,总有一部分用户首先进入激活状态,即为激活用户,该部分激活用户是已知的,其余用户未知,可能是非激活用户也可能是静默用户,根据得到的用户-事件相似度的值就可以判断用户是非激活用户还是静默用户。
具体地,比较用户-事件相似度和用户的决策点数值,如果用户-事件相似度大于决策点数值,则用户为静默用户;如果用户-事件相似度小于或等于决策点数值,则用户为非激活用户。如图4所示,假设决策点数值为0.319,当计算的用户-事件相似度小于或等于0.319时,用户20为非激活用户,当计算的用户-事件相似度大于0.319时,用户20为静默用户。其中,决策点数值是用户存在的用于判断用户的状态的数值,决策点数值越低,用户越可能为静默用户。决策点数值可以是随机产生的,其数值的大小会影响最终的结果。可见,本发明社交网络的用户状态模型,在某新事件发生的初始阶段,在传统的只有激活用户和非激活用户的基础上充分考虑了用户可能处于激活和非激活之间的状态,即静默态,并充分全面考虑用户状态的可能影响因素,根据用户-事件相似度来识别用户初始为静默用户还是非激活用户,从而推断出用户的初始状态,以便后续更精确地推断出用户的最终状态,并进行精准的用户状态监测。
在社交网络中确定了所有用户的初始状态后,应用DS模型进行信息扩散,以确定所有静默用户和非激活用户在一段时间后最终是转换成激活状态还是非激活状态。
具体地,对于非激活用户和静默用户,应用AsIC模型进行信息扩散。首先确定静默用户或非激活用户的关联用户在上一次迭代中的状态,再根据关联用户在上一次迭代中的状态确定静默用户或非激活用户转换为激活状态的概率。也即是说如果用户的关联用户被激活,则该关联用户会促使该用户有一定的概率也被激活,如图5所示,图(a)中以非激活用户为例,用户w为非激活用户,用户v在上一迭代中转换为激活状态,且用户v为用户w的关联用户,则用户w在下一次迭代中,存在pv,w的概率被转为激活状态。重复上述过程确定所有静默用户和非激活用户最终处于激活或非激活状态,即直到以AsIC模型为信息扩散方式,该社交网络中没有能被激活的节点为止,如此得到该社交网络中的激活用户的集合S1。
对于静默用户,除了应用上述的AsIC模型进行信息扩散外,另外还应用AsLT模型进行信息扩散。AsLT模型包括:确定静默用户的关联用户中当前处于激活状态的总数目;根据总数目和静默用户的阈值确定静默用户最终处于激活或非激活状态。具体地,比较关联用户中当前处于激活状态的总数目和阈值,如果总数目大于或者等于阈值,则静默用户最终处理激活状态,如果总数目小于阈值,则静默用户最终处理非激活状态。其中,关联用户中当前处于激活状态的总数目描述的是处于激活状态的关联用户会对该静默用户产生的总的影响。而阈值为静默用户存在的一位于0至1间的实数,阈值与用户被激活的难易程度相关。该阈值越小,说明该静默用户越容易被激活。不同的静默用户,该阈值可能不一样。如图5中的图(b)所示,用户w′为静默用户,有一个阈值θw′,θw′∈[0,1],表示静默用户v受影响的难易程度,用户v处于激活状态,且用户v为用户w′的关联用户。如果静默用户w′的关联用户v对用户w′产生的总的影响为s(w′),比较s(w′)和阈值θw′的值,如果s(w′)>=θw′,则静默用户w′转换为激活状态,如果s(w′)<θw′,则静默用户w′转换为非激活状态。重复上述过程确定所有静默用户最终处于激活或非激活状态,即直到以AsLT模型为信息扩散方式,该社交网络中没有能被激活的节点为止,如此得到该社交网络中的激活用户的集合S2。
在本发明实施例中,关联用户中当前处于激活状态的总数目可以用关联用户的相对比例来表示。例如,某静默用户的关联用户共有100个,其中有75个为激活用户,则关联用户中当前处于激活状态的总数目用75%表示,并在此基础上评估处于激活状态的关联用户促使该静默用户转换为激活状态的影响程度。在本发明的其它实施例中,关联用户中当前处于激活状态的总数目也可以用关联用户的绝对数量来表示。例如,某静默用户的关联用户中当前有50个为激活用户,则该静默用户的关联用户中当前处于激活状态的总数目即为50,并在此基础上评估处于激活状态的关联用户促使该静默用户转换为激活状态的影响程度。其中,用绝对数量来表示关联用户中当前处于激活状态的总数目得到的最终结果更为稳定。
可见,社交网络中的静默用户和非激活用户最终是处于激活状态还是非激活状态,是根据上述AsIC模型和AsLT模型为信息扩散方式得来的。假设社交网络中最终激活用户的集合S,则S=S1∪S2。也就是说,最终社交网络中激活用户的集合S为以AsIC模型为信息扩散方式得到的激活用户的集合S1并上以AsLT模型为信息扩散方式得到的激活用户的集合S2。如图5中的图(c)和图(d)所示,图(c)为一社交网络中各用户的初始状态,其中,用户20为激活用户,用户21、22为静默用户,用户23、24、25为非激活用户。静默用户21应用AsIC模型和AsLT模型最终转换为激活用户,用户21转换为激活用户后,应用AsIC模型促使非激活用户23也转换为激活用户,而其它用户根据其关联用户的初始状态不足以促使其转换为激活用户,它们最终为非激活用户。如此得到该社交网络中各用户的最终状态,如图5中的图(d)所示,用户20、21、23处于激活状态,而用户22、24、25处于非激活状态。在本发明的其它实施例中,也可以对非激活用户或静默用户分别应用AsLT模型和/或AsIC模型以达到较好的确定用户最终状态的效果。
在本发明实施例中,可以利用精确度和查全率来评估本发明实施例的结果的准确性。其中,精确度是指应用本发明实施例的方法预测出来的最终为激活状态的用户中,与实际相符的比例。而查全率是指应用本发明实施例的方法预测出来的最终为激活状态的用户中与实际相符的用户数量与社交网络中实际的激活用户数量的比例。例如,假设经过一段时间后,某社交网络中最终有200个激活用户,应用本发明实施例的方法最终有150个激活用户,其中,该150个激活用户中,90个实际上就是激活用户,60个实际上是非激活用户,则精确度为90/150,即60%,而查全率为90/200,即45%。
可以将本发明实施例的方法应用于用户行为分析。以下请参见表1,表1是从Twitter上抓取的用户状态模型的相关统计数据,得到2个数据集,包括:用户数目、Tweets数目、好友连接、静默用户-事件数目、激活用户-事件数目、非激活用户数目,如表1所示:
数据集1 | 数据集2 | |
用户数目 | 1113 | 748 |
Tweets数目 | 17075 | 14432 |
好友连接 | 10546 | 53639 |
静默用户-事件 数目 | 103357 | 905500 |
激活用户-事件 数目 | 863 | 10021 |
非激活用户-事件 数目 | 226515 | 2689198 |
其中,Tweets数目是指相似事件的数目,激活用户-事件数目中不包括静默用户-事件数目中最终会转换成激活用户的部分,非激活用户-事件数目中也不包括静默用户-事件数目中最终会转换成非激活用户的部分。本发明是在此基础上进行信息扩散,以得到各用户的最终状态。
针对数据集1,为了初始化用户状态模型,分别选取了前10、15、20、25、30分享该事件的用户,即激活用户的数量分别为10、15、20、25、30,其他用户为未知,假设迭代运算运行50次。图6和图7表示在以上激活用户数目不同的5种初始状态下,分别应用本发明的DS模型、现有技术的AsIC模型和AsLT模型进行信息扩散得到的用户状态预测的精确度和查全率。其中,横坐标表示初始的激活用户的数目,纵坐标表示精确度或查全率。如图6和图7所示,应用DS模型进行信息扩散得到精确度和查全率比用其它两种模型得到的要好得多。
在本发明实施例中,对于初始为非激活状态的用户,应用AsIC模型进行信息扩散,对于初始为静默状态的用户应用AsIC模型和AsLT模型进行信息扩散,以确定了用户的最终状态,即根据用户的初始状态通过不同的信息扩散方式确定用户的最终状态,从而进行精准的用户状态监测。
请参见图8,图8是本发明第一实施例的社交网络的用户状态识别装置的结构示意图。如图8所示,社交网络的用户状态识别装置30包括:相似度获取模块31、用户识别模块32以及状态确定模块33。相似度获取模块31用于获取用户对一新的事件的用户-事件相似度。用户识别模块32用于根据用户-事件相似度识别该用户是静默用户或非激活用户。状态确定模块33用于确定静默用户或非激活用户最终处于激活或非激活状态。
在本发明的实施例中,当一件新的事件被触发时,社交网络的初始状态包括激活用户、非激活用户以及静默用户,其中激活用户是已知的,其余用户未知,需要根据用户-事件相似度判断用户初始处于非激活状态还是静默状态。静默用户只是一种中间状态,不稳定,经过一段时间后,最终会转换成激活用户或者非激活用户。用户-事件相似度用以估测用户处于静默状态的概率,用户-事件相似度值越大,该用户越有可以是静默用户。具体地,用户初始为非激活用户还是静默用户与用户对相似事件的记录以及关联用户对该新的事件的状态有关。因此,相似度获取模块31首先获取社交网络中事件-事件相似度和用户-用户相似度,并根据事件-事件相似度得到用户对相似事件的记录,再根据记录和用户-用户相似度并进行迭代得到用户对事件的用户-事件相似度。其中,相似事件是指已经发生过的与该新的事件相似的事件。事件-事件相似度描述相似事件与新的事件的相似程度。事件-事件相似度越大,说明该两事件越相近,用户就越有可能对这两事件产生相同的响应,即要么都进行分享或评论,要么都不进行分享或评论。用户-用户相似度用来描述关联用户对该新的事件的状态可能造成的对用户-事件相似度的影响程度。用户-用户相似度越大,说明用户就越有可能对该新的事件产生相同的响应,即要么都进行分享或评论,要么都不进行分享或评论。关联用户是指与该用户具有跟随关系的用户,即可以是该用户的好友。
相似度获取模块31得到用户-事件相似度后,用户识别模块32比较用户-事件相似度和用户的决策点数值的大小。如果用户-事件相似度大于决策点数值,则用户为静默用户;如果用户-事件相似度小于等于决策点数值,则用户为非激活用户。其中,决策点数值是用户存在的用于判断用户的状态的数值,决策点数值越低,用户越可能为静默用户。因此,在本发明实施例中,通过设计一种新的社交网络的用户状态模型,包含激活、非激活以及不稳定的静默态,在事件发生的初始阶段,充分考虑用户可能处于激活和非激活之间的状态,即静默状态,并通过充分全面考虑用户状态的可能影响因素区分用户初始处于静默还是非激活状态,从而推断出用户的初始状态,以便后续精确地推断出用户的最终状态,并进行精准地用户状态监测。
在社交网络中确定了所有用户的初始状态后,状态确定模块32应用DS模型进行信息扩散,以确定所有静默用户和非激活用户在一段时间后最终是转换成激活状态还是非激活状态。DS模型是在传统的AsIC模型和AsLT模型的基础上实现的。
在本发明实施例中,对于静默用户和非激活用户,状态确定模块32应用AsIC模型为信息扩散方式,即首先确定静默用户或非激活用户的关联用户在上一次迭代中的状态,并根据关联用户在上一次迭代中的状态确定静默用户或非激活用户转换为激活状态的概率。状态确定模块32重复上述过程确定所有静默用户和非激活用户最终处于激活或非激活状态。对于静默用户,状态确定模块32还应用AsLT模型为信息扩散方式,即首先确定静默用户的关联用户中当前处于激活状态的总数目;根据关联用户中当前处于激活状态的总数目和静默用户的阈值确定静默用户最终处于激活或非激活状态。具体地,状态确定模块32比较关联用户中当前处于激活状态的总数目和阈值,如果总数目大于或者等于阈值,则静默用户最终处理激活状态,如果总数目小于阈值,则静默用户最终处理非激活状态。其中,阈值为静默用户存在的一位于0至1间的实数,阈值与用户被激活的难易程度相关。状态确定模块32重复上述过程确定静默用户最终处于激活或非激活状态。其中,关联用户中当前处于激活状态的总数目关联用户中当前处于激活状态的总数目可以用关联用户的相对比例来表示,也可以用关联用户的绝对数量来表示,而用绝对数量来表示关联用户中当前处于激活状态的总数目得到的最终结果更为稳定。
在本发明实施例中,社交网络中的静默用户和非激活用户最终是处于激活状态还是非激活状态,是对上述两种情况的综合,即最终社交网络中激活用户的集合取上述两种情况产生的激活用户的并集。如此,最终确定了该社交网络中所有用户是处于激活或者非激活状态。因此,在本实施例中,对非激活用户应用AsIC模型进行信息扩散,对静默用户应用AsIC模型和AsLT模型进行信息扩散,并取两者的并集,从而确定了用户的最终状态。即根据用户的状态通过不同的信息扩散方式以确定用户的最终状态,从而进行了精准的用户状态监测。
请参见图9,图9是本发明第一实施例的社交网络的用户状态识别装置的结构示意图。如图9所示,社交网络的用户状态识别装置40包括:处理器41和存储器42,其中存储器42和处理器41分别与总线43连接,以通过总线43进行数据交互通信。
在本发明实施例中,当一件新的事件被触发时,社交网络的初始状态包括激活用户、非激活用户以及静默用户,其中激活用户是已知的,其余用户未知,需要根据用户-事件相似度判断用户初始处于非激活状态还是静默状态。静默用户只是一种中间状态,不稳定,经过一段时间后,最终会转换成激活用户或者非激活用户。处理器41用于获取用户对一新的事件的用户-事件相似度,并根据用户-事件相似度识别该用户是静默用户或非激活用户。存储器42存储各用户的状态。处理器41还用于确定静默用户或非激活用户最终处于激活或非激活状态。
在本发明实施例中,用户-事件相似度与用户对相似事件的记录以及关联用户对该新的事件的状态有关。处理器41首先获取社交网络中事件-事件相似度和用户-用户相似度,并根据事件-事件相似度得到用户对相似事件的记录,再根据记录和用户-用户相似度并进行迭代得到用户对事件的用户-事件相似度。存储器42存储该用户-事件相似度。用户-事件相似度用以估测用户处于静默状态的概率,用户-事件相似度值越大,该用户越有可以是静默用户。其中,相似事件是指已经发生过的与该新的事件相似的事件。事件-事件相似度描述相似事件与新的事件的相似程度。事件-事件相似度越大,说明该两事件越相近,用户就越有可能对这两事件产生相同的响应,即要么都进行分享或评论,要么都不进行分享或评论。用户-用户相似度用来描述关联用户对该新的事件的状态可能造成的对用户-事件相似度的影响程度。用户-用户相似度越大,说明用户就越有可能对该新的事件产生相同的响应,即要么都进行分享或评论,要么都不进行分享或评论。关联用户是指与该用户具有跟随关系的用户。
处理器41得到用户-事件相似度后,比较用户-事件相似度和用户的决策点数值的大小。如果用户-事件相似度大于决策点数值,则用户为静默用户;如果用户-事件相似度小于等于决策点数值,则用户为非激活用户。其中,决策点数值是用户存在的用于判断用户的状态的数值,决策点数值越低,用户越可能为静默用户。如此,通过设计一种新的社交网络的用户状态模型,包含激活、非激活以及不稳定的静默态,在事件发生的初始阶段,充分考虑用户可能处于激活和非激活之间的状态,即静默状态,并通过充分全面考虑用户状态的可能影响因素区分用户初始处于静默还是非激活状态,从而推断出用户的初始状态,以便后续精确地推断出用户的最终状态,并进行精准地用户状态监测。
确定了所有用户的初始状态后,处理器41应用DS模型进行信息扩散,以确定所有静默用户和非激活用户在一段时间后最终是转换成激活状态还是非激活状态。DS模型是在传统的AsIC模型和AsLT模型的基础上实现的。具体地,对于静默用户和非激活用户,处理器41应用AsIC模型为信息扩散方式,确定静默用户或非激活用户最终处于激活或非激活状态。即处理器41首先确定静默用户或非激活用户的关联用户在上一次迭代中的状态,并根据关联用户在上一次迭代中的状态确定静默用户或非激活用户转换为激活状态的概率。存储器42将用户的状态存储下来以便处理器41确定其相联用户的最终状态。处理器41重复上述过程确定所有静默用户和非激活用户最终处于激活或非激活状态。对于静默用户,处理器41还应用AsLT模型为信息扩散方式,以确定静默用户最终处于激活或非激活状态。即处理器41首先确定静默用户的关联用户中当前处于激活状态的总数目;根据有关联用户中当前处于激活状态的总数目和静默用户的阈值确定静默用户最终处于激活或非激活状态。具体地,处理器41比较关联用户中当前处于激活状态的总数目和阈值,如果总数目大于或者等于阈值,则静默用户最终处理激活状态,如果总数目小于阈值,则静默用户最终处理非激活状态。其中,阈值为静默用户存在的一位于0至1间的实数,阈值与用户被激活的难易程度相关,存储器42将用户的状态存储下来以便处理器41确定其相联用户的最终状态。处理器41重复上述过程确定所有静默用户和非激活用户最终处于激活或非激活状态。处理器41对上述两种情况的综合,最终确定了该社交网络中所有用户是处于激活或者非激活状态。如此,根据用户的状态通过不同的信息扩散方式精确地推断出用户的最终状态,从而进行了精准的用户状态监测。
综上所述,本发明通过设计一种新的社交网络的用户状态模型,包含激活、非激活以及不稳定的静默态,在事件发生的初始阶段,充分考虑用户可能处于激活和非激活之间的状态,即静默状态,并充分全面考虑用户状态的可能影响因素,根据用户-事件相似度来识别用户初始为静默用户还是非激活用户,从而推断出用户的初始状态,进而根据用户状态的不同通过不同的信息扩散方式确定静默用户或非激活用户最终处于激活或非激活状态,从而精确地推断出用户的最终状态,并进行精准的用户状态监测。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (12)
1.一种社交网络的用户状态识别方法,其特征在于,所述社交网络包括激活用户、非激活用户以及静默用户,其中,所述静默用户的状态不稳定,最终转换为所述激活用户或所述非激活用户,所述识别方法包括:
获取用户对一新的事件的用户-事件相似度;
根据所述用户-事件相似度识别所述用户为所述静默用户或所述非激活用户;
确定所述社交网络中所述静默用户或所述非激活用户最终处于激活或非激活状态;
其中,所述用户-事件相似度与所述用户对所述事件的相似事件的记录以及所述用户的关联用户对所述事件的状态有关。
2.根据权利要求1所述的方法,其特征在于,所述根据所述用户-事件相似度识别所述用户为所述静默用户或所述非激活用户包括:
比较所述用户-事件相似度和所述用户的决策点数值,如果所述用户-事件相似度大于所述决策点数值,则所述用户为所述静默用户;否则,所述用户为所述非激活用户,其中所述决策点数值是所述用户存在的用于判断所述用户的状态的数值,所述决策点数值越低,所述用户越可能为所述静默用户。
3.根据权利要求1所述的方法,其特征在于,所述获取用户-事件相似度包括:
获取所述社交网络中事件-事件相似度和用户-用户相似度;
根据所述事件-事件相似度得到用户对所述相似事件的记录,所述相似事件是指已经发生过的与所述新的事件相似的事件;
根据所述记录和所述用户-用户相似度并进行迭代得到所述用户对所述事件的用户-事件相似度。
4.根据权利要求1所述的方法,其特征在于,所述确定所述静默用户或所述非激活用户最终处于激活或非激活状态包括:
确定所述静默用户或所述非激活用户的所述关联用户在上一次迭代中的状态,所述关联用户是指与所述用户具有跟随关系的用户;
根据所述关联用户在上一次迭代中的状态确定所述静默用户或所述非激活用户转换为激活状态的概率。
5.根据权利要求4所述的方法,其特征在于,所述确定所述静默用户或所述非激活用户最终处于激活或非激活状态还包括:对于所述静默用户,
确定所述静默用户的所述关联用户中当前处于激活状态的总数目;
根据所述总数目和所述静默用户的阈值确定所述静默用户最终处于激活或非激活状态,所述阈值为所述静默用户存在的一位于0至1间的实数,所述阈值与所述用户被激活的难易程度相关;
其中,关联用户中当前处于激活状态的总数目用于指示处于激活状态的关联用户会对该静默用户产生的总的影响。
6.根据权利要求5所述的方法,其特征在于,所述根据所述总数目和所述阈值确定所述静默用户最终处于激活或非激活状态包括:
比较所述总数目和所述阈值,如果所述总数目大于或者等于所述阈值,则所述静默用户最终处理激活状态,如果所述总数目小于所述阈值,则所述静默用户最终处理非激活状态。
7.一种社交网络中的用户状态识别装置,其特征在于,所述社交网络包括激活用户、非激活用户以及静默用户,其中,所述静默用户的状态不稳定,最终转换为所述激活用户或所述非激活用户,所述识别装置包括:
相似度获取模块,用于获取用户对一新的事件的用户-事件相似度;
用户识别模块,用于根据所述用户-事件相似度识别所述用户为所述静默用户或所述非激活用户;
状态确定模块,用于确定所述社交网络中所述静默用户或所述非激活用户最终处于激活或非激活状态;
其中,所述用户-事件相似度与所述用户对所述事件的相似事件的记录以及所述用户的关联用户对所述事件的状态有关。
8.根据权利要求7所述的装置,其特征在于,所述用户识别模块用于:
比较所述用户-事件相似度和所述用户的决策点数值,如果所述用户-事件相似度大于所述决策点数值,则所述用户为所述静默用户;否则,所述用户为所述非激活用户,其中所述决策点数值是所述用户存在的用于判断所述用户的状态的数值,所述决策点数值越低,所述用户越可能为所述静默用户。
9.根据权利要求7所述的装置,其特征在于,所述相似度获取模块用于:
获取所述社交网络中事件-事件相似度和用户-用户相似度;
根据所述事件-事件相似度得到用户对所述相似事件的记录,所述相似事件是指已经发生过的与所述新的事件相似的事件;
根据所述记录和所述用户-用户相似度并进行迭代得到所述用户对所述事件的用户-事件相似度。
10.根据权利要求7所述的装置,其特征在于,所述状态确定模块用于:
确定所述静默用户或所述非激活用户的所述关联用户在上一次迭代中的状态,所述关联用户是指与所述用户具有跟随关系的用户;
根据所述关联用户在上一次迭代中的状态确定所述静默用户或所述非激活用户转换为激活状态的概率。
11.根据权利要求10所述的装置,其特征在于,对于所述静默用户,所述状态确定模块还用于:
确定所述静默用户的所述关联用户中当前处于激活状态的总数目;
根据所述总数目和所述静默用户的阈值确定所述静默用户最终处于激活或非激活状态,所述阈值为所述静默用户存在的一位于0至1间的实数,所述阈值与所述用户被激活的难易程度相关;
其中,关联用户中当前处于激活状态的总数目用于指示处于激活状态的关联用户会对该静默用户产生的总的影响。
12.根据权利要求11所述的装置,其特征在于,所述状态确定模块还用于比较所述总数目和所述阈值,如果所述总数目大于或者等于所述阈值,则所述静默用户最终处理激活状态,如果所述总数目小于所述阈值,则所述静默用户最终处理非激活状态。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310513974.5A CN104572766B (zh) | 2013-10-25 | 2013-10-25 | 一种社交网络的用户状态识别方法及装置 |
PCT/CN2014/075497 WO2015058498A1 (zh) | 2013-10-25 | 2014-04-16 | 一种社交网络的用户状态识别方法、装置及计算机 |
US14/948,993 US10116759B2 (en) | 2013-10-25 | 2015-11-23 | Method, apparatus and computer for identifying state of user of social network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310513974.5A CN104572766B (zh) | 2013-10-25 | 2013-10-25 | 一种社交网络的用户状态识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104572766A CN104572766A (zh) | 2015-04-29 |
CN104572766B true CN104572766B (zh) | 2018-03-09 |
Family
ID=52992189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310513974.5A Active CN104572766B (zh) | 2013-10-25 | 2013-10-25 | 一种社交网络的用户状态识别方法及装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10116759B2 (zh) |
CN (1) | CN104572766B (zh) |
WO (1) | WO2015058498A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10182029B2 (en) * | 2015-02-20 | 2019-01-15 | International Business Machines Corporation | Estimation of information diffusion route on computer mediated communication network |
CN106548189B (zh) * | 2015-09-18 | 2019-06-21 | 阿里巴巴集团控股有限公司 | 一种事件识别方法和设备 |
CN106875281B (zh) * | 2017-03-13 | 2020-12-18 | 哈尔滨工程大学 | 基于贪心子图的社会网络节点挖掘激活方法 |
CN107730364A (zh) * | 2017-10-31 | 2018-02-23 | 北京麒麟合盛网络技术有限公司 | 用户识别方法及装置 |
CN108182241B (zh) * | 2017-12-28 | 2021-03-26 | 深圳市博实结科技有限公司 | 一种数据交互的优化方法、装置、服务器及存储介质 |
CN109617871B (zh) * | 2018-12-06 | 2020-04-14 | 西安电子科技大学 | 基于社团结构信息和阈值的网络节点免疫方法 |
CN110535943B (zh) * | 2019-08-29 | 2022-04-26 | 广州方硅信息技术有限公司 | 数据处理方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102394798A (zh) * | 2011-11-16 | 2012-03-28 | 北京交通大学 | 一种基于多元特征的微博信息传播行为预测方法及系统 |
CN102929928A (zh) * | 2012-09-21 | 2013-02-13 | 北京格致璞科技有限公司 | 基于多维相似度的个性化新闻推荐方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8655321B2 (en) * | 2011-04-11 | 2014-02-18 | Microsoft Corporation | Adaptive notifications |
US8712944B1 (en) * | 2011-05-13 | 2014-04-29 | Google Inc. | Adaptive contact window wherein the probability that an answering user/expert will respond to a question corresponds to the answering users having response rates that are based on the time of day |
US8849730B2 (en) * | 2011-12-15 | 2014-09-30 | Microsoft Corporation | Prediction of user response actions to received data |
US9117179B2 (en) * | 2013-03-11 | 2015-08-25 | International Business Machines Corporation | Predicting user activity in social media applications |
-
2013
- 2013-10-25 CN CN201310513974.5A patent/CN104572766B/zh active Active
-
2014
- 2014-04-16 WO PCT/CN2014/075497 patent/WO2015058498A1/zh active Application Filing
-
2015
- 2015-11-23 US US14/948,993 patent/US10116759B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102394798A (zh) * | 2011-11-16 | 2012-03-28 | 北京交通大学 | 一种基于多元特征的微博信息传播行为预测方法及系统 |
CN102929928A (zh) * | 2012-09-21 | 2013-02-13 | 北京格致璞科技有限公司 | 基于多维相似度的个性化新闻推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104572766A (zh) | 2015-04-29 |
WO2015058498A1 (zh) | 2015-04-30 |
US20160088105A1 (en) | 2016-03-24 |
US10116759B2 (en) | 2018-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104572766B (zh) | 一种社交网络的用户状态识别方法及装置 | |
CN103559407B (zh) | 一种用于度量有向加权图中节点亲密度的推荐系统及方法 | |
Kim et al. | Improved churn prediction in telecommunication industry by analyzing a large network | |
US9870531B2 (en) | Analysis system using brokers that access information sources | |
Bliss et al. | An evolutionary algorithm approach to link prediction in dynamic social networks | |
Bollen et al. | Happiness is assortative in online social networks | |
US20160203316A1 (en) | Activity model for detecting suspicious user activity | |
Pal et al. | Centrality measures, upper bound, and influence maximization in large scale directed social networks | |
Srinivas et al. | Identification of influential nodes from social networks based on Enhanced Degree Centrality Measure | |
Forouzandeh et al. | New centrality measure for nodes based on user social status and behavior on Facebook | |
Murukannaiah et al. | Toward automating crowd RE | |
Kundu et al. | Deprecation based greedy strategy for target set selection in large scale social networks | |
Weiß et al. | Chain binomial models and binomial autoregressive processes | |
Parau et al. | Opinion leader detection | |
Mei et al. | Influence maximization on twitter: A mechanism for effective marketing campaign | |
Luo et al. | Causal inference in social media using convergent cross mapping | |
Divyaa et al. | Towards generating scalable personalized recommendations: integrating social trust, social bias, and geo-spatial clustering | |
Li et al. | Social network user influence dynamics prediction | |
Gulati et al. | Influence propagation for social graph-based recommendations | |
Luo et al. | Echo chambers and segregation in social networks: Markov bridge models and estimation | |
Ni et al. | Optimizing influence diffusion in a social network with fuzzy costs for targeting nodes | |
Yuan et al. | Subjective logic-based anomaly detection framework in wireless sensor networks | |
Alexopoulos et al. | A concise history of simulation output analysis | |
Sharma et al. | Comparative analysis of different algorithms in link prediction on social networks | |
Huang et al. | Predicting the structural evolution of networks by applying multivariate time series |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |