CN105608173A - 一种基于自适应代理的渐进式社区发现方法 - Google Patents
一种基于自适应代理的渐进式社区发现方法 Download PDFInfo
- Publication number
- CN105608173A CN105608173A CN201510967687.0A CN201510967687A CN105608173A CN 105608173 A CN105608173 A CN 105608173A CN 201510967687 A CN201510967687 A CN 201510967687A CN 105608173 A CN105608173 A CN 105608173A
- Authority
- CN
- China
- Prior art keywords
- community
- community discovery
- user
- task
- gradual
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 40
- 230000000750 progressive effect Effects 0.000 title abstract 2
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 239000003795 chemical substances by application Substances 0.000 abstract description 87
- 239000003999 initiator Substances 0.000 abstract 2
- 238000011156 evaluation Methods 0.000 description 7
- 238000005265 energy consumption Methods 0.000 description 5
- 230000003997 social interaction Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000006855 networking Effects 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000192 social effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Classifications
-
- 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
- G06F16/951—Indexing; Web crawling techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于自适应代理的渐进式社区发现方法,通过引入至少两个代理选择标准,设计至少两种代理选择策略,实现社区发起者主观期望发现的社区。通过引入节点活跃度、节点间社会关系以及节点有效性三个代理选择标准,设计了多种代理选择策略,不仅保证所发现的社区满足社区发起者主观期望,而且很好地保护了社区参与者的个人隐私。
Description
技术领域
本发明属于网络社区发现方法技术领域,涉及一种基于自适应代理的渐进式社区发现方法。
背景技术
基于主观需求的社区发现一般是由用户主动发起,目的是通过创造社会交互机会实现或满足某种主观意图或需求,例如完成一项任务、举办一项活动等。一般而言,不论出于何种具体目的,基于主观需求的社区发现机制皆具有统一的模式,即发现并组织满足特定需求的个体,使其在动态社区中进行交互并达成目标。
智能便携设备的广泛普及引领人类社会逐步跨入移动互联时代。一方面,智能便携设备具有的无线通信与实时感知能力使其成为信息收集与传播的重要载体;另一方面,聚集在一起的多个智能便携设备可以在一定条件下形成自组织网络,从而为用户之间的信息共享与社会交互提供了便利。
机会网络逐渐成为移动社交网络的重要形态之一,而网络拓扑的动态性是其最显著的特点。具体而言,由于不同用户移动模式存在时空差异性,使得机会网络的拓扑结构处于实时变化之中,导致物理空间中用户间社会交互的发生具有随机性特点。所以,如何有效应对机会移动社交网络固有的动态性,发现满足用户主观需求的社区,是社区发现研究需要面对的一个挑战。主要表现在以下两个方面:其一,基于主观需求进行的社区发现一般会具有一些特殊的约束条件,例如预期的社区规模、社区成员的组成结构等。如何使得所发现的社区满足社区发起者的主观期望是最主要的挑战。其二,基于机会传播的社区发现机制下,代理节点需要不停地与其他节点进行匹配以决定是否邀请其加入社区,因此带来了用户隐私保护的问题。如何在有效发现社区的同时保护参与者的隐私也是需要面对的挑战。
发明内容
针对以上缺陷,本发明提供一种既能够满足社区发起者主观期望,又能很好保护隐私的基于自适应代理的渐进式社区发现方法。
本发明的技术方案为:
一种基于自适应代理的渐进式社区发现方法,通过引入至少两个代理选择标准,设计至少两种代理选择策略,实现社区发起者主观期望发现的社区。
优选地,一种基于自适应代理的渐进式社区发现方法的代理选择标准为节点活跃度、节点间社会关系、节点有效性中的两种或者多种的组合。
优选地,一种基于自适应代理的渐进式社区发现方法采用单一拷贝转发机制,保证社区发现的整个过程处于可控状态。
优选地,一种基于自适应代理的渐进式社区发现方法采用代理到用户的信息匹配机制,匹配机制是指代理节点将社区发现任务的相关信息发送给用户,由用户进行匹配并返回结果,用户无需向代理节点上传其偏好信息,避免泄露用户隐私。
一种基于自适应代理的渐进式社区发现方法,以下步骤:
步骤一:社区发起者依据其主观需求定制社区发现任务;
步骤二:社区发起者将定制好的社区发现任务发布至动态机会网络中,并成为首个代理节点;
步骤三:随着代理节点在物理世界不断移动,社区发现任务被传递给与其随机相遇的其他用户进行匹配,匹配成功的用户被邀请加入社区;同时,发起代理选择以决定是否有更合适的用户成为新的代理节点;
步骤四:依据社区发现任务的执行结果通知发起者及其他匹配成功的用户。
优选地,一种基于自适应代理的渐进式社区发现方法的社区发现任务划分为一般式社区发现任务、闭合式社区发现任务以及开放式社区发现任务。
优选地,一种基于自适应代理的渐进式社区发现方法步骤一的社区发现任务需在发起者预期的社区发现失效时间之前完成。
优选地,一种基于自适应代理的渐进式社区发现方法采用社区发现成功率来评价,的社区发现成功率为社区发现失效时间内成功完成创建的社区比例。
优选地,一种基于自适应代理的渐进式社区发现方法采用用户体验来评价,的用户体验为社区发起者与所有社区成员之间社会关系的总和。
优选地,一种基于自适应代理的渐进式社区发现方法采用社区发现开销来评价,的社区发现开销包含两个方面,其一是产生于代理节点之间的任务切换开销,其二是产生于代理节点与用户之间的任务匹配开销。
针对动态机会移动社交网络中主观需求驱动的社区发现所面临的挑战,本发明将面向动态机会网络的社区发现转换为基于移动代理的信息传播与匹配问题,并提供一种基于自适应代理的渐进式基于自适应代理的渐进式社区发现方法,具体通过引入节点活跃度、节点间社会关系以及节点有效性三个代理选择标准,设计了多种代理选择策略,不仅保证所发现的社区满足社区发起者主观期望,而且很好地保护了社区参与者的个人隐私。
附图说明
图1本发明自适应代理基于自适应代理的渐进式社区发现方法步骤示意图;
具体实施方式
下面结合实施例和附图来对本发明进行详细说明。
一方面,本发明提出一种基于自适应代理的渐进式基于自适应代理的渐进式社区发现方法,该方法涉及节点活跃度、节点间社会关系和节点有效性三个不同的代理选择标准,并基于上述标准设计了多种代理选择策略,用于实现在不同用户主观需求条件下的选出最合适的用户作为代理节点,提升社区发现任务的成功率与时效性。
另一方面,本发明主要关注动态机会网络环境下基于主观需求的社区发现,与传统基于客观特征的社区发现具有显著的不同。因此,原有的评价体系不再适用,需要引入新的评价指标。为了验证本发明所提出的基于自适应代理的渐进式基于自适应代理的渐进式社区发现方法,引入社区发现成功率、社区发现开销与用户体验三个性能评价标准。
下表是本发明自适应代理社区发现详细示意:
1、代理选择标准与选择策略
(1)节点活跃度及相应代理选择策略
动态机会移动社交网络中,节点相对独立地移动并随机地与其他节点发生相遇及交互。通过分析一个节点的历史相遇记录,便可以预测该节点在未来一段时间内能遇到的其他节点数量,而该数值是对节点在动态机会网络中活跃程度的有效表征。因此,引入的第一个代理选择标准节点活跃度。
定义1:对于任意一个用户ui,其在未来一段时间ΔT内预期能够遇到的其他用户数量即为该用户当前的活跃度PopΔT(ui)。
用户的移动模式一般具有显著的周期性特征,通常表现为以一天为周期的规律以及以一周为周期的规律。因此,本章重点研究两个粒度的用户活跃度,即天活跃度DP(DailyPopularity)与周活跃度WP(WeeklyPopularity)。
本发明基于用户的历史相遇记录对其活跃度进行预测,考虑到便携设备有限的计算能力,一种基本的方法是通过用户历史活跃度的平均值对其未来的活跃度进行预测,由此得到用户平均天活跃度ADP与用户平均周活跃度AWP。同时,由于周期性特征之外,用户的活跃度还具有时变性特征,因此提出下述假设:
假设1:相比较早的历史相遇记录,用户近期的相遇记录能够更准确地反应其当前的活跃度。
如果该假设成立,那么一种更好的计算用户活跃度的方法是引入历史记录权重因子与有效窗口WE(EffectiveWindow),只基于有效窗口内的相遇记录计算用户活跃度。不失一般性地,本发明定义如下历史记录权重因子:
其中γ(ω)表示最近的第ω个天/周活跃度的权重。例如,如果有效窗口WE取值为28天,周活跃度的权重则分别为1,3/4,2/4及1/4。因此,用户加权天活跃度(WDP)与用户加权周活跃度(WWP)可形式化定义为:
其中HDP与HWP分别表示用户的历史天活跃度与历史周活跃度,α(ω)与β(ω)则分别为HDP与HWP的权重因子。显然,用户平均活跃度ADP与AWP是相应加权活跃度WDP与WWP的特例。
将用户活跃度作为选择代理节点的标准,下面介绍作为参照基准的基于自适应代理的渐进式社区发现方法,该方法基于下述代理选择策略:
规则1:对于任意基于主观需求的社区发现任务tm,如果其代理节点ui移动至一个新的机会网络ONx,则ONx中活跃度最高的用户uj被选为新代理节点的充要条件是uj的活跃度Pop(uj)高于ui的活跃度Pop(ui)。该规则形式化定义为:
B(tm)←ujiffPop(uj)>Pop(ui),where
uj∈ONx\{ui}&Pop(uj)=max{Pop(ux)}.
其中B(tm)表示社区发现任务tm的代理节点,ONx\{ui}则表示ONx中除ui之外的用户集合。
现实物理世界中,用户不停地穿梭于动态机会网络之中。如果代理节点每次遇到具有更高活跃度的其他用户都发起代理切换,则会导致切换过于频繁,增加算法的通信开销。为此引入辅助性代理选择标准——预期代理活跃度EBP(ExpectedBrokerPopularity)。在每次随机相遇时,用户都将其他用户的活跃度记录下来,如此便可以构造一个活跃度向量用于存储特定时间间隔内所遇用户的最高活跃度,进而估计其下一时间间隔内预期的最高活跃度。不失一般性地,将时间间隔取为1天,则任一用户ui的预期代理活跃度为:
其中U(ui,ω)表示用户ui在第ω天所遇到的所有用户的集合。
基于预期代理活跃度,引入下述代理选择策略:
规则2:对于任意基于主观需求的社区发现任务tm,如果其代理节点ui移动至一个新的机会网络ONx,则ONx中活跃度最高的用户uj被选为新代理节点的充要条件是uj的活跃度Pop(uj)同时高于ui的活跃度Pop(ui)及预期代理活跃度EBP(ui)。该规则形式化定义为:
B(tm)←ujiffPop(uj)>Pop(ui)&Pop(uj)>EBP(ui),
whereuj∈ONx\{ui}&Pop(uj)=max{Pop(ux)}.
基于上述规则,社区发现任务tm的代理节点ui会一直承载该任务直至遇到活跃度高于EBP(ui)的用户。
(2)节点间社会关系及相应代理选择策略
基于主观需求的社区发现机制下,社区发起者可能对社区结构具有不同的预期。为此,在介绍基于节点间社会关系的社区发现策略之前,首先引入闭合式社区发现与开放式社区发现的概念。
所谓闭合式社区发现是指社区发起者期望创建一个由彼此熟悉的用户所构成的社区,目的旨在与老朋友增进交流;而开放式社区则指社区发起者期望创建一个包含较多并不熟识用户的社区,其目的在于认识新朋友。
基于节点活跃度的代理选择策略关注的重点是在尽可能短的时间内完成社区发现任务,而并不关注所发现社区的结构,因此需要引入相应的代理选择标准。
研究发现社会关系紧密的用户在动态机会网络中彼此相遇概率更高。基于此,本节引入代理选择标准——用户间社会关系IUC(Inter-UserCloseness),用于度量用户之间社会关系的紧密程度。进一步地,提出如下两项假设:
假设2:选择与社区发起者社会关系紧密的用户作为代理节点有利于促进闭合式社区发现。
假设3:选择与社区发起者社会关系疏远的用户作为代理节点有利于促进开放式社区发现。
下面将详细阐述动态机会网络环境下用户间社会关系的度量方法。
首先,用户间发生社会交互的时间是对其社会关系紧密程度的有效表征。例如,机会网络中两个用户之间一次发生于休息日晚上的相遇与一次发生于工作日上午的相遇所蕴含的社会意义是明显不同的。一般而言,社会关系紧密的用户在休息日见面的几率远高于社会关系疏远的用户。因此,只有部分历史相遇记录应该被用于用户间社会关系的度量。我们将用户历史相遇记录依据时间划分为两部分:工作时间(工作日上午8点至下午8点)相遇记录与非工作时间(工作日下午8地点至次日上午8点以及休息日全天)相遇记录,其中用户间社会关系的计算只依赖于发生在非工作时间的相遇记录。
其次,社会交互持续的时间是对社会关系紧密程度的另一有效表征。相比于持续时间非常短的会面,例如发生在两个行进中用户之间的短暂相遇,持续一段时间的相遇具有更显著的社会意义。因此,引入相遇持续时间阈值Γduration,只有持续时间超过该阈值的相遇记录被用于计算用户间社会关系。
基于上述考量,首先给出有效相遇的概念,进而形式化定义用户间社会关系。
定义2:动态机会网络中的一次有效相遇是指发生于非工作时间且持续时间超过阈值Γduration的用户相遇。
定义3:任意一对用户之间社会关系的紧密程度定义为二者在历史相遇记录有效窗口WE之内发生有效相遇的天数与总天数的比值,形式化表述如下:
其中E(ui,uj,ω)表示用户ui与uj在第ω天的相遇记录集合,而e则代表一次有效相遇。
以用户间社会关系为代理节点选择标准,下面分别介绍面向闭合式社区发现的代理选择策略与面向开放式社区发现的代理选择策略,以满足社区发起者对于社区结构的不同期望。
a)面向闭合式社区发现的代理选择策略
当发起闭合式社区发现时,社区发起者期望所发现的社区由彼此熟悉的用户构成。因此,基于假设2提出下述面向闭合式社区发现的代理选择策略:
规则3:对于任意基于主观需求的闭合式社区发现任务tm,如果其代理节点ui移动至一个新的机会网络ONx,则ONx中活跃度最高的用户uj被选为新代理节点的充要条件是:(1)uj的活跃度Pop(uj)同时高于ui的活跃度Pop(ui)及预期代理活跃度EBP(ui);(2)uj与社区发起者us之间社会关系的紧密程度IUC(us,uj)大于阈值ΓIUC。该规则形式化定义为:
B(tm)←ujiffPop(uj)>Pop(ui)&Pop(uj)>EBP(ui)
&IUC(us,uj)>ΓIUC,
whereuj∈ONx\{ui}&Pop(uj)=max{Pop(ux)}.
基于上述规则,与社区发起者社会关系疏远的用户不论具有多高的活跃度都不能成为闭合式社区发现任务的代理节点。
b)面向开放式社区发现的代理选择策略
与闭合式社区发现不同,当发起开放式社区发现时,社区发起者期望所发现的社区由包含尽可能多的“陌生人”。因此,基于假设5.3提出下述面向开发式社区发现的代理选择策略:
规则4:对于任意基于主观需求的开放式社区发现任务tm,如果其代理节点ui移动至一个新的机会网络ONx,则ONx中活跃度最高的用户uj被选为新代理节点的充要条件是:(1)uj的活跃度Pop(uj)同时高于ui的活跃度Pop(ui)及预期代理活跃度EBP(ui);(2)uj与社区发起者us之间社会关系的紧密程度IUC(us,uj)小于阈值ΓIUC。该规则形式化定义为:
B(tm)←ujiffPop(uj)>Pop(ui)&Pop(uj)>EBP(ui)
&IUC(us,uj)<ΓIUC,
whereuj∈ONx\{ui}&Pop(uj)=max{Pop(ux)}.
基于上述规则,与社区发起者社会关系相对疏远的用户更可能被选为开发式社区发现任务的代理节点。
(3)节点有效性及相应代理选择策略
前面介绍的两个代理选择标准节点活跃度与节点间社会关系主要是基于用户的历史相遇记录对其承担代理节点的能力进行度量,未曾考虑社区发现过程中的所积累的信息优化代理选择策略。
动态机会网络中,对于一个基于主观需求的社区发现任务tm而言,其代理节点一般为其维护两个列表,分别为匹配成功用户列表MUL(MatchedUserList)与未匹配成功用户列表UMUL(Un-MatchedUserList)。同时,机会网络中的每一个用户皆维护相遇用户列表EUL(EncounteredUserList),用于记录其在有效窗口WE内所遇到的全部其他用户。当用户ui作为tm的候选代理节点时,其EUL列表可划分为三个子集,分别为与任务tm的MUL列表的交集(即EUL∩MUL)、与tm的UMUL列表的交集(即EUL∩UMUL)以及既不属于列表MUL也不属于UMUL的用户子集(即EUL\(MUL∪UMUL))。其中,第一个子集所包含的用户已经与任务tm匹配成功,而第二个子集所包含的用户则不可能与tm匹配成功。显然,前两个子集所包含的用户皆已经与任务tm的代理节点发生过相遇,不可能成为目标社区的新成员,而只有隶属于第三个子集的用户有可能成为目标社区的潜在成员。以下表所示情形为例,EUL(uA,WE)与EUL(uB,WE)分别表示用户uA与uB的相遇用户列表。虽然uA的活跃度不及uB,但却具有更高的有效性,因为EUL(uA,WE)包含了更多可能成为目标社区潜在成员的用户。
下表是节点有效性概念示意:
基于上述考量,引入代理选择标准——用户有效性UE(UserEffectiveness),用于度量一个用户作为代理节点的实际能力。
定义4:对于基于主观需求的社区发现任务tm,任意用户ui对于tm的有效性UE(ui,tm)定义为集合EUL(ui,WE)与集合MUL(tm)∪UMUL(tm)的差集,形式化表述为:
UE(ui,tm)=|{EUL(ui,WE)\(MUL(tm)∪UMUL(tm))}|.
相比于用户活跃度与用户间社会关系,用户有效性利用了社区发现过程中所积累的信息MUL与UMUL,因而有利于提升社区发现的性能。鉴于此,引入下述的假设:
假设4:对于一个社区发现任务,如果两个候选代理节点具有相同的活跃度,那么具有更高有效性的用户是更好的代理节点。
面将综合运用三个不同的代理选择标准设计代理选择策略。
a)面向一般式社区发现任务的代理选择策略
基于用户有效性对规则2进行优化,提出如下代理选择策略:
规则5:对于任意基于主观需求的社区发现任务tm,如果其代理节点ui移动至一个新的机会网络ONx,则ONx中活跃度最高的用户uj被选为新代理节点的充要条件是:(1)规则2被满足;(2)uj的有效性UE(uj,tm)高于ui的有效性UE(ui,tm)。该规则形式化描述为:
B(tm)←ujiffPop(uj)>Pop(ui)&
Pop(uj)>EBP(ui)&UE(uj,tm)>UE(ui,tm),
whereuj∈ONx\{ui}&Pop(uj)=max{Pop(ux)}.
b)面向闭合式社区发现的代理选择策略
对于闭合式社区发现任务而言,通过引入用户有效性对规则3进行优化,提出如下代理选择策略:
规则6:对于任意基于主观需求的闭合式社区发现任务tm,如果其代理节点ui移动至一个新的机会网络ONx,则ONx中活跃度最高的用户uj被选为新代理节点的充要条件是:(1)规则3被满足;(2)uj的有效性UE(uj,tm)高于ui的有效性UE(ui,tm)。该规则形式化描述为:
B(tm)←ujiffPop(uj)>Pop(ui)&Pop(uj)>EBP(ui)&
IUC(us,uj)>ΓIUC&UE(uj,tm)>UE(ui,tm),
whereuj∈ONx\{ui}&Pop(uj)=max{Pop(ux)}.
c)面向开放式社区发现的代理选择策略
对于开发式社区发现任务而言,基于用户有效性对规则4进行优化,得到如下代理选择策略:
规则7:对于任意基于主观需求的开放式社区发现任务tm,如果其代理节点ui移动至一个新的机会网络ONx,则ONx中活跃度最高的用户uj被选为新代理节点的充要条件是:(1)规则4被满足;(2)uj的有效性UE(uj,tm)高于ui的有效性UE(ui,tm)。该规则形式化描述为:
B(tm)←ujiffPop(uj)>Pop(ui)&Pop(uj)>EBP(ui)&
IUC(us,uj)<ΓIUC&UE(uj,tm)>UE(ui,tm),
whereuj∈ONx\{ui}&Pop(uj)=max{Pop(ux)}.
相比未考虑用户有效性的代理选择策略(规则2~4),规则5~7的优越性体现在两个方面。其一,考虑了用户有效性的代理选择策略所选择的代理节点遇到潜在成员的几率更高;其二,通过引入用户有效性,规则5~7所定义的选择策略可以减少代理切换次数,从而降低社区发现的通信开销。
2、基于主观需求的基于自适应代理的渐进式社区发现方法评价指标
(1)社区发现成功率
一般而言,基于主观需求的社区发现任务需在发起者预期的社区发现失效时间DET(DiscoveryExpiryTime)之前完成,因此对基于自适应代理的社区发现方而言,社区发现成功率CCR(CommunityCompletionRatio)是首要评价标准,定义为社区发现失效时间内成功完成创建的社区比例,形式化描述如下:
其中T={tm:1≤m≤|T|}表示一组社区发现任务,status(tm)为社区发现任务tm的完成状态。
由上可知,社区发现成功率CCR是从系统角度对SOCKER性能的评价,反应了其完成基于主观需求社区发现任务的能力。
(2)社区发现开销
动态机会网络中,基于自适应代理的社区发现算法运行于用户的便携设备之上。鉴于能耗问题对于便携设备的重要性,引入性能评价标准——社区发现开销CDO(CommunityDiscoveryOverhead),度量算法执行过程中的能量消耗。CDO主要关注由代理节点所导致的能耗,因为非代理节点的能耗对于任何算法都是一样的。具体而言,在基于自适应代理的社区发现过程中,能量消耗包含两个部分,一部分是产生于代理节点之间的任务切换开销TSC(TaskSwitchCost),另一部分是产生于代理节点与用户之间的任务匹配开销TMC(TaskMatchCost)。给定一个社区发现任务tm,其切换开销与匹配开销分别形式化定义为:
TSC(tm)=switchnum(tm),
TMC(tm)=|MUL(tm)|+|UMUL(tm)|.
其中switchnum(tm)表示tm执行过程中发生的代理切换次数;MUL(tm)与UMUL(tm)则分别表示任务tm的匹配成功用户列表与未匹配成功用户列表。
(3)用户体验
一般而言,用户基于其主观需求发起社区发现时可能具有多种不同的社会期望。依据用户对社区结构的期望,将社区发现任务划分为一般式社区发现、闭合式社区发现以及开放式社区发现。为了满足用户的不同社区期望,引入性能评价标准——用户体验UEX(UserExperience),用于度量用户对所发现社区的满意程度。给定一个社区发现任务tm,其发起者us对所发现社区的社会体验UEX(us,tm)定义为us与所有社区成员之间社会关系的总和,形式化描述如下:
依据闭合式社区发现与开放式社区发现的定义可知,面向前者的基于自适应代理的渐进式社区发现方法应该追求较大的用户体验值,而面向后者的方法则追求较小的用户体验值。
Claims (10)
1.一种基于自适应代理的渐进式社区发现方法,通过引入至少两个代理选择标准,设计至少两种代理选择策略,实现社区发起者主观期望发现的社区。
2.根据权利要求1所述的基于自适应代理的渐进式社区发现方法,所述的代理选择标准为节点活跃度、节点间社会关系、节点有效性中的两种或者多种的组合。
3.根据权利要求1所述的基于自适应代理的渐进式社区发现方法,其特征在于:所述方法采用单一拷贝转发机制,保证社区发现的整个过程处于可控状态。
4.根据权利要求1所述的基于自适应代理的渐进式社区发现方法,其特征在于:所述方法采用代理到用户的信息匹配机制,所述匹配机制是指代理节点将社区发现任务的相关信息发送给用户,由用户进行匹配并返回结果,用户无需向代理节点上传其偏好信息,避免泄露用户隐私。
5.根据权利要求1所述的基于自适应代理的渐进式社区发现方法,其特征在于:包括以下步骤:
步骤一:社区发起者依据其主观需求定制社区发现任务;
步骤二:社区发起者将定制好的社区发现任务发布至动态机会网络中,并成为首个代理节点;
步骤三:随着代理节点在物理世界不断移动,社区发现任务被传递给与其随机相遇的其他用户进行匹配,匹配成功的用户被邀请加入社区;同时,发起代理选择以决定是否有更合适的用户成为新的代理节点;
步骤四:依据社区发现任务的执行结果通知发起者及其他匹配成功的用户。
6.根据权利要求3所述的基于自适应代理的渐进式社区发现方法,其特征在于:所述的社区发现任务划分为一般式社区发现任务、闭合式社区发现任务以及开放式社区发现任务。
7.根据权利要求3所述的基于自适应代理的渐进式社区发现方法,其特征在于:所述步骤一的社区发现任务需在发起者预期的社区发现失效时间之前完成。
8.根据权利要求1-7任一所述的基于自适应代理的渐进式社区发现方法,其特征在于:所述社区发现方法采用社区发现成功率来评价,所述的社区发现成功率为社区发现失效时间内成功完成创建的社区比例。
9.根据权利要求1-7任一所述的基于自适应代理的渐进式社区发现方法,其特征在于:所述社区发现方法采用用户体验来评价,所述的用户体验为社区发起者与所有社区成员之间社会关系的总和。
10.根据权利要求1-7任一所述的基于自适应代理的渐进式社区发现方法,其特征在于:所述社区发现方法采用社区发现开销来评价,所述的社区发现开销包含两个方面,其一是产生于代理节点之间的任务切换开销,其二是产生于代理节点与用户之间的任务匹配开销。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510967687.0A CN105608173A (zh) | 2015-12-21 | 2015-12-21 | 一种基于自适应代理的渐进式社区发现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510967687.0A CN105608173A (zh) | 2015-12-21 | 2015-12-21 | 一种基于自适应代理的渐进式社区发现方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105608173A true CN105608173A (zh) | 2016-05-25 |
Family
ID=55988112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510967687.0A Pending CN105608173A (zh) | 2015-12-21 | 2015-12-21 | 一种基于自适应代理的渐进式社区发现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105608173A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108462634A (zh) * | 2018-03-22 | 2018-08-28 | 浙江工商大学 | 一种基于公平性的机会社交网络消息传输方法 |
CN110611617A (zh) * | 2019-08-22 | 2019-12-24 | 南京理工大学 | 基于节点差异性与活跃度的dtn路由方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065200A (zh) * | 2012-12-19 | 2013-04-24 | 中国科学院深圳先进技术研究院 | 动态社区发现及追踪系统及其方法 |
CN103747033A (zh) * | 2013-12-17 | 2014-04-23 | 西安交通大学 | 一种社区发现的方法 |
-
2015
- 2015-12-21 CN CN201510967687.0A patent/CN105608173A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065200A (zh) * | 2012-12-19 | 2013-04-24 | 中国科学院深圳先进技术研究院 | 动态社区发现及追踪系统及其方法 |
CN103747033A (zh) * | 2013-12-17 | 2014-04-23 | 西安交通大学 | 一种社区发现的方法 |
Non-Patent Citations (2)
Title |
---|
ZHU WANG 等: "SOCKER: Enhancing", 《WIRELESS PERSONAL COMMUNICATIONS》 * |
王莉 等: "在线社会网络的动态社区发现及演化", 《计算机学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108462634A (zh) * | 2018-03-22 | 2018-08-28 | 浙江工商大学 | 一种基于公平性的机会社交网络消息传输方法 |
CN108462634B (zh) * | 2018-03-22 | 2020-10-20 | 浙江工商大学 | 一种基于公平性的机会社交网络消息传输方法 |
CN110611617A (zh) * | 2019-08-22 | 2019-12-24 | 南京理工大学 | 基于节点差异性与活跃度的dtn路由方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | ConSub: Incentive-based content subscribing in selfish opportunistic mobile networks | |
Liu et al. | A novel reputation computation model based on subjective logic for mobile ad hoc networks | |
Guan et al. | Effective data communication based on social community in social opportunistic networks | |
Pei et al. | Blockchain-enabled dynamic spectrum access: cooperative spectrum sensing, access and mining | |
Buchegger et al. | Coping with false accusations in misbehavior reputation systems for mobile ad-hoc networks | |
Karimi et al. | A novel clustering algorithm for mobile ad hoc networks based on determination of virtual links’ weight to increase network stability | |
Luong et al. | Joint transaction transmission and channel selection in cognitive radio based blockchain networks: A deep reinforcement learning approach | |
CN106507370A (zh) | 主动式频谱感知切换的方法 | |
Benmammar et al. | Game theory applications in wireless networks: A survey | |
CN116669111A (zh) | 一种基于区块链的移动边缘计算任务卸载方法 | |
CN115759289A (zh) | 基于用户分组协同的联邦学习方法、系统及装置 | |
Militano et al. | Using a distributed shapley-value based approach to ensure navigability in a social network of smart objects | |
CN105608173A (zh) | 一种基于自适应代理的渐进式社区发现方法 | |
Yao et al. | A secure routing scheme based on social network analysis in wireless mesh networks | |
CN109714804A (zh) | 基于相对剩余能量和sep协议的簇头选举算法 | |
Vidal et al. | Dynamic spectrum sharing in cognitive radio networks using truthful mechanisms and virtual currency | |
CN117057943A (zh) | 一种节点特征感知的时序社交网络影响力最大化方法及系统 | |
Qiao et al. | Optimal channel selection based on online decision and offline learning in multichannel wireless sensor networks | |
Yang et al. | User-centric blockchain for industry 5.0 applications | |
Bulut et al. | Social-aware energy balancing in mobile opportunistic networks | |
Bastani et al. | A social node model for realising information dissemination strategies in delay tolerant networks | |
Zhang et al. | A case for coalitions in data swarming systems | |
Bagchi | A distributed algorithm for energy-aware clustering in WSN | |
Sanyal et al. | Recovering a game model from an optimal channel access scheme for WLANs | |
Yu et al. | Wireless Algorithms, Systems, and Applications: 15th International Conference, WASA 2020, Qingdao, China, September 13–15, 2020, Proceedings, Part I |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160525 |
|
RJ01 | Rejection of invention patent application after publication |