CN105872054B - 一种基于兴趣热点的移动社交网络资源发现方法 - Google Patents

Abstract

本发明公开了一种基于兴趣热点的移动社交网络资源发现方法，包括：步骤1，对节点兴趣进行有效表达，根据节点的兴趣聚类节点，形成兴趣热点；步骤2：对兴趣热点进行有效表达，记录热点的迁移变化规律；步骤3，利用节点对热点的访问轨迹计算节点之间的社会关系；步骤4，针对共享兴趣的节点，根据节点的共享兴趣与构建的热点搜索资源；步骤5，针对未共享兴趣的节点，利用节点之间的社会关系进行资源搜索。上述搜索过程中还包括对热点的迁移变化构建马尔科夫预测，进一步提高资源的搜索效率、准确度并降低系统开销。本发明能够提高资源搜索的效率，降低资源发现的时延与通信开销。

Description

一种基于兴趣热点的移动社交网络资源发现方法

技术领域

本发明属于移动社交网络应用领域，特别涉及一种基于兴趣热点的移动社交网络资源发现方法。

背景技术

近年来便携式设备(手机、PAD、笔记本等)的发展和普及以及短距离通信技术的成熟应用，越来越多的人通过移动设备自发地组织成非连续的、延迟容忍的无线自组织网络，所涉及的具体组网技术包括Wifi、蓝牙(Bluetooth)、Zigbee等，这种特殊的自组织网络又被称为移动社交网络(Mobile Social Network,MSN)。受益于在线社交网络资源共享的应用，新兴的移动社交网络在资源共享方面逐渐引起学术界与工业界的广泛关注。同时，由于移动自组织网络自组织无中心性所带来的抗毁性强等优势，使得移动社交网络下的资源共享具有广泛的应用前景。然而，在它所带来的巨大优势背后，其拓扑频繁变化、宽带受限、机会接触等特点也使得资源共享面临着众多的考验，传统的在线社交网络下的资源共享已经不再适用于移动社交网络。而在资源共享方面，关键的任务便是资源发现，在众多的资源中寻找满足要求的资源是资源发现的职责，是移动社交网络下资源共享一系列迫切需要解决的问题之一。

目前，在线社交网络的资源发现研究成果众多，这些研究为移动社交网络的资源发现奠定了基础。因此，大部分的移动社交网络资源发现方法仍然建立在对人类行为、社会行为等社会学基础之上，大致可以分为3类：基于节点兴趣的资源发现方法，基于节点社会关系的资源发现方法和基于位置的社交资源发现方法。其中，基于节点兴趣的资源发现方法是以节点兴趣作为资源发现的指导因素，利用节点之间的兴趣相似度，将兴趣相似的节点聚集在一起，形成虚拟社区，然后利用节点兴趣指导资源的搜索，其指导理想来源于拥有共同兴趣的朋友之间共享的资源相关度比较高，在朋友之间所发现的资源信息也是比较高效和准确的。不足之处是节点兴趣是节点之间逻辑层面下的关系，忽略了节点之间的连通性，特别是在拓扑结构频繁变化的移动自组网中，由于节点之间的机会接触将会产生过多的消息投递失败问题，从而降低了资源的搜索效率，而且严重依赖节点共享的兴趣，当节点出于自身安全考虑不公布自己的兴趣或者公布的是虚假兴趣时，该方法的可行性将会严重降低。第二种方法是基于节点社会关系的资源发现方法，该方法通过计算节点之间的社会关系强度聚类节点，在资源发现过程中优先搜索社会关系较强的节点。计算节点之间的社会关系强度有节点间的接触时间、节点间的共同朋友数目、节点间的互动次数等等。这类方法虽然能够一定程度上保证节点之间的数据传输，但是由于缺少节点内容属性的指导，使得节点之间的资源搜索效率不高，特别是在对一些偏冷资源的搜索中，缺乏有效的指导因素，产生了很大的盲目性。在基于地理位置的移动社交资源发现方法中，研究者将地理位置划分成不同的兴趣点(Point of Interests,POI)，资源搜索过程中优先搜索该位置的资源。这种方法的不足之处是兴趣点受限于固定的地理位置，相同的位置上其兴趣也是随着时间不断变化的，而不是一个一成不变的固定值。因此，鉴于以上方案的优缺点，本文提出了一种基于兴趣热点的资源发现方法。

发明内容

本发明提出一种移动社交网络资源发现方法，解决现有方法对节点兴趣的严重依赖，保证资源发现方法在共享/未共享兴趣节点的网络中均有较高的资源发现效率。同时，在不受限于地理位置的情况下记录节点群簇形成的兴趣点，弥补现有依靠地理位置定义兴趣点而产生的不足，实现对兴趣点不断变化特性的表达与预测，从而进一步提高资源的发现效率。

一种基于兴趣热点的移动社交网络资源发现方法，包括如下步骤：

步骤1，对节点兴趣进行有效表达，根据节点的兴趣聚类节点，形成兴趣热点；

步骤2：对兴趣热点进行有效表达，记录热点的迁移变化规律；

步骤3，利用节点对热点的访问轨迹计算节点之间的社会关系；

步骤4，根据节点的共享兴趣与构建的热点搜索资源；

步骤5，针对未共享兴趣的节点，利用节点之间的社会关系进行资源搜索。

进一步优选，还包括对热点的迁移变化构建马尔科夫预测的步骤，具体实现包括：

(1)将其离散化，通过比较前后两次计算的热点兴趣相似度或者热点位置距离，当它们的兴趣相似度小于阈值或者距离大于阈值即兴趣相差较大或者距离较远时即可认为这两个时间的兴趣状态为两种状态i，j；

(2)将热点状态抽象为马尔科夫，构建马尔科夫链：

P(X_n+1＝j|X_n＝i,X_n-1＝i_n-1,...,X₀＝i₀)＝P(X_n+1＝j|X_n＝i)＝p_ij；其中，p_ij表示热点从状态i迁移到状态j的转移概率，X₀表示初始时刻的状态，X_n表示时间n时的状态，X_n+1表示时间n+1时的状态；

(3)引入时间因素，定义两个矩阵：T和S；其中T＝{t_ij}表示状态的转移时间矩阵，即热点从状态i转移到状态j需要的时间；S＝{s_ij}表示热点维持状态i的时间不超过j个时间单位的概率；得到k个时间单位以后，状态从i转移到状态j的概率L_ij(k)＝p_ijS[i][k-t_ij]；

(4)热点从状态i转移到状态j的过程中，转移到过其他状态r，则得到：

(5)由(3)和(4)得到最终的状态转移概率：

由此实现热点随时间变化的状态转移的有效预测。

进一步优选，步骤1中所述节点兴趣的有效表达为：

R_i＝{(k₁,w₁),(k₂,w₂),...,(k_n,w_n)}

其中，k表示关键词，w为该关键词对应的权值，n表示关键词的个数。

进一步优选，步骤2通过如下表达式实现：

其中，表示热点的第n个状态，R_hn为对应状态的兴趣，为对应状态的开始时间，为对应状态的结束时间，L_hn为热点所处的位置区域。

进一步优选，步骤3中的具体实现包括：

步骤3.1，定义一个list记录节点对热点位置的访问，获得节点i对网络中热点的访问轨迹：

其中，h₁表示访问第一个热点，t_start表示访问时间，Δt₁表示访问热点h₁与热点h₂之间的间隔，Δt₂表示访问热点h₂与热点h₃之间的间隔，h_n表示第n个热点；

步骤3.2，通过位置轨迹提取兴趣和生活习惯的相似性，具体是利用皮尔逊距离计算节点间的相似度：

其中，h_i与h_j分别表示节点i与节点j的热点访问记录，h_m∈{h_i∩h_j}表示节点i与节点j访问的共同热点，与分别表示节点i与节点j在该共同热点上的驻留时间，表示节点i待在热点h_m的平均时间，表示节点j待在热点h_m的平均时间；

步骤3.3，当相似度大于阈值时，即判定两个节点的社会关系为朋友关系。

进一步优选，步骤4的实现包括如下：

步骤4.1，资源请求节点计算发出的请求向量与所在热点的兴趣相似度：

其中，q表示要发出的请求向量，h表示所在热点的兴趣向量，m表示q与h所包含的共同关键词数量，w_qi表示请求消息中第i个相同关键词对应的权值，w_hi表示热点兴趣向量中第i个相同关键词对应的权值；

步骤4.2：如果请求的资源与所在热点兴趣相似度大于阈值请求节点将请求消息洪泛发给热点内其他节点；

步骤4.3：如果请求的资源与所在热点兴趣相似度低于阈值或者请求节点在所在热点未找到资源，则从节点中保存的其他相似度高的热点中选择k个热点作为目的区域进行转发。

进一步优选，步骤5的实现包括如下：

步骤5.1：判断节点是否共享兴趣；

步骤5.2：若节点共享了兴趣，执行针对共享兴趣的节点资源搜索步骤4，否则在该热点内选择N个社会关系强的节点进行查询；

步骤5.3：若在当前热点未找到资源，则选择到朋友列表中关系强的节点此时间段内经常出入的热点作为目的热点区域，进行查询。

本发明的有益效果：

(1)资源发现成功率高

本发明提出的基于兴趣热点的移动社交网络资源发现方法，依靠节点兴趣进行本地聚类形成兴趣热点，根据节点对热点的访问轨迹计算节点之间的社会关系。在资源的搜索过程中，针对共享兴趣与未共享兴趣两类节点分别采用兴趣驱使与社会关系驱使两种搜索方法，使得资源搜索能够维持较高的成功率。

(2)平均时延较低

本发明在资源搜索的过程中优先搜索所处热点中的兴趣相似度高的节点，避免了远距离搜索，在需要跨热点进行远距离搜索时又能根据节点之间的热点访问轨迹选择合适的节点进行消息存储—携带—转发。因此可以有效降低消息的平均传输时延。

(3)通信开销较低

在移动社交网络中，消息以节点对消息的存储—携带—转发形式进行传输。因此，盲目的资源搜索与过多的远距离查询都会造成较高的通信开销。本发明提出的方法以节点兴趣和节点的社会关系作为资源发现的指导因素，优先搜索近距离热点资源，避免过多的远距离查询，并且引入热点的马尔科夫预测模型，对热点的变化进行有效预测，可以有效降低资源搜索过程中产生的通信开销。

附图说明

图1是兴趣热点迁移示意图；

图2是资源搜索过程示意图；

图3是共享兴趣节点的资源搜索步骤；

图4是未共享兴趣节点的资源搜索步骤。

具体实施方式

下面结合附图对本发明作进一步的说明。

图1给出了本发明提出的兴趣热点的迁移变化示意图。在部分基于位置偏好的资源搜索过程中，通过位置代表的兴趣点来驱使资源搜索。但是位置是一成不变的，而人的兴趣是变化的，人因兴趣而聚集在某地，使得该地区成为一个兴趣点，这个兴趣点也应该是变化的。兴趣热点(Interest Hotspot)是由节点因兴趣聚集在一起形成的簇，它区别于传统的基于位置的社交网络中提到的POI(Point of Interests)，POI是用户频繁访问的位置不变的区域，以如图1所示的校园环境为例，图书馆代表兴趣“阅读”，计算机学院代表兴趣“计算机”。而兴趣热点是一个不断变化的过程，如图1所示的校园环境中，早上10:00，大部分同学在教学楼上课(70％)，少部分在图书馆(20％)与宿舍(10％)，处在食堂区域的人此时大部分为餐饮工作人员，且数量较少。到12:00就餐时间，大部分学院学生会前往食堂就餐，食堂中的节点数目增加，此时食堂的兴趣将会变成由各个学院组成的综合的兴趣点(50％)。到了晚上，各个学院学生在宿舍休息，处在开机状态的移动设备会在宿舍形成一个综合的兴趣热点(100％)。而图书馆、食堂、教学楼将由少量的安保人员构成“安防”兴趣点，白天的兴趣点在此将不再适用。因此，兴趣热点的演变是一个节点数目、兴趣、位置随着时间不断变化的过程。

图2是资源发现过程，下面针对图2的内容对本发明提出的方法进行详细说明，本发明方法包括如下步骤：

步骤1：对节点兴趣进行有效表达，根据节点的兴趣聚类节点，形成兴趣热点。具体形成兴趣热点的实现方法：

节点i兴趣可表示为：

R_i＝{(k₁,w₁),(k₂,w₂),...,(k_n,w_n)} (1)

本文中的兴趣包括节点兴趣和热点兴趣，k表示关键词，w为该关键词对应的权值，n表示关键词的数量。

热点兴趣的表达方式同节点兴趣相同，热点i对应的热点兴趣可表示为：

其中，k表示关键词，w为该关键词对应的权值，n表示关键词的数量，对于关键词k_j的权值可表示为：

M为热点中节点共享的资源总数量，r为热点中总的节点数量，为关键词k_j在节点i中的权值，m_i表示节点i共享的与该关键词相关的资源数量。

步骤2：对兴趣热点进行有效表达，记录热点的迁移变化规律。具体如下：

在热点形成初期，管理节点(管理节点是一类存储转发能力强的稳定节点)向周围洪泛消息获得该区域的节点信息(包括各个节点的兴趣等信息)，然后利用公式(3)提取热点兴趣。并将提取的热点信息分发给该区域中的节点。

为了表达热点不断变化的特点，用公式(4)表示热点：

其中，表示热点的第n个状态，对应着该状态的兴趣R_hn，该状态的开始时间结束时间以及该热点所处的大致位置区域L_hn。

步骤3：利用节点对热点的访问轨迹计算节点之间的社会关系。具体实现方法如下：

人类因为兴趣的驱使总是会有规律的出入某些热点区域，为了定义用户的访问热点记录，利用以下公式定义节点i访问热点j：

其中，t_start，t_end分别表示访问开始时间、访问结束时间。

对于一个节点，其访问的热点区域是不断变化的，因此需要一个list去记录这样的访问，这样就可获得节点i对网络中的热点访问轨迹：

其中，h₁表示访问第一个热点，t_start表示访问时间，Δt₁表示访问热点h₁与热点h₂之间的间隔，Δt₂表示访问热点h₂与热点h₃之间的间隔，h_n表示第n个热点。

节点对某热点的访问不仅是指位置上的访问，也包括与该热点中的成员节点的通信。因为在通信可达的条件下，节点可以通过消息的多跳转发到某热点中，对该热点资源的频繁搜索反应了该节点对热点有较高的兴趣。

兴趣驱使节点运动，在现实生活中，拥有相似轨迹的节点在兴趣上也往往是相似的，他们成为朋友关系的可能性更大。感知人类移动行为与其社会关系，往往需要通过位置轨迹进一步提取兴趣和生活习惯的相似性，因此本文利用皮尔逊距离计算两个节点之间的相似度：

其中，h_i与hj分别表示节点i与节点j的热点访问记录h_m∈{h_i∩h_j}表示节点i与节点j访问的共同热点，与分别表示节点i与节点j在该共同热点上的驻留时间，表示节点i待在热点h_m的平均时间，表示节点j待在热点h_m的平均时间。

当两个节点的访问轨迹大于阈值，即时，两个节点成为朋友关系，并将对方的相关信息加入到自己的朋友列表中。

步骤4：根据节点的共享兴趣与构建的热点搜索资源。具体搜索过程如下：

步骤4.1：资源请求节点计算发出的请求向量与所在热点的兴趣相似度：

其中，q表示要发出的请求向量，h表示所在热点的兴趣向量，m表示q与h所包含的共同关键词数量，w_qi表示请求消息中第i个相同关键词对应的权值，w_hi表示热点兴趣向量中第i个相同关键词对应的权值。

步骤4.2：如果请求的资源与所在热点兴趣相似度大于阈值请求节点将请求消息洪泛发给热点内其他节点；

步骤4.3：如果请求节点在所在热点未找到资源或者请求的资源与所在热点兴趣相似度低于阈值则从节点中保存的其他相似度高的热点中选择k个热点作为目的区域进行转发；

图2中所示，是步骤4.3过程，请求节点将消息发送给N₁，N₁携带查询消息到达目的热点2。搜索流程如图3所述。

步骤5：针对网络中出于隐私等考虑，不愿提供兴趣的节点，依靠节点之间的社会关系进行资源搜索。具体搜索过程如下：

步骤5.1：判断节点是否共享兴趣

步骤5.2：若节点共享了兴趣，执行针对共享兴趣的节点资源搜索步骤4，否则在该热点内选择N个社会关系强的朋友节点进行查询。

步骤5.3：在当前热点未找到资源，则选择到朋友列表中关系强的节点此时间段内经常出入的热点作为目的热点区域，进行查询。

图2中所示，是步骤5.3过程，请求节点将消息发送给N₂，N₂携带查询消息到达目的热点3。搜索流程如图4所述。

步骤6：在上述资源搜索过程中还包括对热点的迁移变化构建马尔科夫预测。具体实现过程如下：

兴趣热点不仅与地理位置有关，也与热点兴趣有关，而且是一个不断变化的过程。因此，为了处理热点状态，需要将其离散化，通过比较前后两次计算的热点兴趣相似度/热点位置距离，当它们的兴趣相似度小于阈值或者距离大于阈值即兴趣相差较大或者距离较远时即可认为这两个时间的兴趣状态为两种状态。

然后，将热点状态抽象为马尔科夫，热点的状态转移具有马氏性，即热点从一个状态迁移到另一个状态的概率仅与当前状态有关，而与之前的转移概率无关。获得马尔科夫链：

P(X_n+1＝j|X_n＝i,X_n-1＝i_n-1,...,X₀＝i₀)＝P(X_n+1＝j|X_n＝i)＝p_ij (8)

其中，pi_j表示热点从状态i迁移到状态j的转移概率，X₀表示初始时刻的状态，X_n表示时间n时的状态，X_n+1表示时间n+1时的状态；X_n-1表示时间n-1的状态。即可获得状态转移矩阵：

P＝{p_ij} (9)

进一步，为了引入时间因素，需要定义两个矩阵：T和S，T＝{t_ij}表示状态的转移时间矩阵，即热点从状态i转移到状态j需要的时间。S＝{s_ij}表示热点维持状态i的时间不超过j个时间单位的概率。

定义状态的转移概率为：

L_ij(k)＝P(X_k＝j|X₀＝i) (11)

其中，L_ij(k)表示k个时间单位以后，状态从i转移到状态j的概率，X_k表示时刻k的状态，则

L_ij(k)＝p_ijS[i][k-t_ij] (12)

如果从状态i转移到状态j的中间过程中，状态转移到过其他状态r，则

其中，l表示中间状态数量。

那么可以获得状态最终的状态转移概率：

公式(14)可以反映出随着时间的变化，热点状态的转移情况。从而实现对兴趣热点的有效预测。

以上所述仅用于说明本发明的技术方案和具体实施例，并不用于限定本发明的保护范围，应当理解，在不违背本发明实质内容和原则的前提下，所作任何修改、改进或等同替换等都将落入本发明的保护范围内。

Claims (6)

1.一种基于兴趣热点的移动社交网络资源发现方法，其特征在于，包括如下步骤：

步骤1，对节点兴趣进行有效表达，根据节点的兴趣聚类节点，形成兴趣热点；

步骤2：对兴趣热点进行有效表达，记录兴趣热点的迁移变化规律；

步骤3，利用节点对兴趣热点的访问轨迹计算节点之间的社会关系；

步骤4，根据节点的共享兴趣与构建的兴趣热点搜索资源；

步骤5，针对未共享兴趣的节点，利用节点之间的社会关系进行资源搜索；

步骤3中的具体实现包括：

步骤3.1，定义一个list记录节点对兴趣热点位置的访问，获得节点i对网络中兴趣热点的访问轨迹：

其中，h₁表示访问第一个兴趣热点，t_start表示访问时间，Δt₁表示访问兴趣热点h₁与兴趣热点h₂之间的间隔，Δt₂表示访问兴趣热点h₂与兴趣热点h₃之间的间隔，h_n表示第n个兴趣热点；

步骤3.2，通过位置轨迹提取兴趣和生活习惯的相似性，具体是利用皮尔逊距离计算节点间的相似度：

其中，h_i与h_j分别表示节点i与节点j的兴趣热点访问记录，h_m∈{h_i∩h_j}表示节点i与节点j访问的共同兴趣热点，与分别表示节点i与节点j在该共同兴趣热点上的驻留时间，表示节点i待在兴趣热点h_m的平均时间，表示节点j待在兴趣热点h_m的平均时间；

步骤3.3，当相似度大于阈值时，即判定两个节点的社会关系为朋友关系。

2.根据权利要求1所述的一种基于兴趣热点的移动社交网络资源发现方法，其特征在于，还包括对兴趣热点的迁移变化构建马尔科夫预测的步骤，具体实现包括：

(1)将兴趣热点离散化，通过比较前后两次计算的兴趣热点兴趣相似度或者兴趣热点位置距离，当它们的兴趣相似度小于阈值或者距离大于阈值即兴趣相差较大或者距离较远时即可认为这两个时间的兴趣状态为两种状态i，j；

(2)将兴趣热点状态抽象为马尔科夫，构建马尔科夫链：

P(X_n+1＝j|X_n＝i,X_n-1＝i_n-1,...,X₀＝i₀)＝P(X_n+1＝j|X_n＝i)＝p_ij；其中，p_ij表示兴趣热点从状态i迁移到状态j的转移概率，X₀表示初始时刻的状态，X_n表示时间n时的状态，X_n+1表示时间n+1时的状态；

(3)引入时间因素，定义两个矩阵：T和S；其中T＝{t_ij}表示状态的转移时间矩阵，即兴趣热点从状态i转移到状态j需要的时间；S＝{s_ij}表示兴趣热点维持状态i的时间不超过j个时间单位的概率；得到k个时间单位以后，状态从i转移到状态j的概率L_ij(k)＝p_ijS[i][k-t_ij]；

(4)兴趣热点从状态i转移到状态j的过程中，转移到过其他状态r，则得到：

(5)由(3)和(4)得到最终的状态转移概率：

由此实现兴趣热点随时间变化的状态转移的有效预测。

3.根据权利要求1所述的一种基于兴趣热点的移动社交网络资源发现方法，其特征在于，步骤1中所述节点兴趣的有效表达为：

R_i＝{(k₁,w₁),(k₂,w₂),...,(k_n,w_n)}

其中，k表示关键词，w为该关键词对应的权值，n表示关键词的个数。

4.根据权利要求1所述的一种基于兴趣热点的移动社交网络资源发现方法，其特征在于，步骤2通过如下表达式实现：

其中，表示兴趣热点的第n个状态，R_hn为对应状态的兴趣，为对应状态的开始时间，为对应状态的结束时间，L_hn为兴趣热点所处的位置区域。

5.根据权利要求1所述的一种基于兴趣热点的移动社交网络资源发现方法，其特征在于，步骤4的实现包括如下：

步骤4.1，资源请求节点计算发出的请求向量与所在兴趣热点的兴趣相似度：

其中，q表示要发出的请求向量，h表示所在兴趣热点的兴趣向量，m表示q与h所包含的共同关键词数量，w_qi表示请求消息中第i个相同关键词对应的权值，w_hi表示兴趣热点兴趣向量中第i个相同关键词对应的权值；

步骤4.2：如果请求的资源与所在兴趣热点兴趣相似度大于阈值请求节点将请求消息洪泛发给兴趣热点内其他节点；

步骤4.3：如果请求的资源与所在兴趣热点兴趣相似度低于阈值或者请求节点在所在兴趣热点未找到资源，则从节点中保存的其他相似度高的兴趣热点中选择k个兴趣热点作为目的区域进行转发。

6.根据权利要求1所述的一种基于兴趣热点的移动社交网络资源发现方法，其特征在于，步骤5的实现包括如下：

步骤5.1：判断节点是否共享兴趣；

步骤5.2：若节点共享了兴趣，执行针对共享兴趣的节点资源搜索步骤4，否则在该兴趣热点内选择N个社会关系强的节点进行查询；

步骤5.3：若在当前兴趣热点未找到资源，则选择到朋友列表中关系强的节点此时间段内经常出入的兴趣热点作为目的兴趣热点区域，进行查询。