一种基于计算机大数据的临时社交网络确定系统
技术领域
本发明涉及网络社交技术领域,特别涉及一种基于计算机大数据的临时社交网络确定系统。
背景技术
随着社交网络的迅猛发展,社交网络中呈现形态各异的各种网络结构和网络关系。在线社交网络已逐渐成为连接各类网络信息和人类现实世界不可或缺的纽带。对社交网络的深度剖析能帮助人们更好的理解社交网络的构造机理、网络中用户的行为模式和网络结构的演化过程。
由于网络社交中,各种临时关系的存在,因而无法对用户关系的亲密程度进行指标量化。
发明内容
有鉴于此,本发明提出一种基于计算机大数据的临时社交网络确定系统。
一种基于计算机大数据的临时社交网络确定系统,其包括如下单元:
信息获取单元,用于基于各个用户的输入信息以及即时通信信息、社交网络信息获取用户的显性信息以及隐性信息,并将上述用户的显性信息以及隐性信息进行加密并发送给集建立单元、第一阵列建立单元、第二阵列建立单元;
集建立单元,用于接收并解密用户的显性信息以及隐性信息,并据此建立用户在社交网络中未来时间划分集、各个时间段分别对应于用户行为集、用户行为发生的空间位置集以及用户行为发生的诱因集;通过上述各个集中各个元素多对多的映射关系表示用户行为的概率性;
第一阵列建立单元,用于接收并解密用户的显性信息以及隐性信息,并据此对用户及其对应的用户角色或职业建立映射关系阵列,建立用户角色或职业转换关系阵列,建立用户角色或职业与用户属性间的从属关系阵列,通过第一阵列建立单元中上述三个关系阵列建立用户属性的概率阵列;
第二阵列建立单元,用于接收并解密用户的显性信息以及隐性信息,并据此建立不同用户集间的映射关系阵列,建立用户与位置映射关系阵列;将第二阵列建立单元中两个映射阵列相结合,计算不同用户活动轨迹的相互关系和他们各自的活动轨迹,从而划定用户活动区域;
推测单元,用于根据集建立单元中用户行为的概率性对用户行为进行概率预测;根据第一阵列建立单元中用户属性的概率阵列对用户的属性进行预测,并对用户的角色的迁移进行分析和预测,在用户角色发生迁移时对用户的职业进行推断;
临时社交任务分配单元,用于接收不同类型的临时社交网络构建需求,并根据集建立单元中用户行为的概率性,第一阵列建立单元中用户属性的概率性以及第二阵列建立单元中的不同用户集间的映射关系阵列、用户与位置映射关系阵列选择相应的用户构成临时社交网络,并且对各个用户的角色进行分配;
群体推荐单元,用于根据临时社交任务分配单元中建立的临时社交网络进行群体性推荐。
在本发明所述的基于计算机大数据的临时社交网络确定系统中,所述推测单元还包括,根据第一阵列建立单元中用户属性的概率阵列对用户进行相似用户的推荐。
在本发明所述的基于计算机大数据的临时社交网络确定系统中,集建立单元包括:建立用户集U所在的社交网络中未来时间划分集T={t1,t2,t3,...tn};
各个时间段分别对应于用户行为集E={et1,et2,et3,...,etn},其中et1表示t1时刻用户从事的事件,并依序类推;
分别定义用户行为发生的空间位置集L={lt1,lt2,lt3,...,ltn}和诱因集W={wt1,wt2,wt3,...,wtn},其中lt1和wt1分别表示t1时刻用户行为发生时的空间位置和导致用户行为发生的诱因;
用户行为的概率性表示如下:U→T→L→E→W,其中各个集中各元素依次为多对多的映射关系。
在本发明所述的基于计算机大数据的临时社交网络确定系统中,所述第二阵列建立单元包括:
对用户及其对应的用户角色或职业建立映射关系阵列MU→R,行标识序列{MU1,MU2,MU3,…,MUn}和列标识序列{MR1,MR2,MR3…,MRm}分别表示用户集和各用户对应的用户角色或职业集;行与列的交叉所对应的数值表示二者之间是否存在映射关系,映射关系阵列是一个n*m阶的布尔阵列,行列交叉数值为1表示二者存在映射关系,为0则表示无映射关系;
建立对用户角色或职业转换关系阵列RF→B,行标识序列{RF1,RF2,RF3…,RFn}和列标识序列{RB1,RB2,RB3…,RBn}分别表示转换前后的用户角色或职业;行与列的交叉所对应的数值用以表示用户角色或职业转换的概率;
阵列RF→B如下:
对于,表明用户角色或职业在转换前后均应保持其闭合性;在一个闭合空间内的用户角色或职业在转换前后,存在表明用户角色或职业保持不变时,转换关系概率恒定为0;
建立用户角色或职业与用户属性间的从属关系阵列MR→A,行标识序列{MR1,MR2,MR3…,MRn}和列标识序列{MA1,MA2,MA3…,MAn}分别对应用户角色或职业种类和用户属性类别,举证行与列的交叉所对应的数值用以表示用户角色或职业与用户属性间是否存在从属关系;
阵列MR→A如下:
从属关系阵列MR→A对应的是一个布尔阵列,表明用户角色或职业与用户属性间是否存在从属关系,若存在行列交叉概率为1,否则为0;
根据阵列MU→R、RF→B、MR→A对用户属性的概率性建立阵列运算关系:
Uproperty=MU→R×MR→A×RF→B
其中Uproperty表示用户属性的概率阵列。
在本发明所述的基于计算机大数据的临时社交网络确定系统中,第二阵列建立单元包括:
建立不同用户集间的映射关系阵列MU→U',其中,行标识序列{U1,U2,U3…,Un}和列标识序列{U’1,U’2,U’3…,U’n}分别表示用户集U与U’之间建立或破裂的用户关系;行与列的交叉所对应的数值用以表示不同的用户集之间是否建立了映射关系;
阵列MU→U'如下:
阵列MU→U'中,不同用户集之间的映射关系阵列对应的是一个布尔阵列,用于表示用户之间是否建立了社会关系或该关系已由于某种原因而导致破裂,若用户间建立关系则行列交叉概率为1,若用户间未建立关系则行列交叉概率为0,若用户间的关系由于某种原因而导致破裂则交叉概率为-1;
建立用户与位置映射关系阵列MU→L
阵列MU→L中用户活动所对应的每个位置都存在一定的概率,该概率的取值为一个介于0-1之间的数值,数值越大表明该用户在该位置的活动频度越大,从而说明该位置是用户活动的常用位置。
实施本发明提供的基于计算机大数据的临时社交网络确定系统与现有技术相比具有以下有益效果:通过建立各种集合的矩阵,能够将各种临时关系的存在,因而无法对用户关系的亲密程度进行指标量化;并且将上述用户的显性信息以及隐性信息进行加密并发送给集建立单元、第一阵列建立单元、第二阵列建立单元,能够大大提高信息在传输过程中的安全性;此外,通过群体推荐单元根据临时社交任务分配单元中建立的临时社交网络进行群体性推荐,有别于个性化推荐,能够有针对性的进行群体性推荐,提高了兴趣、爱好推荐的效率和覆盖面。
附图说明
图1是本发明实施例的基于计算机大数据的临时社交网络确定系统结构框图。
具体实施方式
如图1所示,针对现有技术的缺陷,本发明提出了一种基于计算机大数据的临时社交网络确定系统,其特征在于,其包括如下单元:
信息获取单元,用于基于各个用户的输入信息以及即时通信信息、社交网络信息获取用户的显性信息以及隐性信息,并将上述用户的显性信息以及隐性信息进行加密并发送给集建立单元、第一阵列建立单元、第二阵列建立单元。
集建立单元,用于接收并解密用户的显性信息以及隐性信息,并据此建立用户在社交网络中未来时间划分集、各个时间段分别对应于用户行为集、用户行为发生的空间位置集以及用户行为发生的诱因集;通过上述各个集中各个元素多对多的映射关系表示用户行为的概率性;
第一阵列建立单元,用于接收并解密用户的显性信息以及隐性信息,并据此对用户及其对应的用户角色或职业建立映射关系阵列,建立用户角色或职业转换关系阵列,建立用户角色或职业与用户属性间的从属关系阵列,通过第一阵列建立单元中上述三个关系阵列建立用户属性的概率阵列;
第二阵列建立单元,用于接收并解密用户的显性信息以及隐性信息,并据此建立不同用户集间的映射关系阵列,建立用户与位置映射关系阵列;将第二阵列建立单元中两个映射阵列相结合,计算不同用户活动轨迹的相互关系和他们各自的活动轨迹,从而划定用户活动区域;
推测单元,用于根据集建立单元中用户行为的概率性对用户行为进行概率预测;根据第一阵列建立单元中用户属性的概率阵列对用户的属性进行预测,并对用户的角色的迁移进行分析和预测,在用户角色发生迁移时对用户的职业进行推断;
临时社交任务分配单元,用于接收不同类型的临时社交网络构建需求,并根据集建立单元中用户行为的概率性,第一阵列建立单元中用户属性的概率性以及第二阵列建立单元中的不同用户集间的映射关系阵列、用户与位置映射关系阵列选择相应的用户构成临时社交网络,并且对各个用户的角色进行分配;
群体推荐单元,用于根据临时社交任务分配单元中建立的临时社交网络进行群体性推荐。
可选地,在本发明实施例所述的基于计算机大数据的临时社交网络确定系统中,所述推测单元还包括,根据第一阵列建立单元中用户属性的概率阵列对用户进行相似用户的推荐。
可选地,在本发明实施例所述的基于计算机大数据的临时社交网络确定系统中,集建立单元包括:建立用户集U所在的社交网络中未来时间划分集T={t1,t2,t3,...tn};
各个时间段分别对应于用户行为集E={et1,et2,et3,...,etn},其中et1表示t1时刻用户从事的事件,并依序类推;
分别定义用户行为发生的空间位置集L={lt1,lt2,lt3,...,ltn}和诱因集W={wt1,wt2,wt3,...,wtn},其中lt1和wt1分别表示t1时刻用户行为发生时的空间位置和导致用户行为发生的诱因;
用户行为的概率性表示如下:U→T→L→E→W,其中各个集中各元素依次为多对多的映射关系。
可选地,在本发明实施例所述的基于计算机大数据的临时社交网络确定系统中,所述第二阵列建立单元包括:
对用户及其对应的用户角色或职业建立映射关系阵列MU→R,行标识序列{MU1,MU2,MU3,…,MUn}和列标识序列{MR1,MR2,MR3…,MRm}分别表示用户集和各用户对应的用户角色或职业集;行与列的交叉所对应的数值表示二者之间是否存在映射关系,映射关系阵列是一个n*m阶的布尔阵列,行列交叉数值为1表示二者存在映射关系,为0则表示无映射关系;
建立对用户角色或职业转换关系阵列RF→B,行标识序列{RF1,RF2,RF3…,RFn}和列标识序列{RB1,RB2,RB3…,RBn}分别表示转换前后的用户角色或职业;行与列的交叉所对应的数值用以表示用户角色或职业转换的概率;
阵列RF→B如下:
对于,表明用户角色或职业在转换前后均应保持其闭合性;在一个闭合空间内的用户角色或职业在转换前后,存在表明用户角色或职业保持不变时,转换关系概率恒定为0;
建立用户角色或职业与用户属性间的从属关系阵列MR→A,行标识序列{MR1,MR2,MR3…,MRn}和列标识序列{MA1,MA2,MA3…,MAn}分别对应用户角色或职业种类和用户属性类别,举证行与列的交叉所对应的数值用以表示用户角色或职业与用户属性间是否存在从属关系;
阵列MR→A如下:
从属关系阵列MR→A对应的是一个布尔阵列,表明用户角色或职业与用户属性间是否存在从属关系,若存在行列交叉概率为1,否则为0;
根据阵列MU→R、RF→B、MR→A对用户属性的概率性建立阵列运算关系:
Uproperty=MU→R×MR→A×RF→B
其中Uproperty表示用户属性的概率阵列。
可归纳影响用户属性出现概率性变化的影响因素:时间、位置、用户社会关系、用户从事工作等。用户在不同时期的用户属性会发生转变,例如用户通常在6-22周岁完成学业,因此具备学生的各项属性,但22周岁后,用户会进入社会从事不同职业,扮演不同社会角色,因此具备不同社会角色的用户属性。用户在不同位置的用户属性会发生转变,例如用户在教室讲课,他具备教师的用户属性,但他在商场购买商品,他则具备消费者的用户属性。用户的社会关系对用户属性的转变产生影响,例如,教师-学生,提供者-消费者,医生-病人等各种社会关系之间均存在相互转化的可能性。因此,当社会关系发生变化时,用户属性随之转变。
可选地,在本发明实施例所述的基于计算机大数据的临时社交网络确定系统中,第二阵列建立单元包括:
建立不同用户集间的映射关系阵列MU→U',其中,行标识序列{U1,U2,U3…,Un}和列标识序列{U’1,U’2,U’3…,U’n}分别表示用户集U与U’之间建立或破裂的用户关系;行与列的交叉所对应的数值用以表示不同的用户集之间是否建立了映射关系;
阵列MU→U'如下:
阵列MU→U'中,不同用户集之间的映射关系阵列对应的是一个布尔阵列,用于表示用户之间是否建立了社会关系或该关系已由于某种原因而导致破裂,若用户间建立关系则行列交叉概率为1,若用户间未建立关系则行列交叉概率为0,若用户间的关系由于某种原因而导致破裂则交叉概率为-1;
建立用户与位置映射关系阵列MU→L
阵列MU→L中用户活动所对应的每个位置都存在一定的概率,该概率的取值为一个介于0-1之间的数值,数值越大表明该用户在该位置的活动频度越大,从而说明该位置是用户活动的常用位置。
用户关系的概率性,指的是不同用户间的关联不断发生变化的不确定性。用户关系的建立与转换,受到社会需求、用户主观意愿等各种诱因的驱动,同时也受到用户间相互作用的制约。诱因驱动在用户事件发生前,事先无法被预知,但它造成用户多次历史行为的重复,却为用户关系的概率性预测创造了契机。另外,用户间的相互作用、用户言论传播的影响力等因素均会对用户关系的概率性造成影响。例如,通过用户的自荐或用户间的互相推荐,通过传播媒介(报纸、互联网、广播等)对相关人物或事件的报道均可导致用户关系的建立或破裂。
可以理解的是,对于本领域的普通技术人员来说,可以根据本发明的技术构思做出其它各种相应的改变与变形,而所有这些改变与变形都应属于本发明权利要求的保护范围。