CN106780055B - 基于msvl社交网络用户关系强度的概率大小验证方法 - Google Patents

Abstract

本发明公开了一种基于MSVL社交网络用户关系强度的概率大小验证方法，包括：利用隐马尔可夫模型对社交网络中的用户关系强度和用户的交互行为进行建模，其中将用户关系强度作为隐状态，将用户之间的交互行为作为观测序列；在已知一个观测序列的基础上，利用时序逻辑语言MSVL对隐马尔可夫模型进行实现，得出最有可能产生这种观测序列的用户关系强度变化序列；采用命题投影时序逻辑PPTL公式描述用户关系强度状态的可能性大小，在MSV平台中进行建模和验证，验证用户关系强度概率大小是否符合期望值。本发明建模和验证可以在同一框架下进行；不需要调用另外的工具，简单方便，而且MSV平台可以给出详细的验证结果。

Description

基于MSVL社交网络用户关系强度的概率大小验证方法

技术领域

本发明属于系统形式化建模技术领域，尤其涉及一种基于MSVL社交网络用户关系强度的概率大小验证方法。

背景技术

随着互联网的普及，特别是移动互联网技术的深入发展，人们越来越依赖通过互联网获得信息，社会化媒体与人们的生活已息息相关。近年来，社交网络作为一种新颖的、便捷的交友模式已成为最受网民欢迎的社会化媒体的形式。随着社交网络技术的不断成熟，社交网络受到了越来越多的人的喜爱，社交网络中的用户和信息呈现出了爆炸式的增长，用户无法对周边的信息实施有效的过滤，从而导致了隐私泄露问题和信息过载问题。而对用户之间的关系强度进行分类是一个有效地解决这个问题的方法。目前为止，国内外学者对社交网络中用户关系强度做了很多的研究。Rongjing Xiang等提出一种潜在变量模型，将用户之间的关系强度视为引起交互行为的潜在变量，利用概率生成模型与判别式模型得出交互行为与用户关系强度之间的数学关系，并在Facebook与LinkedIn数据集进行算法评估，得到值连续的用户关系强度。Kahanda和Neville基于Facebook上普渡大学社区的数据，利用机器学习方法研究用户与好友之间社交关系强度是如何收到用户与其好友间交互事件影响的。研究发现用户与好友之间的交互事件在预测用户社交关系强度时非常有效。Gilbert等提出了基于社交媒体数据采用回归模型预测用户连接强度，将用户的关系强度分为强连接和弱连接，并且利用超过2000个用户的社交关系连接数据集很好地预测出用户之间的连接强度。这些都说明了社交网络中用户的交互行为和用户的关系强度存在着密切的联系。

发明内容

结合现有技术的优点和不足，本发明旨在提供一种基于MSVL社交网络用户关系强度的概率大小验证方法，用MSVL对社交网络中用户行为和用户关系强度进行建模，用PPTL公式描述用户关系强度状态的可能性大小，在MSV平台中进行建模和验证，验证用户关系强度概率大小是否符合期望值。

为了实现上述目的，本发明采用如下技术方案：

本发明提供的基于MSVL社交网络用户关系强度的概率大小验证方法包括以下步骤：

步骤一，利用隐马尔可夫模型对社交网络中的用户关系强度和用户的交互行为进行建模，其中将用户关系强度作为隐状态，将用户之间的交互行为作为观测序列；

步骤二，在已知一个观测序列的基础上，利用时序逻辑语言MSVL对隐马尔可夫模型进行实现，得出最有可能产生这种观测序列的用户关系强度变化序列；

步骤三，采用命题投影时序逻辑PPTL公式描述用户关系强度状态的可能性大小，在MSV平台中进行建模和验证，验证用户关系强度概率大小是否符合期望值。

进一步，将用户的关系强度和阶段性的用户交互行为看作离散值，将用户关系强度分为强社交关系S和弱社交关系W两类，将用户的交互行为分为4个等级，分别为频繁交互G0、经常交互G1、偶尔交互G2、从不交互G3。

进一步，用MSVL对隐马尔可夫模型进行实现时，即在MSVL程序中，用户的关系强度分别用0、1表示分别对应S和W，用户的交互行为分别用0、1、2、3表示分别对应4种等级，用数组start_p表示初始状态概率分布，用二维数组trans_p表示隐状态即用户之间的关系强度迁移概率分布，用二维数组emit_p表示在给定状态下，观测值概率分布。

进一步，在已知一个观测序列的基础上，利用时序逻辑语言对隐马尔可夫模型进行实现，先计算出所有的可能性，并将概率存储在result二维数组中，然后找出概率最大的一条路径，即找出最有可能产生这种观测序列的用户关系强度变化序列。

进一步，采用命题投影时序逻辑公式描述用户关系强度状态的可能性大小，在MSV平台中进行建模和验证，验证所述的用户关系强度概率大小是否符合期望值，其中result[x，0]就代表第x+1时刻用户的关系强度为强社交关系的概率，result[x，1]就代表第x+1时刻用户的关系强度为弱社交关系的概率。

进一步，用MSVL程序p来为待验证的社交网络系统模型，并使用PPTL公式φ来描述所需要的性质，为了判断系统是否满足这一性质，需要证明公式p→φ的有效性；如果p→φ有效，则系统满足性质，否则系统就违背性质；也就是说，可以通过判断

的可满足性来判定性质是否满足，如果

是不可满足的，那么p→φ就是有效的，即系统就满足了性质，否则系统就没满足性质。

本发明提供的基于MSVL社交网络用户关系强度的概率大小验证方法，用MSVL对社交网络的用户行为和用户关系强度进行建模，用PPTL描述用户关系强度概率的性质。MSVL是PTL的可执行子集，PPTL是PTL的命题子集，两者都属于PTL框架，因此建模和验证可以在同一框架下进行，相比于其他方法，本发明不需要调用另外的工具，也不需要再定义其他的逻辑语言，简单方便，而且MSV平台可以给出详细的验证结果。

附图说明

图1是本发明实施例提供的基于MSVL社交网络用户关系强度的概率大小验证方法流程图。

图2是本发明实施例提供的实施例1的实施流程示意图。

图3是本发明实施例提供的MSV平台执行流程示意图。

图4是本发明实施例提供的验证性质验证不满足时返回模型示意图。

图5是本发明实施例提供的验证性质验证满足时返回模型示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明利用隐马尔可夫模型对用户关系强度和行为进行建模，然后用MSVL对隐马尔可夫模型进行实现，最后用PPTL公式描述用户关系强度的概率大小，在MSV平台中建模和验证，验证所述的用户关系强度概率大小是否符合期望值。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的基于MSVL社交网络用户关系强度的概率大小验证方法包括以下步骤：

S101：利用隐马尔可夫模型对社交网络中的用户关系强度和用户的交互行为进行建模，其中将用户关系强度作为隐状态，将用户之间的交互行为作为观测序列；

S102：在已知一个观测序列的基础上，利用时序逻辑语言(MSVL)对隐马尔可夫模型进行实现，得出最有可能产生这种观测序列的用户关系强度变化序列；

S103：采用命题投影时序逻辑(PPTL)公式描述用户关系强度状态的可能性大小，在MSV平台中进行建模和验证，验证所述的用户关系强度概率大小是否符合期望值。

步骤S101中，利用隐马尔可夫模型对社交网络中的用户关系强度和交互行为进行建模时，将用户的关系强度和阶段性的用户交互行为看作离散值，将用户关系强度分为强社交关系S和弱社交关系W两类，将用户的交互行为分为4个等级，分别为频繁交互G0、经常交互G1、偶尔交互G2、从不交互G3。

步骤S102中，用MSVL对隐马尔可夫模型进行实现时，即在MSVL程序中，用户的关系强度分别用0、1表示分别对应S和W，用户的交互行为分别用0、1、2、3表示分别对应4种等级，用数组start_p表示初始状态概率分布，用二维数组trans_p表示隐状态即用户之间的关系强度迁移概率分布，用二维数组emit_p表示在给定状态下，观测值概率分布。

步骤S102中，在已知一个观测序列的基础上，利用时序逻辑语言(MSVL)对隐马尔可夫模型进行实现，先计算出所有的可能性，并将概率存储在result二维数组中，然后找出概率最大的一条路径，即找出最有可能产生这种观测序列的用户关系强度变化序列。

步骤S103中，采用命题投影时序逻辑(PPTL)公式描述用户关系强度状态的可能性大小，在MSV平台中进行建模和验证，验证所述的用户关系强度概率大小是否符合期望值，其中result[x，0]就代表第x+1时刻用户的关系强度为强社交关系的概率，以此类推，result[x，1]就代表第x+1时刻用户的关系强度为弱社交关系的概率。

下面结合具体实施例对本发明的应用原理作进一步的描述。

本发明的原理为，使用隐马尔可夫模型对社交网络的用户关系强度和用户行为进行建模，在已知一个观测序列的基础上，然后用MSVL对模型进行实现，并用PPTL公式对性质进行验证。

隐马尔可夫模型，英文是Hidden Markov Models。既是马尔可夫模型，就一定存在马尔可夫链，该马尔可夫链服从马尔可夫性质：即无记忆性。也就是说，这一时刻的状态，受且只受前一时刻的影响，而不受更往前时刻的状态的影响。

隐马尔可夫模型基本要素为：

S：模型中的状态集合，其中N为模型中的状态数。

V：观察序列集合，其中M为观察序列的种类数。

π：状态的初始概率分布{π₁，π₂，...，π_N}

A：，状态迁移概率矩阵。其中，表示在t时刻状态为在t+1时刻状态为的概率。

B：给定状态，观测值概率分配矩阵。其中，表示t时刻在状态下，观察状态为的概率。

隐马尔可夫模型解决的经典问题是解码问题，即给定一个观察序列，其中T表示观察序列的长度，是集合V中的元素。求最有可能产生观测序列的状态序列是什么。

MSVL的基本数据结构有：

(1)整形：int

(2)浮点型：float

(3)字符型：char

(4)字符串型：string

(5)基本数据类型指针：int*/char*/float*/string*

(6)结构体：struct

(7)结构体指针:struct*。

MSVL程序涉及的主要语句：

(1)空语句：empty；

(2)基本赋值语句：x＜＝＝e，

skip∧Ox＜＝＝e；

(3)next语句：Ox；

(4)always语句：□x；

(5)投影语句：(s₁,...,s_m)prjs；

(6)顺序语句：

(7)并行语句：

(8)条件语句：

(9)while语句：

(10)状态框架语句：

(11)区间框架语句：

(12)Await语句：

其中，x₁,...,x_h是出现在b中的变量；

用MSVL程序p来为待验证的社交网络系统模型，并使用PPTL公式φ来描述所需要的性质，为了判断系统是否满足这一性质，需要证明公式p→φ的有效性。如果p→φ有效，则系统满足性质，否则系统就违背性质。也就是说，可以通过判断

的可满足性来判定性质是否满足，如果

是不可满足的，那么p→φ就是有效的，即系统就满足了性质，否则系统就没满足性质。

在MSV平台中对给出的性质进行验证时，若不满足，则给出一条违背系统性质的反例路径，如图4；若满足，则给出图5。

如图3所示，所述基于MSVL的社交网络用户关系强度的方法包括如下步骤：

第一步，用隐马尔可夫模型对社交网络中的用户关系强度和用户行为进行建模，其中将用户关系强度作为隐状态，将用户之间的交互行为作为观测序列。具体为：将用户关系强度分为S、W，将用户的交互行为分为4个等级，分别为G0(频繁交互)、G1(经常交互)、G2(偶尔交互)、G3(从不交互)。建立的模型如下：

S:(S，W)

O:(G0，G1，G2，G3)

A:

	S	W
			S	0.7	0.3
W	0.3	0.7

B:

第二步，在已知一个观测序列的基础上，利用时序逻辑语言(MSVL)对隐马尔可夫模型进行实现，得出最有可能产生这种观测序列的用户关系强度变化序列。这是隐马尔可夫模型中的解码问题，通用解法为Viterbi算法。

在用MSVL对隐马尔可夫模型进行实现时，用户的关系强度分别用0、1表示分别对应S、W，用户的交互行为分别用0、1、2、3表示分别对应4种等级，用数组start_p(模型中的)表示初始状态概率分布，用二维数组trans_p(模型中的A)表示隐状态即用户之间的关系强度迁移概率分布，用二维数组emit_p(模型中的B)表示在给定状态下，观测值概率分布。

框架时序逻辑程序设计语言MSVL是PTL的一个可执行子集，对比Tempura，它增加了投影操作符，框架操作符，等待操作符，过去时序操作符和无穷模型，并且包含了非确定的选择语句。从语法上讲，一个MSVL程序可以分为两部分：性质描述部分和系统描述部分。

Viterbi算法通用描述如下：

初始化：

δ_t(i)＝π_ib_i(O₁)，1≤i≤N

φ_i＝0，1≤i≤N

递归：

δ_t(j)＝max_1≤i≤N[δ_t-1(i)a_ij]b_j(O_i)，2≤t≤T，l≤j≤N

φ_t(j)＝argmax_1≤i≤N[δ_t-1(i)a_ij]，2≤t≤T，l≤j≤N

终结：

P*＝max_1≤i≤N[δ_T(i)]

回溯：

一般语言描述如下：

MSVL具体实现如下

第三步，采用命题投影时序逻辑(PPTL)公式描述用户关系强度状态的概率大小，在MSV平台中进行建模和验证，验证所述的用户关系强度概率大小是否符合期望值。

在用PPTL对用户关系强度的概率大小进行验证的时，先定义原子命题p，再定义性质fin p，最后在MSV平台中验证性质fin p是否满足。

在用PPTL对用户关系强度的概率大小进行验证的时，result[x，0]代表在第x+1时刻，用户之间的关系强度为强社交关系的概率大小，result[x，1]代表在第x+1时刻，用户之间的关系强度为弱社交关系的概率大小。

在用PPTL对用户关系强度的概率大小进行验证的时，fin p的定义是□(empty→p)，它表示如果当前状态是最后一个状态时，则p成立。

在本实例中，选取以下典型的性质进行描述和验证：

(1)验证第2时刻用户之间的关系强度为强社交关系的概率大于0.5：

PPTL公式验证：

define p:result[1，0]>0.5；

需要验证fin p是否成立。

验证性质结果：不满足，所述MSV平台给出一条违背系统性质的反例路径，如图4所示。

(2)验证第2时刻用户之间的关系强度为强社交关系的概率小于0.5：

PPTL公式验证：

define p:result[1，0]<0.5；

需要验证fin p是否成立。

验证性质结果：满足，所述MSV平台返回结果如图5所示。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于MSVL社交网络用户关系强度的概率大小验证方法，其特征在于，所述基于MSVL社交网络用户关系强度的概率大小验证方法包括以下步骤：

步骤一，利用隐马尔可夫模型对社交网络中的用户关系强度和用户的交互行为进行建模，其中将用户关系强度作为隐状态，将用户之间的交互行为作为观测序列；

步骤二，在已知一个观测序列的基础上，利用时序逻辑语言MSVL对隐马尔可夫模型进行实现，得出最有可能产生这种观测序列的用户关系强度变化序列；

步骤三，采用命题投影时序逻辑PPTL公式描述用户关系强度状态的可能性大小，在MSV平台中进行建模和验证，验证用户关系强度概率大小是否符合期望值。

2.如权利要求1所述的基于MSVL社交网络用户关系强度的概率大小验证方法，其特征在于，将用户的关系强度和阶段性的用户交互行为看作离散值，将用户关系强度分为强社交关系S和弱社交关系W两类，将用户的交互行为分为4个等级，分别为频繁交互G0、经常交互G1、偶尔交互G2、从不交互G3。

3.如权利要求1所述的基于MSVL社交网络用户关系强度的概率大小验证方法，其特征在于，用MSVL对隐马尔可夫模型进行实现时，即在MSVL程序中，用户的关系强度用0表示对应强社交关系S，用户的关系强度用1表示对应弱社交关系W，用户的交互行为分别用G0、G1、G2、G3表示分别对应4种等级，用数组start_p表示初始状态概率分布，用二维数组trans_p表示隐状态即用户之间的关系强度迁移概率分布，用二维数组emit_p表示在给定状态下观测值概率分布。

4.如权利要求1所述的基于MSVL社交网络用户关系强度的概率大小验证方法，其特征在于，在已知一个观测序列的基础上，利用时序逻辑语言对隐马尔可夫模型进行实现，先计算出所有的可能性，并将概率存储在result二维数组中，然后找出概率最大的一条路径，即找出最有可能产生这种观测序列的用户关系强度变化序列。

5.如权利要求1所述的基于MSVL社交网络用户关系强度的概率大小验证方法，其特征在于，采用命题投影时序逻辑公式描述用户关系强度状态的可能性大小，在MSV平台中进行建模和验证，验证所述的用户关系强度概率大小是否符合期望值，其中result[x，0]就代表第x+1时刻用户的关系强度为强社交关系的概率，result[x，1]就代表第x+1时刻用户的关系强度为弱社交关系的概率。

6.如权利要求1所述的基于MSVL社交网络用户关系强度的概率大小验证方法，其特征在于，MSVL程序p为待验证的社交网络系统模型，并使用PPTL公式φ来描述所需要的性质，为了判断系统是否满足这一性质，需要证明公式p→φ的有效性；如果p→φ有效，则系统满足性质，否则系统就违背性质；也就是说，可以通过判断

的可满足性来判定性质是否满足，如果

是不可满足的，那么p→φ就是有效的，即系统就满足了性质，否则系统就没满足性质。

Images