CN107093149A - 在线好友关系强度评估方法及系统 - Google Patents
在线好友关系强度评估方法及系统 Download PDFInfo
- Publication number
- CN107093149A CN107093149A CN201710233105.5A CN201710233105A CN107093149A CN 107093149 A CN107093149 A CN 107093149A CN 201710233105 A CN201710233105 A CN 201710233105A CN 107093149 A CN107093149 A CN 107093149A
- Authority
- CN
- China
- Prior art keywords
- attribute
- msub
- mtd
- mrow
- data
- 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 33
- 230000004927 fusion Effects 0.000 claims abstract description 77
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000004140 cleaning Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000005192 partition Methods 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000005245 sintering Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种在线好友关系强度评估方法及系统,其中方法包括:获取在线用户的原始数据,进而对原始数据依次进行清洗、属性提取以及属性等级划分,得到多用户的多源属性数据;进而按照预设的属性标签规则对多源属性数据进行融合,构建属性融合模型,并根据属性融合模型以及预设的信任分配系统,构建信任关系融合模型;最后根据信任关系融合模型,获取在线好友关系强度的值,对在线好友关系进行评估。本发明提供的在线好友关系强度评估方法及系统,基于属性标签特点的分类和好友关系强度的评估,能够方便快捷的衡量和预测好友间的关系。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种在线好友关系强度评估方法及系统。
背景技术
互联网的发展带动着移动社交网络的迅猛发展,社交网络是一种使得人们一定程度上脱离现实生活的社会网络,取而代之的是在线的交流、互动,因此传统的好友关系强度受到在线社会关系网络的极大挑战,这就在很大程度上模糊了虚拟和现实的界限。因此,当前急需一种在线社会关系好友强度的分析方法来衡量和预测好友间的关系。
发明内容
本发明提供了一种在线好友关系强度评估方法,包括以下步骤:
获取在线用户的原始数据;
对所述原始数据依次进行清洗、属性提取以及属性等级划分,得到多用户的多源属性数据;
按照预设的属性标签规则对所述多源属性数据进行融合,构建属性融合模型;
根据所述属性融合模型以及预设的信任分配系统,构建信任关系融合模型;
根据所述信任关系融合模型,获取在线好友关系强度的值,对所述在线好友关系进行评估。
作为一种可实施方式,本发明的在线好友关系强度评估方法,还包括以下步骤:
利用MySQL数据库,对获取的在线用户的原始数据进行存储。
作为一种可实施方式,所述对原始数据依次进行清洗、属性提取以及属性等级划分,得到多用户的多源属性数据,包括以下步骤:
利用数据库工具,对得到的在线用户的原始数据进行清洗,去除冗余和无效信息;
对清洗后的数据,按照各用户的不同特性进行属性提取;
采用随机森林的方法,选取众数指标,设定权重,划分个体属性等级,得到多用户的多源属性数据。
作为一种可实施方式,在所述按照预设的属性标签性规则对所述多源属性数据进行融合,构建属性融合模型之后,还包括以下步骤:
对所述多源属性数据进行离散化处理,形成新的属性指标;新的属性指标包括用户的关注度离散值、被关注度离散值、信誉度离散值、活跃度离散值以及相似度离散值。
作为一种可实施方式,所述根据属性融合模型以及预设的信任分配系统,构建信任关系融合模型,包括以下步骤:
根据得到的关注度离散值、信誉度离散值、相似度离散值、以及活跃度离散值四个维度的隶属度,进行基本信任分配,构建相似矩阵;
根据所述相似矩阵计算属性证据的可信度,将四个维度的离散值转化为四个维度的可信度;
通过对四个维度的可信度进行加权平均分配,融合多源属性证据,形成所述信任关系融合模型。
作为一种可实施方式,所述根据属性融合模型以及预设的信任分配系统,构建信任关系融合模型,包括以下步骤:
计算相似系数dij:
式中Ei、Ej表示某识别框架下的两个证据;dm和dn分别表示两个证据下的离散值(i≥1),j≤4且i≠j,n≥1,m≤3),Ai和Bj为焦元,m1和m2为基本信任分配函数;其中,相似系数dij表征证据i与j之间的相似度,由于相似度是标量,没有方向性,故dij=dji;
根据相似系数dij,计算系数相似矩阵S:
根据相似矩阵S,计算属性可信度Crd(mi):
其中,Sup(mi)表示各属性证据对Ei的支持度,其计算方式是相似矩阵S的每行相加;
根据属性可信度Crd(mi),计算属性证据的加权合成分配值mc(S):
其中,mc(S)表示4个属性证据对待评估信任关系为强的平均加权证据的基本分配值;
根据所述加权合成分配值mc(S),对所述多源属性分配和新属性的再分配进行融合,形成所述信任关系融合模型。
作为一种可实施方式,所述根据信任关系融合模型,获取在线好友关系强度的值,对所述在线好友关系进行评估,包括以下步骤:
根据所述信任关系融合模型,按如下公式获取在线好友关系强度的值:
其中,n1(S)为平均证据经过一次合成得到的待评估信任关系强度为强的信任值;A和B分别为两个属性集合,且属性的参数值介于区间(0,1)之间,属性的参数总和为1;
根据获得的在线好友关系强度的值,对所述在线好友关系的强度进行评估。
相应的,本发明还提供一种在线好友关系强度评估系统,包括数据获取模块、预处理模块、属性融合模块、信任关系融合模块以及评估模块;
所述数据获取模块,用于获取在线用户的原始数据;
所述预处理模块,用于对所述原始数据依次进行清洗、属性提取以及属性等级划分,得到多用户的多源属性数据;
所述属性融合模块,用于按照预设的属性标签规则对所述多源属性数据进行融合,构建属性融合模型;
所述信任关系融合模块,用于根据所述属性融合模型以及预设的信任分配系统,构建信任关系融合模型;
所述评估模块,用于根据所述信任关系融合模型,获取在线好友关系强度的值,对所述在线好友关系进行评估。
作为一种可实施方式,本发明的在线好友关系强度评估系统,还包括数据存储模块;
所述数据存储模块,用于利用MySQL数据库,对获取的在线用户的原始数据进行存储。
作为一种可实施方式,所述预处理模块包括清洗单元、提取单元以及划分单元;
所述清洗单元,用于利用数据库工具,对得到的在线用户的原始数据进行清洗,去除冗余和无效信息;
所述提取单元,用于对清洗后的数据,按照各用户的不同特性进行属性提取;
所述划分单元,用于采用随机森林的方法,选取众数指标,设定权重,划分个体属性等级,得到多用户的多源属性数据。
本发明的有益效果在于:
本发明提供的在线好友关系强度评估方法及系统,根据在线用户的特点,通过获取在线用户的原始数据,进而对原始数据依次进行清洗、属性提取以及属性等级划分,得到多用户的多源属性数据;进而按照预设的属性标签规则对多源属性数据进行融合,构建属性融合模型,并根据属性融合模型以及预设的信任分配系统,构建信任关系融合模型;最后根据信任关系融合模型,获取在线好友关系强度的值,对在线好友关系进行评估。其基于属性标签特点的分类和好友关系强度的评估,能够方便快捷的衡量和预测好友间的关系。
附图说明
图1为本发明实施例一提供的在线好友关系强度评估方法的流程示意图;
图2为本发明实施例二提供的在线好友关系强度评估系统的结构示意图。
具体实施方式
以下结合附图,对本发明上述的和另外的技术特征和优点进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的部分实施例,而不是全部实施例。
本发明根据在线用户的性格特点,进行了基于属性标签特点的分类和好友关系强度的评估,随着互联网社交网络的发展,人们的线下社交将会转移到线上,届时网络社交将成为主体,因而获取好友在线的社会关系强度意义重大。
当前的在线交流系统有QQ、微信以及微博等,接下来以具有庞大用户数量的微博为例,具体介绍一下本发明提供的用于考察微博好友间关系强度的评估方法。
请参阅图1,本发明实施例一提供的在线好友关系强度评估方法,包括以下步骤:
S100、获取在线用户的原始数据。
通过编写采集规则和爬虫算法,或者借助数据挖掘软件即可获取微博的内容和数据。在数据的获取过程,可以借助于网络矿工软件对微博数据集进行采集。
进一步地,在获取在线用户的原始数据之后,还可利用MySQL数据库,对获取的在线用户的原始数据进行存储。
S200、对原始数据依次进行清洗、属性提取以及属性等级划分,得到多用户的多源属性数据。
本发明使用基于数据挖掘和网络爬虫的技术获取大量的数据集,再对数据集清洗分类,分为训练集和测试集,以此获取合适的算法和评测方法。具体可通过以下步骤实现:
挖掘微博用户的主页特性:根据微博用户的个人属性和微博标签的功能属性,设定新的融合的数据库标签属性;
个体属性等级划分:依据数据库的标签属性,采用随机森林的方法,选取众数指标,设定权重,划分个体属性等级。
S300、按照预设的属性标签规则对多源属性数据进行融合,构建属性融合模型。
把多用户的多源属性数据导入数据库,即可形成该用户好友多源属性的混合数据库系统。在混合数据库中,将属性值按照同一标准,统一分配离散开各属性指标。对离散后的属性赋值,根据K-means聚类划分簇。划分后的新属性指标,根据统一的标签进行权重值的再分配。依赖分配的权重值,构建信任分配系统。此处的原始的多源属性经过离散再分配,其指标的权重值发生变化,为后面的融合做准备。
S400、根据属性融合模型以及预设的信任分配系统,构建信任关系融合模型。
S500、根据信任关系融合模型,获取在线好友关系强度的值,对在线好友关系进行评估。
在步骤S300之后,还可对多源属性数据进行离散化处理,形成新的属性指标;新的属性指标包括用户的关注度离散值、被关注度离散值、信誉度离散值、活跃度离散值以及相似度离散值。
通过获取用户的微博关注度离散值、信誉度离散值、相似度离散值、活跃度离散值四个维度的数据,根据四个维度的隶属度,进行基本信任分配,构建相似矩阵,计算属性证据的可信度,即可将四个维度的离散值转化为四个维度的可信度。对四个维度的可信度执行加权平均分配合成规则,形成多源属性证据的融合。根据融合模型,获取在线好友关系强度的值,对所述在线好友关系进行评估,划分出强关系、弱关系或者不确定关系。
实施例一根据在线用户的特点,通过获取在线用户的原始数据,进而对原始数据依次进行清洗、属性提取以及属性等级划分,得到多用户的多源属性数据;进而按照预设的属性标签规则对多源属性数据进行融合,构建属性融合模型,并根据属性融合模型以及预设的信任分配系统,构建信任关系融合模型;最后根据信任关系融合模型,获取在线好友关系强度的值,对在线好友关系进行评估。其基于属性标签特点的分类和好友关系强度的评估,能够方便快捷的衡量和预测好友间的关系。
具体地,步骤S200包括以下步骤:
S210、利用数据库工具,对得到的在线用户的原始数据进行清洗,去除冗余和无效信息,为后续的属性做统一化处理做准备。
S220、对清洗后的数据,按照各用户的不同特性进行属性提取。
S230、采用随机森林的方法,选取众数指标,设定权重,划分个体属性等级,得到多用户的多源属性数据。
具体地,步骤S400包括以下步骤:
S410、根据得到的关注度离散值、信誉度离散值、相似度离散值、以及活跃度离散值四个维度的隶属度,进行基本信任分配,构建相似矩阵。
作为一种可实施方式,步骤S410中相似矩阵的具体计算过程如下:
首先,计算相似系数dij:
式中Ei、Ej表示某识别框架下的两个证据;dm和dn分别表示两个证据下的离散值(i≥1),j≤4且i≠j,n≥1,m≤3),Ai和Bj为焦元,m1和m2为基本信任分配函数;
接下来,根据相似系数dij,计算系数相似矩阵S:
其中,相似系数dij表征证据i与j之间的相似度,由于相似度是标量,没有方向性,故dij=dji。
S420、根据相似矩阵计算属性证据的可信度,将四个维度的离散值转化为四个维度的可信度。
作为一种可实施方式,步骤S420中的可信度的具体计算过程如下:
根据相似矩阵S,计算属性可信度Crd(mi):
其中,Sup(mi)表示各属性证据对Ei的支持度,其计算方式是相似矩阵S的每行相加。
S430、通过对四个维度的可信度进行加权平均分配,融合多源属性证据,形成信任关系融合模型。
作为一种可实施方式,步骤S430中的属性证据的加权合成分配函数为mc(S),其具体计算函数为:
其中,mc(S)表示4个属性证据对待评估信任关系为强的平均加权证据的基本分配值;
根据所述加权合成分配值mc(S),对所述多源属性分配和新属性的再分配进行融合,形成所述信任关系融合模型。
具体地,步骤S500包括以下步骤:
S510、根据信任关系融合模型,获取在线好友关系强度的值。
联合属性的评估加权模型融合函数为:
其中,n1(S)为平均证据经过一次合成得到的待评估信任关系强度为强的信任值;A和B分别为两个属性集合,且属性的参数值介于区间(0,1)之间,属性的参数总和为1;
S520、根据获得的在线好友关系强度的值,对在线好友关系的强度进行评估。
基于同一发明构思,本发明实施例还提供了一种在线好友关系强度评估系统,该系统的原理与上述在线好友关系强度评估方法的原理相同,其具体实现可参照上述方法实施,重复之处,不再冗述。
参见图2,本发明实施例二提供的在线好友关系强度评估系统,包括数据获取模块100、预处理模块200、属性融合模块300、信任关系融合模块400以及评估模块500。
数据获取模块100用于获取在线用户的原始数据;预处理模块200用于对原始数据依次进行清洗、属性提取以及属性等级划分,得到多用户的多源属性数据;属性融合模块300用于按照预设的属性标签规则对多源属性数据进行融合,构建属性融合模型;信任关系融合模块400用于根据属性融合模型以及预设的信任分配系统,构建信任关系融合模型;评估模块500用于根据信任关系融合模型,获取在线好友关系强度的值,对在线好友关系进行评估。
进一步地,本发明提供的在线好友关系强度评估系统,还包括数据存储模块;
数据存储模块,用于利用MySQL数据库,对获取的在线用户的原始数据进行存储。
具体地,预处理模块200包括清洗单元、提取单元以及划分单元。清洗单元用于利用数据库工具,对得到的在线用户的原始数据进行清洗,去除冗余和无效信息;提取单元用于对清洗后的数据,按照各用户的不同特性进行属性提取;划分单元用于采用随机森林的方法,选取众数指标,设定权重,划分个体属性等级,得到多用户的多源属性数据。
进一步地,本发明提供的在线好友关系强度评估系统,还包括离散化模块;离散化模块用于对多源属性数据进行离散化处理,形成新的属性指标;新的属性指标包括用户的关注度离散值、被关注度离散值、信誉度离散值、活跃度离散值以及相似度离散值。
具体地,信任关系融合模块400包括相似矩阵构建单元、可信度计算单元以及融合单元。相似矩阵构建单元用于根据得到的关注度离散值、信誉度离散值、相似度离散值、以及活跃度离散值四个维度的隶属度,进行基本信任分配,构建相似矩阵;可信度计算单元用于根据相似矩阵计算属性证据的可信度,将四个维度的离散值转化为四个维度的可信度;融合单元用于通过对四个维度的可信度进行加权平均分配,融合多源属性证据,形成信任关系融合模型。
具体地,计算过程如下:
计算相似系数dij:
式中Ei、Ej表示某识别框架下的两个证据;dm和dn分别表示两个证据下的离散值(i≥1),j≤4且i≠j,n≥1,m≤3),Ai和Bj为焦元,m1和m2为基本信任分配函数;其中,相似系数dij表征证据i与j之间的相似度,由于相似度是标量,没有方向性,故dij=dji;
根据相似系数dij,计算系数相似矩阵S:
根据相似矩阵S,计算属性可信度Crd(mi):
其中,Sup(mi)表示各属性证据对Ei的支持度,其计算方式是相似矩阵S的每行相加;
根据属性可信度Crd(mi),计算属性证据的加权合成分配值mc(S):
其中,mc(S)表示4个属性证据对待评估信任关系为强的平均加权证据的基本分配值。
根据加权合成分配值mc(S),对多源属性分配和新属性的再分配进行融合,形成信任关系融合模型。
进一步地,评估模块500包括计算单元和评估单元。计算单元用于根据信任关系融合模型,按如下公式计算在线好友关系强度的值:
其中,n1(S)为平均证据经过一次合成得到的待评估信任关系强度为强的信任值;A和B分别为两个属性集合,且属性的参数值介于区间(0,1)之间,属性的参数总和为1。
评估单元用于根据获得的在线好友关系强度的值,对在线好友关系的强度进行评估。
以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种在线好友关系强度评估方法,其特征在于,包括以下步骤:
获取在线用户的原始数据;
对所述原始数据依次进行清洗、属性提取以及属性等级划分,得到多用户的多源属性数据;
按照预设的属性标签规则对所述多源属性数据进行融合,构建属性融合模型;
根据所述属性融合模型以及预设的信任分配系统,构建信任关系融合模型;
根据所述信任关系融合模型,获取在线好友关系强度的值,对所述在线好友关系进行评估。
2.根据权利要求1所述的在线好友关系强度评估方法,其特征在于,还包括以下步骤:
利用MySQL数据库,对获取的在线用户的原始数据进行存储。
3.根据权利要求1所述的在线好友关系强度评估方法,其特征在于,所述对原始数据依次进行清洗、属性提取以及属性等级划分,得到多用户的多源属性数据,包括以下步骤:
利用数据库工具,对得到的在线用户的原始数据进行清洗,去除冗余和无效信息;
对清洗后的数据,按照各用户的不同特性进行属性提取;
采用随机森林的方法,选取众数指标,设定权重,划分个体属性等级,得到多用户的多源属性数据。
4.根据权利要求1至3任一项所述的在线好友关系强度评估方法,其特征在于,在所述按照预设的属性标签性规则对所述多源属性数据进行融合,构建属性融合模型之后,还包括以下步骤:
对所述多源属性数据进行离散化处理,形成新的属性指标;新的属性指标包括用户的关注度离散值、被关注度离散值、信誉度离散值、活跃度离散值以及相似度离散值。
5.根据权利要求4所述的在线好友关系强度评估方法,其特征在于,所述根据属性融合模型以及预设的信任分配系统,构建信任关系融合模型,包括以下步骤:
根据得到的关注度离散值、信誉度离散值、相似度离散值、以及活跃度离散值四个维度的隶属度,进行基本信任分配,构建相似矩阵;
根据所述相似矩阵计算属性证据的可信度,将四个维度的离散值转化为四个维度的可信度;
通过对四个维度的可信度进行加权平均分配,融合多源属性证据,形成所述信任关系融合模型。
6.根据权利要求4所述的在线好友关系强度评估方法,其特征在于,所述根据属性融合模型以及预设的信任分配系统,构建信任关系融合模型,包括以下步骤:
计算相似系数dij:
式中Ei、Ej表示某识别框架下的两个证据;dm和dn分别表示两个证据下的离散值(i≥1),j≤4且i≠j,n≥1,m≤3),Ai和Bj为焦元,m1和m2为基本信任分配函数;其中,相似系数dij表征证据i与j之间的相似度,由于相似度是标量,没有方向性,故dij=dji;
根据相似系数dij,计算系数相似矩阵S:
<mrow>
<mi>S</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<msub>
<mi>d</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>d</mi>
<mn>13</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>d</mi>
<mn>14</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>d</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<msub>
<mi>d</mi>
<mn>23</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>d</mi>
<mn>24</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>d</mi>
<mn>31</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>d</mi>
<mn>32</mn>
</msub>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<msub>
<mi>d</mi>
<mn>34</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>d</mi>
<mn>41</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>d</mi>
<mn>42</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>d</mi>
<mn>43</mn>
</msub>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
根据相似矩阵S,计算属性可信度Crd(mi):
<mrow>
<mi>C</mi>
<mi>r</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>S</mi>
<mi>u</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>4</mn>
</munderover>
<mi>S</mi>
<mi>u</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>,</mo>
<mn>4</mn>
</mrow>
其中,Sup(mi)表示各属性证据对Ei的支持度,其计算方式是相似矩阵S的每行相加;
根据属性可信度Crd(mi),计算属性证据的加权合成分配值mc(S):
<mrow>
<msub>
<mi>m</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>4</mn>
</munderover>
<mi>C</mi>
<mi>r</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>m</mi>
<mrow>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>d</mi>
<mi>n</mi>
</msub>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<msub>
<mi>m</mi>
<mrow>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>d</mi>
<mi>n</mi>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>S</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,mc(S)表示4个属性证据对待评估信任关系为强的平均加权证据的基本分配值;
根据所述加权合成分配值mc(S),对所述多源属性分配和新属性的再分配进行融合,形成所述信任关系融合模型。
7.根据权利要求4所述的在线好友关系强度评估方法,其特征在于,所述根据信任关系融合模型,获取在线好友关系强度的值,对所述在线好友关系进行评估,包括以下步骤:
根据所述信任关系融合模型,按如下公式获取在线好友关系强度的值:
其中,n1(S)为平均证据经过一次合成得到的待评估信任关系强度为强的信任值;A和B分别为两个属性集合,且属性的参数值介于区间(0,1)之间,属性的参数总和为1;
根据获得的在线好友关系强度的值,对所述在线好友关系的强度进行评估。
8.一种在线好友关系强度评估系统,其特征在于,包括数据获取模块、预处理模块、属性融合模块、信任关系融合模块以及评估模块;
所述数据获取模块,用于获取在线用户的原始数据;
所述预处理模块,用于对所述原始数据依次进行清洗、属性提取以及属性等级划分,得到多用户的多源属性数据;
所述属性融合模块,用于按照预设的属性标签规则对所述多源属性数据进行融合,构建属性融合模型;
所述信任关系融合模块,用于根据所述属性融合模型以及预设的信任分配系统,构建信任关系融合模型;
所述评估模块,用于根据所述信任关系融合模型,获取在线好友关系强度的值,对所述在线好友关系进行评估。
9.根据权利要求8所述的在线好友关系强度评估系统,其特征在于,还包括数据存储模块;
所述数据存储模块,用于利用MySQL数据库,对获取的在线用户的原始数据进行存储。
10.根据权利要求8所述的在线好友关系强度评估系统,其特征在于,所述预处理模块包括清洗单元、提取单元以及划分单元;
所述清洗单元,用于利用数据库工具,对得到的在线用户的原始数据进行清洗,去除冗余和无效信息;
所述提取单元,用于对清洗后的数据,按照各用户的不同特性进行属性提取;
所述划分单元,用于采用随机森林的方法,选取众数指标,设定权重,划分个体属性等级,得到多用户的多源属性数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710233105.5A CN107093149A (zh) | 2017-04-11 | 2017-04-11 | 在线好友关系强度评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710233105.5A CN107093149A (zh) | 2017-04-11 | 2017-04-11 | 在线好友关系强度评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107093149A true CN107093149A (zh) | 2017-08-25 |
Family
ID=59636910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710233105.5A Pending CN107093149A (zh) | 2017-04-11 | 2017-04-11 | 在线好友关系强度评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107093149A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109062984A (zh) * | 2018-06-29 | 2018-12-21 | 深圳市彬讯科技有限公司 | 一种基于标签的数据分析方法及分析系统 |
CN110895604A (zh) * | 2018-09-12 | 2020-03-20 | 国际关系学院 | 一种虚拟身份信息的关联融合方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103795613A (zh) * | 2014-01-16 | 2014-05-14 | 西北工业大学 | 一种在线社交网络中朋友关系预测的方法 |
CN106126607A (zh) * | 2016-06-21 | 2016-11-16 | 重庆邮电大学 | 一种面向社交网络的用户关系分析方法 |
-
2017
- 2017-04-11 CN CN201710233105.5A patent/CN107093149A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103795613A (zh) * | 2014-01-16 | 2014-05-14 | 西北工业大学 | 一种在线社交网络中朋友关系预测的方法 |
CN106126607A (zh) * | 2016-06-21 | 2016-11-16 | 重庆邮电大学 | 一种面向社交网络的用户关系分析方法 |
Non-Patent Citations (1)
Title |
---|
赵秋月 等: "《一种基于改进D-S证据理论的信任关系强度评估方法研究》", 《计算机学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109062984A (zh) * | 2018-06-29 | 2018-12-21 | 深圳市彬讯科技有限公司 | 一种基于标签的数据分析方法及分析系统 |
CN110895604A (zh) * | 2018-09-12 | 2020-03-20 | 国际关系学院 | 一种虚拟身份信息的关联融合方法 |
CN110895604B (zh) * | 2018-09-12 | 2022-03-11 | 国际关系学院 | 一种虚拟身份信息的关联融合方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105589948B (zh) | 一种文献引用网络可视化及文献推荐方法及系统 | |
CN103678672B (zh) | 一种信息推荐方法 | |
CN108363821A (zh) | 一种信息推送方法、装置、终端设备及存储介质 | |
CN110413707A (zh) | 互联网中欺诈团伙关系的挖掘与排查方法及其系统 | |
CN112148987B (zh) | 基于目标对象活跃度的消息推送方法及相关设备 | |
CN110462604A (zh) | 基于设备使用关联互联网设备的数据处理系统和方法 | |
CN104182517B (zh) | 数据处理的方法及装置 | |
CN107818344A (zh) | 用户行为进行分类和预测的方法和系统 | |
CN108171280A (zh) | 一种分类器构建方法及预测分类的方法 | |
CN109711925A (zh) | 具有多个辅助域的跨域推荐数据处理方法、跨域推荐系统 | |
CN110110225B (zh) | 基于用户行为数据分析的在线教育推荐模型及构建方法 | |
CN106548124A (zh) | 主题推定系统、主题推定方法 | |
CN105339936A (zh) | 文本匹配装置以及方法、和文本分类装置以及方法 | |
CN107704512A (zh) | 基于社交数据的金融产品推荐方法、电子装置及介质 | |
CN103218356A (zh) | 一种面向开放平台的提问质量判定方法和系统 | |
CN103970866B (zh) | 基于微博文本的微博用户兴趣发现方法及系统 | |
CN106844407A (zh) | 基于数据集相关性的标签网络产生方法和系统 | |
CN107818491A (zh) | 电子装置、基于用户上网数据的产品推荐方法及存储介质 | |
CN106951471A (zh) | 一种基于svm的标签发展趋势预测模型的构建方法 | |
CN111191099B (zh) | 一种基于社交媒体的用户活动类型识别方法 | |
CN107194672B (zh) | 一种融合学术专长与社会网络的评审分配方法 | |
CN103365842B (zh) | 一种页面浏览推荐方法及装置 | |
CN107481054A (zh) | 酒店优惠信息的推送及装置、电子设备、存储介质 | |
CN110197404A (zh) | 可降低流行度偏差的个性化长尾商品推荐方法和系统 | |
CN106202377A (zh) | 一种基于随机梯度下降的在线协同排序方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170825 |
|
RJ01 | Rejection of invention patent application after publication |