CN107423406A - 一种校园学生关系网络的构建方法 - Google Patents
一种校园学生关系网络的构建方法 Download PDFInfo
- Publication number
- CN107423406A CN107423406A CN201710625827.5A CN201710625827A CN107423406A CN 107423406 A CN107423406 A CN 107423406A CN 201710625827 A CN201710625827 A CN 201710625827A CN 107423406 A CN107423406 A CN 107423406A
- Authority
- CN
- China
- Prior art keywords
- student
- occurrence frequency
- mrow
- campus
- random
- 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.)
- Granted
Links
- 238000010276 construction Methods 0.000 title claims abstract description 14
- 230000003542 behavioural effect Effects 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000010835 comparative analysis Methods 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 14
- 238000007726 management method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- 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
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Technology (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种校园学生关系网络的构建方法，包括步骤：采集学生校园行为数据，构建每个学生对每个地点的访问时间序列，计算出每两个学生在特定地点的共现频率；通过多次混洗每个学生对每个地点的访问时间序列，构建为空模型，以计算随机情形下每两个学生的共现频率；通过与空模型的对比分析，确定他们在每个地点真实的共现频率，从而为每个地点生成学生之间的关系网络；通过线性加权方法，聚合所有地点上的共现关系网络。本发明考虑了从每个地点的访问时间序列计算学生的共现频率，通过空模型的方法过滤学生随机共现情形，以提取学生之间的关系网络这一有价值的数据，为学生管理工作者加强学生管理并了解学生性格及社会经济状态提供重要作用。
Description
技术领域
本发明涉及网络数据挖掘技术，尤其涉及一种校园学生关系网络的构建方法。
背景技术
高等教育管理以学生为中心，旨在培养他们成为每一个生活中的共现者和领导者。高等教育管理的一个重要因素是学习成绩预测，为教育工作者提供参考。例如，如果教育工作者提前了解学生的学业成绩，就可以及时干预学生的指导，从而极大可能阻止课业失败。这对于教育管理很重要，因为课业失败在很大程度上影响到学生的毕业，求职和未来的发展。有一些方法可以根据来自不同来源的信息来预测学生的学业成绩，例如考生的自我报告，智能手机传感器上的行为数据等。然而，很少有研究考虑社交影响力对预测学业成绩的影响，而这些研究可用于为教育者制定有效的干预策略提供指导。最重要的挑战在于学生收集校园社会关系的困难。如今，许多高等院校建立了各种先进的信息管理和监控系统，以提高学生生活的有效性和便利性。当学生在网络空间内持续互动时，他们在校园内外的活动将被积累和收集。这些行为数据为我们提供了从行为数据构建学生社会关系的一些潜力，因为，我们甚至发现少量的位置共现(共现即两个学生在短时间间隔内在相同位置生成数据记录)信息可能是一个经验上高可能性的社交联系。
在网络挖掘和复杂网络方向，已经有很多人为用户日常活动推出社会关系做出了许多努力。例如，有人利用地理空间中的共现记录，推断用户之间的社会关系；有人基于一些具体的特征模式，利用概率模型在预测未来地点的同时预测人们的社会关系；有人使用移动行为数据挖掘多种模式，这些模式被用于推断友谊和分析每个人的满意度；有人基于手机网络数据建立分类模型，用于识别两种关系：家庭和同事；有人提出一种基于熵的模型，用于通过分析用户的空间信息来推断社会关系和衡量社会关系的力量等。
与上述工作不同，没有真正的友谊信息，因此不可能以监督的方式构建社会网络。相反，我们利用混合测试方法来评估每个检测到的社会关系的重要性。然而，关于推断校园人际关系，构建完整的校园社会生态系统，特别是基于许多学生的大规模行为数据，仍然很少有人研究。
发明内容
本发明的目的在于克服现有技术的不足，提供一种校园学生关系网络的构建方法，考虑了从每个地点的访问时间序列计算学生的共现频率，通过空模型的方法过滤学生随机共现情形，以提取学生之间的关系网络这一有价值的数据，为学生管理工作者加强学生管理并了解学生性格及社会经济状态提供重要作用。
本发明的目的是通过以下技术方案来实现的：一种校园学生关系网络的构建方法，基于校园信息管理和监控系统采集学生行为数据，包括设定位置共现频率权重步骤；所述的设定位置共现频率权重步骤，基于社交关系强度的双向性差异，即：第i学生到j学生的社交关系强度不等于第j学生到第i学生的社交关系强度，建立一个社交关系权重，用于估计每个社交关系的强度，即包括：第i学生到j学生的社交关系的强度和第j学生到第i学生的社交关系强度。
进一步地，包括设定阈值步骤；所述的设定阈值步骤，用于保持实际情况的共现频率高于平均共现频率加上位置随机共存情况标准偏差的和。
进一步地，对于位置随机共存的情况，计算出任意两个人的共现频率，并判断这两个人的共现频率是否低于设定阈值，如果低于设定阈值，则去掉共现频率低于设定阈值的行为数据。
进一步地，包括如下步骤：
S101：采集学生行为数据，构建每个学生对每个地点的访问时间序列，计算出每两个学生在特定地点的共现频率；
S102：通过多次混洗每个学生对每个地点的访问时间序列，构建为空模型，以计算随机情形下每两个学生的共现频率；
S103：通过比较每两个学生在步骤S101和步骤S102中的共现频率，确定他们在每个地点真实的共现频率，从而为每个地点生成学生之间的关系网络；
S104：通过线性加权方法，聚合所有地点上的共现关系网络。
进一步地，在步骤S102中，通过随机混洗活动记录的时间戳来模拟位置随机共存的情况，然后得到随机情况下共现频率，进行多轮排列以近似估计随机情况下的共现频率分布，然后计算平均值和标准偏差。
进一步地，在步骤S103中，设置阈值以保持实际情况的共现频率高于平均共现频率加上位置随机共存情况标准偏差的两倍。
进一步地，在步骤S103中，使用如下公式计算社交关系权重wij：
其中，其中L表示位置数量，N(i)为位置k处的学生i的朋友的集合，是位置k处的学生i和j之间的共现频率，αk为位置k处的阈值，j'为位置k处的学生i的朋友的集合N(i)中的学生。
进一步地，采集学生行为数据的位置包括食堂、图书馆、教室、校车、超市和浴室。
进一步地，在步骤S102中，包括如下步骤：
S1021：首先提取每个地点访问的时间序列，将每个学生的行为数据构建为一个空模型；
S1022：根据步骤S1021中提取的时间序列和空模型，计算出每两个学生的共现频率；
S1023：把时间序列随机打乱，然后再重新计算共现频率。
本发明的有益效果是：
(1)本发明考虑了从每个地点的访问时间序列计算学生的共现频率，通过空模型的方法过滤学生随机共现情形，以提取学生之间的关系网络这一有价值的数据，为学生管理工作者加强学生管理并了解学生性格及社会经济状态提供重要作用。
(2)本发明考虑了社交关系强度双向差异的现实情况，通过建立社交关系强度权重，并设置阈值等甄选和采集学生行为数据，可以从大量的空间位置记录数据中提取出有价值的数据，作为教学工作者提高教学质量的参考信息和辅助决策手段。例如，如果教育工作者提前了解学生的学业成绩，就可以及时干预学生的指导，这些研究可用于为教育者制定有效的干预策略提供指导。
(3)本发明基于建立的各种先进的信息管理和监控系统，当学生在网络空间内持续互动时，他们在校园内外的活动将被积累和收集，提高了学生生活的有效性和便利性。
(4)本发明首先根据行为数据建立学生的校园社会网络关系，然后使用构建的社交网络采用半监督学习来预测学业成绩，降低了生成、收集精确的朋友名单数据的困难。
(5)本发明设计了一个构建校园社交网络的框架，基于构建的校园社会网络框架，采集学生行为数据，可以进一步研究学生的社交影响力，研究他们在大学生涯中的活动轨迹，其中包括预测他们在大学的成绩，为教学研究人员提供辅助手段，为教学管理人员提供辅助决策手段。
(6)本发明基于结构化的校园社交网络数据，通过应用于学生社交关系研究，学习成绩预测等，可以达到预估学生的学习状况的目的。因此，具有潜在的预警价值，便于教学管理人员及时采取干预措施，保障教学质量。
附图说明
图1为本发明的方法步骤流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
【实施例一】
如图1所示，一种校园学生关系网络的构建方法，基于校园信息管理和监控系统采集学生行为数据，包括设定位置共现频率权重步骤；所述的设定位置共现频率权重步骤，基于社交关系强度的双向性差异，即：第i学生到j学生的社交关系强度不等于第j学生到第i学生的社交关系强度，建立一个社交关系权重，用于估计每个社交关系的强度，即包括：第i学生到j学生的社交关系的强度和第j学生到第i学生的社交关系强度。
进一步地，包括设定阈值步骤；所述的设定阈值步骤，用于保持实际情况的共现频率高于平均共现频率加上位置随机共存情况标准偏差的和。
进一步地，对于位置随机共存的情况，计算出任意两个人的共现频率，并判断这两个人的共现频率是否低于设定阈值，如果低于设定阈值，则去掉共现频率低于设定阈值的行为数据。
进一步地，包括如下步骤：
S101：采集学生行为数据，构建每个学生对每个地点的访问时间序列，计算出每两个学生在特定地点的共现频率；
S102：通过多次混洗每个学生对每个地点的访问时间序列，构建为空模型，以计算随机情形下每两个学生的共现频率；
S103：通过比较每两个学生在步骤S101和步骤S102中的共现频率，确定他们在每个地点真实的共现频率，从而为每个地点生成学生之间的关系网络；
S104：通过线性加权方法，聚合所有地点上的共现关系网络。
进一步地，在步骤S102中，通过随机混洗活动记录的时间戳来模拟位置随机共存的情况，然后得到随机情况下共现频率，进行多轮排列以近似估计随机情况下的共现频率分布，然后计算平均值和标准偏差。
进一步地，在步骤S103中，设置阈值以保持实际情况的共现频率高于平均共现频率加上位置随机共存情况标准偏差的两倍。
进一步地，在步骤S103中，使用如下公式计算社交关系权重wij：
其中，其中L表示位置数量，N(i)为位置k处的学生i的朋友的集合，是位置k处的学生i和j之间的共现频率，αk为位置k处的阈值，j'为位置k处的学生i的朋友的集合N(i)中的学生。
进一步地，采集学生行为数据的位置包括食堂、图书馆、教室、校车、超市和浴室。
进一步地，在步骤S102中，包括如下步骤：
S1021：首先提取每个地点访问的时间序列，将每个学生的行为数据构建为一个空模型；
S1022：根据步骤S1021中提取的时间序列和空模型，计算出每两个学生的共现频率；
S1023：把时间序列随机打乱，然后再重新计算共现频率。
在本发明的实施例一中，在现代大学，本领域技术人员可以利用现有的信息管理和操作系统，例如基于学生们每天在日常活动中使用的校园智能卡，在信息中心生成空间数字记录，例如在教学楼内取水，进入图书馆，在食堂吃饭等活动均记录下相应的空间位置数据。本领域技术人员可以根据本发明预先对数据进行甄选采集，具体的，通过设计一个构建校园社交网络的框架来采集数百万学生的行为记录数据。
在网络数据挖掘和复杂系统方向，共现意味着两个学生在短时间间隔内在相同位置生成记录，其中可以根据具体情况设置时间间隔，例如根据经验设置为一分钟。直觉上，不同地点的重要共同事件在识别社会关系中可能发挥不同的作用，使得不同地点的同居频率不能直接加在一起。相反，我们将其描述为多个社交网络的加性融合问题，其中每个位置意味着社交网络，并且每个网络被分配明显的权重。然而，由于没有正确的学生朋友数据作为训练数据，所以不可能通过监督学习来确定不同位置的权重，但这些权重被认为是接下来优化的参数。
在这个例子中，假如学生A和B分别在课堂，图书馆，食堂和校园班车上共同出现四次。因此，在我们的工作中，我们在七个不同的地方收集这些共同记录，包括食堂，图书馆，教室，校园班车，校车，超市，浴室。随着两名学生共现频率的增加，更为明显的是他们是亲密的朋友。然而，如果没有任何真实的友谊信息，则不可能以监督的方式构建社交网络。为此，我们利用混洗测试方法来检测学生之间重要的社会关系。具体来说，我们首先构造一个空模型，通过随机混洗活动记录的时间戳来模拟位置同时发生的随机情况，然后得到随机情况下共现频率。接着，我们进行多轮(例如20轮)排列以近似估计随机情况下的共现频率分布，然后计算平均值和标准偏差。并在图形上，分别显示三个位置下的空模型和实际情况之间的共现频率的差别，根据这些差别，设置阈值以保持实际情况的共现频率高于平均共现频率加上随机情况标准偏差的两倍。例如，在食堂，当两名学生的同期出现频率超过110名时，他们很可能是朋友。这三个位置的阈值分别为110，17和25。值得注意的是，餐厅的阈值比其他两个地方大得多。这是因为学生的膳食行为的时间分布几乎相互一致，因此存在较大的随机共同概率。同样，对于图书馆而言，因为图书馆入口的时间分布大多是基于真实的友谊，基于派生阈值，我们去掉共现频率低于阈值的数据，因为它们对应于随机共存的情况，依次保持采集数据的准确性。
要最终获得学生之间的社会关系强度，不同地点的共现频率应该结合在一起。但是直接聚合它们是不合理的，因为不同地点的重大共同事件对于暗示他们的社会关系可能会有明显的共现。因此，我们通过估计每个社交关系的强度时，例如位置l的共现频率权重为αl，并且这些权权重还可以通过现有技术中优化算法进行优化学习。基于我们对社交关系强度双向性的差异考虑，由于社会影响的双向性，从i学生到j学生的社交关系的强度(权重)不等于第j到第i学生的强度。例如，对于校园里的“明星人物”，如学生会主席，他有广泛的社会圈子，经常与不同的学生共现，并影响他们的行为。然而，与校园明星共同出现的大多数学生可能是不善交际的，他们很少能影响校园明星，因此我们提出了基于权重的社交关系强度关系计算方法。
本发明根据学生的行为数据，首先计算出特定地点的共现次数，然后通过多次混洗每个学生的行为数据构建一个空模型，并重新计算其各自的共现频率。通过比较两个学生在这两种情况下的共现频率，确定每个检测到的社会关系的重要性。直觉上，不同地点的重要共同事件在识别社会关系中可能发挥不同的作用，使得不同地点的同居频率不能直接加在一起。相反，我们将其描述为多个社交网络的加性融合问题，其中每个位置意味着社交网络，并且每个网络被分配明显的权重。然而，由于没有正确的学生朋友数据作为训练数据，所以不可能通过监督学习来确定不同位置的权重，但这些权重通过采用现有技术中的权重优化算法持续优化，例如采用标签传播算法，在标签传播的同时优化不同位置的权重。本发明考虑了社交关系强度双向差异的现实情况，通过建立社交关系强度权重，并设置阈值等甄选和采集学生行为数据，可以从大量的空间位置记录数据中提取出有价值的学生行为数据，作为教学工作者提高教学质量的参考信息和辅助决策手段。实践表明，根据校园行为建立学生的社会关系，然后使用构建的社交网络通过半监督学习来预测学业成绩。在本申请中，更进一步地，我们从多个地点的共同事件的14多万行为记录中构建校园社会网络，并进一步验证了社交影响力在学业成绩上的意义，表明学生的学业成绩接近他们朋友。基于对学术成绩的社交影响力的支持，我们还提出了一种基于多网络算法的新型标签传播来预测学习成绩，并对构建的社交网络进行了评估，评估结果揭示了校园社交网络对学业成绩预测的潜在价值和提出的算法的有效性。我们使用了5000多名学生超过14M行为记录来评估基于本发明的学生成绩预测算法，评估结果显示了校园社会网络预测学习成绩的巨大潜在价值和基于本发明的采集方法进行成绩预测的高效性和准确性。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (9)
1.一种校园学生关系网络的构建方法，其特征在于，基于校园信息管理和监控系统采集学生行为数据，包括设定位置共现频率权重步骤；所述的设定位置共现频率权重步骤，基于社交关系强度的双向性差异，即：第i学生到j学生的社交关系强度不等于第j学生到第i学生的社交关系强度，建立一个社交关系权重，用于估计每个社交关系的强度，即包括：第i学生到j学生的社交关系的强度和第j学生到第i学生的社交关系强度。
2.根据权利要求1所述的一种校园学生关系网络的构建方法，其特征在于，包括设定阈值步骤；所述的设定阈值步骤，用于保持实际情况的共现频率高于平均共现频率加上位置随机共存情况标准偏差的和。
3.根据权利要求2所述的一种校园学生关系网络的构建方法，其特征在，对于位置随机共存的情况，计算出任意两个人的共现频率，并判断这两个人的共现频率是否低于设定阈值，如果低于设定阈值，则去掉共现频率低于设定阈值的行为数据。
4.根据权利要求1-3中任一项所述的一种校园学生关系网络的构建方法，其特征在于，进一步包括如下步骤：
S101：采集学生行为数据，构建每个学生对每个地点的访问时间序列，计算出每两个学生在特定地点的共现频率；
S102：通过多次混洗每个学生对每个地点的访问时间序列，构建为空模型，以计算随机情形下每两个学生的共现频率；
S103：通过比较每两个学生在步骤S101和步骤S102中的共现频率，确定他们在每个地点真实的共现频率，从而为每个地点生成学生之间的关系网络；
S104：通过线性加权方法，聚合所有地点上的共现关系网络。
5.根据权利要求4所述的一种校园学生关系网络的构建方法，其特征在于：在步骤S102中，通过随机混洗活动记录的时间戳来模拟位置随机共存的情况，然后得到随机情况下共现频率，进行多轮排列以近似估计随机情况下的共现频率分布，然后计算平均值和标准偏差。
6.根据权利要求4所述的一种校园学生关系网络的构建方法，其特征在于：在步骤S103中，设置阈值以保持实际情况的共现频率高于平均共现频率加上位置随机共存情况标准偏差的两倍。
7.根据权利要求4所述的一种校园学生关系网络的构建方法，其特征在于：在步骤S103中，使用如下公式计算社交关系权重wij：
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</munderover>
<mfrac>
<mrow>
<msup>
<mi>&alpha;</mi>
<mi>k</mi>
</msup>
<msubsup>
<mi>O</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>k</mi>
</msubsup>
</mrow>
<mrow>
<msub>
<mi>max</mi>
<mrow>
<msup>
<mi>j</mi>
<mo>&prime;</mo>
</msup>
<mo>&Element;</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<msubsup>
<mi>O</mi>
<mrow>
<msup>
<mi>ij</mi>
<mo>&prime;</mo>
</msup>
</mrow>
<mi>k</mi>
</msubsup>
</mrow>
</mfrac>
</mrow>
其中，其中L表示位置数量，N(i)为位置k处的学生i的朋友的集合，是位置k处的学生i和j之间的共现频率，αk为位置k处的阈值，j'为位置k处的学生i的朋友的集合N(i)中的学生。
8.根据权利要求4所述的一种校园学生关系网络的构建方法，其特征在于：采集学生行为数据的位置包括食堂、图书馆、教室、校车、超市和浴室。
9.根据权利要求4所述的一种校园学生关系网络的构建方法，其特征在于，在步骤S102中，进一步包括如下步骤：
S1021：首先提取每个地点访问的时间序列，将每个学生的行为数据构建为一个空模型；
S1022：根据步骤S1021中提取的时间序列和空模型，计算出每两个学生的共现频率；
S1023：把时间序列随机打乱，然后再重新计算共现频率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710625827.5A CN107423406B (zh) | 2017-07-27 | 2017-07-27 | 一种校园学生关系网络的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710625827.5A CN107423406B (zh) | 2017-07-27 | 2017-07-27 | 一种校园学生关系网络的构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107423406A true CN107423406A (zh) | 2017-12-01 |
| CN107423406B CN107423406B (zh) | 2021-02-05 |
Family
ID=60430498
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710625827.5A Expired - Fee Related CN107423406B (zh) | 2017-07-27 | 2017-07-27 | 一种校园学生关系网络的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107423406B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109447313A (zh) * | 2018-09-17 | 2019-03-08 | 咪咕文化科技有限公司 | 一种成员关系的确定方法及装置 |
| CN110008866A (zh) * | 2019-03-25 | 2019-07-12 | 联想(北京)有限公司 | 一种判断学生之间亲密度的数据处理方法及电子设备 |
| CN110334176A (zh) * | 2019-06-05 | 2019-10-15 | 青岛聚看云科技有限公司 | 一种社会关系建立方法、信息获取方法及装置 |
| CN111258994A (zh) * | 2020-01-09 | 2020-06-09 | 华中师范大学 | 一种面向学生校园卡行为数据构建社交网络的方法 |
| CN111583048A (zh) * | 2020-04-17 | 2020-08-25 | 北京工业大学 | 一种基于活动序列的学生社交关联分析方法 |
| CN111652451A (zh) * | 2020-08-06 | 2020-09-11 | 腾讯科技（深圳）有限公司 | 社交关系的获取方法和装置及存储介质 |
| CN111723616A (zh) * | 2019-03-20 | 2020-09-29 | 杭州海康威视系统技术有限公司 | 一种人员相关性度量方法及装置 |
| CN113641917A (zh) * | 2020-05-11 | 2021-11-12 | 杭州海康威视数字技术股份有限公司 | 关系获取方法及装置 |
| CN115204496A (zh) * | 2022-07-18 | 2022-10-18 | 云启智慧科技有限公司 | 一种校园人际关系数据分析方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020037519A1 (en) * | 2000-05-11 | 2002-03-28 | States David J. | Identifying clusters of transcription factor binding sites |
| CN102043816A (zh) * | 2009-10-12 | 2011-05-04 | 腾讯科技（深圳）有限公司 | 呈现人物关系的方法及装置 |
| CN104376028A (zh) * | 2013-08-15 | 2015-02-25 | 北京千橡网景科技发展有限公司 | 用于向社交网络中的用户推荐信息的方法和装置 |
| CN104572904A (zh) * | 2014-12-25 | 2015-04-29 | 微梦创科网络科技（中国）有限公司 | 一种标签关联程度的确定方法及装置 |
| CN105159926A (zh) * | 2015-08-04 | 2015-12-16 | 百度在线网络技术（北京）有限公司 | 建立用户的用户信息关联的方法和装置 |
-
2017
- 2017-07-27 CN CN201710625827.5A patent/CN107423406B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020037519A1 (en) * | 2000-05-11 | 2002-03-28 | States David J. | Identifying clusters of transcription factor binding sites |
| CN102043816A (zh) * | 2009-10-12 | 2011-05-04 | 腾讯科技（深圳）有限公司 | 呈现人物关系的方法及装置 |
| CN104376028A (zh) * | 2013-08-15 | 2015-02-25 | 北京千橡网景科技发展有限公司 | 用于向社交网络中的用户推荐信息的方法和装置 |
| CN104572904A (zh) * | 2014-12-25 | 2015-04-29 | 微梦创科网络科技（中国）有限公司 | 一种标签关联程度的确定方法及装置 |
| CN105159926A (zh) * | 2015-08-04 | 2015-12-16 | 百度在线网络技术（北京）有限公司 | 建立用户的用户信息关联的方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| 吕红胤 等: "大数据引领教育未来:从成绩预测谈起", 《大数据》 * |
| 吴小兰 等: "结合用户关系网和标签共现网的微博用户标签推荐研究", 《情报学报》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109447313A (zh) * | 2018-09-17 | 2019-03-08 | 咪咕文化科技有限公司 | 一种成员关系的确定方法及装置 |
| CN111723616A (zh) * | 2019-03-20 | 2020-09-29 | 杭州海康威视系统技术有限公司 | 一种人员相关性度量方法及装置 |
| CN111723616B (zh) * | 2019-03-20 | 2023-06-02 | 杭州海康威视系统技术有限公司 | 一种人员相关性度量方法及装置 |
| CN110008866A (zh) * | 2019-03-25 | 2019-07-12 | 联想(北京)有限公司 | 一种判断学生之间亲密度的数据处理方法及电子设备 |
| CN110334176A (zh) * | 2019-06-05 | 2019-10-15 | 青岛聚看云科技有限公司 | 一种社会关系建立方法、信息获取方法及装置 |
| CN110334176B (zh) * | 2019-06-05 | 2023-10-17 | 青岛聚看云科技有限公司 | 一种社会关系建立方法、信息获取方法及装置 |
| CN111258994A (zh) * | 2020-01-09 | 2020-06-09 | 华中师范大学 | 一种面向学生校园卡行为数据构建社交网络的方法 |
| CN111583048A (zh) * | 2020-04-17 | 2020-08-25 | 北京工业大学 | 一种基于活动序列的学生社交关联分析方法 |
| CN113641917A (zh) * | 2020-05-11 | 2021-11-12 | 杭州海康威视数字技术股份有限公司 | 关系获取方法及装置 |
| CN111652451A (zh) * | 2020-08-06 | 2020-09-11 | 腾讯科技（深圳）有限公司 | 社交关系的获取方法和装置及存储介质 |
| CN115204496A (zh) * | 2022-07-18 | 2022-10-18 | 云启智慧科技有限公司 | 一种校园人际关系数据分析方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107423406B (zh) | 2021-02-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107423406A (zh) | 一种校园学生关系网络的构建方法 | |
| He et al. | Mining transition rules of cellular automata for simulating urban expansion by using the deep learning techniques | |
| Ratcliffe | Crime mapping and the training needs of law enforcement | |
| Jonassen et al. | All problems are not equal: Implications for problem-based learning | |
| Hu et al. | A non-dominated sorting genetic algorithm for the location and districting planning of earthquake shelters | |
| Gorsevski et al. | A group-based spatial decision support system for wind farm site selection in Northwest Ohio | |
| Wolfslehner et al. | Mapping indicator models: From intuitive problem structuring to quantified decision-making in sustainable forest management | |
| Ke et al. | A CA-based land system change model: LANDSCAPE | |
| Hsueh | Assessing the effectiveness of community-promoted environmental protection policy by using a Delphi-fuzzy method: A case study on solar power and plain afforestation in Taiwan | |
| Pakzad et al. | Developing key sustainability indicators for assessing green infrastructure performance | |
| Yao et al. | Predicting academic performance via semi-supervised learning with constructed campus social network | |
| Movahhed et al. | Spatial analysis of urban poverty in Tehran metropolis | |
| Wang et al. | Design and implementation of early warning system based on educational big data | |
| Zolkafli et al. | An evaluation of participatory GIS (PGIS) for land use planning in Malaysia | |
| Geertman et al. | Spatial‐temporal specific neighbourhood rules for cellular automata land‐use modelling | |
| Nie et al. | Exploring the differences between coastal farmers’ subjective and objective risk preferences in China using an agent-based model | |
| Zhou et al. | An evaluation method of fragile states index based on climate shock: A case of Bangladesh | |
| Nasiri Khiavi et al. | Comparative applicability of MCDM‐SWOT based techniques for developing integrated watershed management framework | |
| Walsh et al. | A quantification of robustness | |
| Li et al. | From Self-Interest to Community-Interest: Low Carbon Community-Based Process and Practice | |
| Ramzanpour et al. | Prioritization of the Physical Resilience Criteria for Affordable Housing Locating Based on An Analytic Hierarchy Process (AHP) | |
| Ouyang et al. | Evaluation Model of Youth Basketball Training Performance Based on PSO Algorithm | |
| Haarich | The GOA tool: assessment of macro regional governance systems | |
| Gu et al. | Research on evaluation of university scientific research team based on SOM neural network | |
| Zhao | [Retracted] Children’s Motor Intelligence Evaluation System Based on Multi‐data Fusion |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210205 |