CN109614587A - 一种智能人脉关系分析建模方法、终端设备及存储介质 - Google Patents

Abstract

本发明涉及一种智能人脉关系分析建模方法、终端设备及存储介质，该方法包括以下步骤：S100：根据用户行为所体现的用户之间联系强弱的程度，将用户之间的关系划分n个维度，并根据用户的空间关系、时间关系和直接关系建立人脉分析模型；S200：通过机器学习建模，确定模型中的直接关系权重、维度权重、空间维度权重和时间维度权重，进而确定最终的人脉分析模型。本发明摈弃了传统的单一因素分析方式，在建立人脉分析模型的基础上进行机器学习模型算法的调优，构建了一个高准确度的人脉分析模型，再以数据为基础，不仅支持分析维度的动态拓展，更能将分析结果反向作用于模型构建的过程，得出精准的人脉关系网络。

Description

一种智能人脉关系分析建模方法、终端设备及存储介质

技术领域

本发明涉及计算机网络技术领域，尤其涉及一种智能人脉关系分析建模方法、终端设备及存储介质。

背景技术

现在有一些对人脉关系的分析，很多是停留在简单的二度人脉分析，而这种分析，是基于用户之间简单直观的好友(关注)关系之间的分析，或者是自定义简单的模型来分析用户之间的紧密度，得出的分析结果也就是简单的人脉关系。这种分析结果只是体现了用户之间存在关系，而对于用户之间存在的关系定义也是片面的，单向的，没有用真实的结果反向作用于定义。也就是目前的人脉分析维度单一，没有对关系进行深度挖掘，分析结果没有反向作用于定义，仅仅凭借单向定义，不能从实际出发，进行准确分析，提供的分析结果无法满足现在很多业务对人脉关系中关系深层次、高准确的要求，要满足这些业务需求，就必须要对人脉关系进行深度、机器学习的智能化分析。

目前存在一些对人脉关系进行分析的方法或者应用，但是局限性太大，仅仅是对某个系统或者应用的注册用户的基本信息进行人脉分析，得出的人员分析结果必然也是存在局限性的，也就是数据源的局限导致了分析结果的局限。

发明内容

为解决上述问题，本发明提供了一种智能人脉关系分析方法、终端设备及存储介质，构建一个高准确度的、可扩展的人脉分析模型。

具体方案如下：

一种智能人脉关系分析建模方法，包括以下步骤：

S100：设定人脉分析模型为：

r_i(p)＝a_i·p，t_i(q)＝b_i·q

其中，s为直接关系权重；x为直接关系系数，设定当有直接关系时，x＝1，当没有直接关系时，x＝0；n为维度数，i为自然数，且1≤i≤n；p为空间关系系数；a_i为空间维度权重；q为时间关系系数；b_i为时间维度权重，c_i为维度权重；

其中，维度的设立方法为：根据用户行为所体现的用户之间联系强弱的程度，将用户之间的关系划分n个维度；

S200：通过机器学习建模，确定模型中的直接关系权重s、维度权重c_i、空间维度权重a_i和时间维度权重b_i，进而确定最终的人脉分析模型。

进一步的，所述直接关系为好友或关注关系。

进一步的，所述时间关系系数为交互次数。

进一步的，所述空间关系系数根据国、省、市、区四个区域设定。

进一步的，步骤S200包括：

S201：采集数据样本建立训练数据集；

S202：通过机器学习算法交叉验证，确定模型的最佳超参数。

一种智能人脉关系分析终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例上述方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。

本发明采用如上技术方案，并具有有益效果：摈弃了传统的单一因素分析方式，在建立人脉分析模型的基础上进行机器学习模型算法的调优，构建了一个高准确度的人脉分析模型，再以数据为基础，不仅支持分析维度的动态拓展，更能将分析结果反向作用于模型构建的过程，得出精准的人脉关系网络。

附图说明

图1所示为本发明实施例一的流程图。

具体实施方式

为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。

现结合附图和具体实施方式对本发明进一步说明。

实施例一：

如图1所示，本发明实施例一提供了一种智能人脉关系分析方法，该方法为：根据用户的文件相似度、签批处理信息相似度、流程相似度三个主要计算指标和辅助计算指标来选择下一节点被推荐用户。

S100：建立人脉分析模型为：

r_i(p)＝a_i·p，t_i(q)＝b_i·q

其中，s为直接关系权重；x为直接关系系数，设定当有直接关系时，x＝1，当没有直接关系时，x＝0；n为维度数，i为自然数，且1≤i≤n；p为空间关系系数；a_i为空间维度权重；q为时间关系系数(次数)；b_i为时间维度权重，c_i为维度权重。

现针对上述参数进行说明：

(1)s·x为根据用户之间的直接关系设定的，由于直接关系在人脉关系中所占的比重较大，在人脉关系中的价值较高，因此将其单独列出。所述直接关系如好友关系、关注关系等等，其在不同的交互软件中可能有各种不同的表示形式，因为该直接关系是绝对的，只有有和没有，因此其关系系数只有两个极限值，即设定当有直接关系时，x＝1，当没有直接关系时，x＝0。而针对该直接关系所给出的权重是模型中需要设定的参数，由于其价值相对较高，因此在模型的初始参数设定时，可以将其设为较高的值，如10。

(2)根据用户行为所体现的用户之间联系强弱的程度，将用户之间的关系划分n个维度。

每个维度均包括维度权重c_i、时间加权t_i和空间加权r_i，

a、所述维度权重根据用户行为所体现的用户之间联系强弱的程度来设定，当该用户行为所体现的用户之间联系强弱的程度较高时，设定其维度权重c_i的值越大，当该用户行为所体现的用户之间联系强弱的程度较低时，设定其维度权重c_i的值越小。比如，“@某个用户”相比于“评论某个用户”用户之间联系强弱的程度较高，因此设定“@某个用户”行为的维度权重1，高于“评论某个用户”行为的维度权重0.8。

b、所述时间加权包括时间关系系数和时间维度权重。

所述时间关系系数在社交关系中往往表现为交互次数，如“@某个用户”行为进行了几次，“评论某个用户”行为进行了几次。

所述时间维度权重与上述的维度权重的设定方式类似，也根据用户行为所体现的用户之间联系强弱的程度来设定，如：将“@某个用户”行为的时间维度权重设为1，将“评论某个用户”行为的时间维度权重设为0.8。

c、所述空间加权包括空间关系系数和空间维度权重。

所述空间关系系数在社交关系中往往表现为用户所在区域，如国、省、市、区，随着区域越来越小，空间关系系数越来越大，如同一国家的空间关系系数为1，同一省的空间关系系数为2，同一市的空间关系系数为3，同一区的空间关系系数为4。上述空间关系的系数可以根据情况进行扩展和修改，如增加同一街道、小区等等，相应的参数也可以根据经验和统计的数据进行适当调整。

所述空间维度权重与上述的维度权重和时间维度权重的设定方式类似，也根据用户行为所体现的用户之间联系强弱的程度来设定，如，将“@某个用户”行为的空间维度权重设为1，将“评论某个用户”行为的空间维度权重设为0.8。

需要说明的是，本实施例的人脉分析模型支持了维度的扩展，如果说现在分析的维度中，又多出了一个维度，例如：某个板块下新增了一个留言板的功能，那么对于这个新增模块可以定义为新增了一个维度，那么只需要配置新增维度的权重，再次通过机器学习重新构建分析模型即可，多一个维度，对于分析产生的结果将会提供更大的帮助，分析模型越优化，分析结果越接近于真实，这样分析出的人脉关系才会越接近实际。

S200：通过机器学习建模，确定人脉分析模型的直接关系权重s、维度权重c_i、空间维度权重a_i和时间维度权重b_i，进而确定最终的人脉分析模型。

由于上述建立的模型的参数只是预设的参数，而不同的参数会影响模型最终的效果，因此需要通过机器学习来确认模型中的参数，使模型最契合我们想要的结果。

所述机器学习的算法可以为常用的算法即可，如神经网络模型算法。

S201：采集数据样本建立训练数据集。

数据样本数量越多，最终的结果越准确，因此，在可能的情况下准备足够充分的数据样本，使得在建模时能够有良好的数据支撑，得到的模型也是最具有代表性的。

但是并非准备的所有数据都是有用的，因此，该实施例中还包括对数据样本进行进一步清洗过滤，按照既定的形式进行格式化，对样本也需要进行过滤，数据的好坏对模型的效果也是有很大程度影响的。所述过滤可以手动过滤，或设定一些简单的过滤算法进行即可。

将过滤好的数据进行进一步处理，转化为模型的训练数据集。优秀的特征构建、精确的特征提取，准确的特征选择将会产生一个具有有效特征的训练数据集，对于模型的建立来说，可以提供一个最有效的数据支撑。

S202：通过机器学习算法交叉验证，确定模型的最佳超参数。

S203：使用多种机器学习算法进行验证，对生成的多个训练模型进行进一步融合，最终构建出更为高效、准确的模型。

通过机器学习中一系列的过程，产生的模型将作为人脉分析的模型，这样我们可以深度分析人脉关系，而不仅仅局限于当前的简单关联关系或者简单的统计关系。越是复杂的环境，传统单一的人脉分析就越是无法支撑，只有对复杂环境的的全面多维度分析，才能更精确的分析出人脉之间的深度关系。

下面以具体例子进行说明：

如果想要分析某社交网站用户的人脉关系，在该社交网站中，用户之间的直接关系为好友关系，且根据用户行为所体现的用户之间联系强弱的程度，将用户之间的其他关系划分为2个维度，即n＝2，分别为：

第一维度：@某个用户；

第二维度：评论某个用户；

初始设定直接关系权重s为100；维度权重中，第一维度权重c₁为10，第二维度权重c₂为1；同一国、省、市、区的空间关系系数分别为：1、2、4、8；空间维度权重中：第一空间维度权重a₁为10，第二空间维度权重a₂为1；时间维度权重中：第一时间维度权重b₁为10，第二时间维度权重b₂为1。

如果A、B、C三个用户产生的数据为：A-B是好友，A-C是好友，A、B在同一城市，C与A、B在同一省。A发表5条言论，其中2条@B，1条@C，B评论A这5条言论中的2条，C对A这5条言论全都评论了，现通过模型建立的A-B和A-C之间的人脉关系分别为：

A-B：1*100+(10*10*2*10*4+1*1*2*1*4)

A-C：1*100+(10*10*1*10*2+1*1*5*1*2)

但是这些权重是根据理解分析预设的，不一定是具有广泛的代表性，那么就需要大量的数据通过机器学习算法训练找出一个最优的模型。

应用前景：

现在有很多人脉分析的应用或者功能，但是仅仅停留在用户的好友层面，分析方式单一，精准度差，仅仅能确定存在关系，而不知道关系的强弱。这样在对人脉分析结果进行应用的时候就存在一个非常严重的问题：关系精度差会导致一系列问题：例如现在想定向推广某个应用，不针对所有用户，而且推送给喜欢或者是可能喜欢的潜在用户。现想根据此应用最活跃的10万名用户，推送给他们人脉关系中最近的10位用户，那么这种推送策略下简单人脉关系分析显得尤为力不从心，无法完成需求，但是如果使用多维度深度人脉关系分析，可以迅速确定人脉关系的强弱，不仅可以应用在单一人脉分析上，还可以进行深度、复杂的人脉关系分析，能够得心应手的解决实际问题。

实施例二：

本发明还提供一种智能人脉关系分析终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。

进一步地，作为一个可执行方案，所述智能人脉关系分析终端设备可以是车载电脑等计算设备。所述智能人脉关系分析终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述智能人脉关系分析终端设备的组成结构仅仅是智能人脉关系分析终端设备的示例，并不构成对智能人脉关系分析终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述智能人脉关系分析终端设备还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。

进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述智能人脉关系分析终端设备的控制中心，利用各种接口和线路连接整个智能人脉关系分析终端设备的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述智能人脉关系分析终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。

所述智能人脉关系分析终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)以及软件分发介质等。

尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (7)

1.一种智能人脉关系分析建模方法，其特征在于，包括以下步骤：

S100：设定人脉分析模型为：

r_i(p)＝a_i·p，t_i(q)＝b_i·q

其中，s为直接关系权重；x为直接关系系数，设定当有直接关系时，x＝1，当没有直接关系时，x＝0；n为维度数，i为自然数，且1≤i≤n；p为空间关系系数；a_i为空间维度权重；q为时间关系系数；b_i为时间维度权重，c_i为维度权重；

其中，维度的设立方法为：根据用户行为所体现的用户之间联系强弱的程度，将用户之间的关系划分n个维度；

S200：通过机器学习建模，确定模型中的直接关系权重s、维度权重c_i、空间维度权重a_i和时间维度权重b_i，进而确定最终的人脉分析模型。

2.根据权利要求1所述的智能人脉关系分析建模方法，其特征在于：所述直接关系为好友或关注关系。

3.根据权利要求1所述的智能人脉关系分析建模方法，其特征在于：所述时间关系系数为交互次数。

4.根据权利要求1所述的智能人脉关系分析建模方法，其特征在于：所述空间关系系数根据国、省、市、区四个区域设定。

5.根据权利要求1所述的智能人脉关系分析建模方法，其特征在于：步骤S200包括：

S201：采集数据样本建立训练数据集；

S202：通过机器学习算法交叉验证，确定模型的最佳超参数。

6.一种智能人脉关系分析终端设备，其特征在于：包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-5中任一所述方法的步骤。

7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任一所述方法的步骤。