CN110059795A - 一种融合地理位置与时间特征的移动用户节点组网方法 - Google Patents

一种融合地理位置与时间特征的移动用户节点组网方法 Download PDF

Info

Publication number
CN110059795A
CN110059795A CN201810049386.3A CN201810049386A CN110059795A CN 110059795 A CN110059795 A CN 110059795A CN 201810049386 A CN201810049386 A CN 201810049386A CN 110059795 A CN110059795 A CN 110059795A
Authority
CN
China
Prior art keywords
user
time
sub
similarity
node
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
Application number
CN201810049386.3A
Other languages
English (en)
Inventor
盛益强
陈婉杰
廖怡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhengzhou Xinrand Network Technology Co ltd
Institute of Acoustics CAS
Original Assignee
Institute of Acoustics CAS
Beijing Intellix Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Acoustics CAS, Beijing Intellix Technologies Co Ltd filed Critical Institute of Acoustics CAS
Priority to CN201810049386.3A priority Critical patent/CN110059795A/zh
Publication of CN110059795A publication Critical patent/CN110059795A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种融合地理位置与时间特征的移动用户节点组网方法，包括：步骤1)提取用户节点的地理位置特征和时间特征，再将用户节点签到的时间划分成若干个子时间段；步骤2)将所述若干个子时间段分别设置对应的时间权值；步骤3)对每个子时间段内用户节点签到过的或感兴趣的地理位置，按照活动半径聚合成N个簇；步骤4)计算任意两个用户节点之间的行为相似度；步骤5)计算一天全部时间段内用户节点的行为相似度；步骤6)将用户节点社交关系网络抽象为图结构，将用户节点社交关系网络划分为若干个子社区；步骤7)计算每个子社区内部任意两个用户节点的好友相似度；步骤8)融合步骤4)和步骤7)的结果，获得融合后的相似度。

Description

一种融合地理位置与时间特征的移动用户节点组网方法
技术领域
本发明属于社会计算与社交网络的技术领域，具体涉及一种融合地理位置与时间特征的移动用户节点组网方法。
背景技术
随着互联网和大数据的研究应用日益广泛，位置社交网络中，用户相似度的分析已经成为数据挖掘和社交网络分析中的关键问题之一。用户在真实世界的访问位置轨迹，在一定程度上反应了用户的兴趣和习惯。因此，有相似访问位置轨迹历史的用户就有可能拥有相同的兴趣和习惯。因此，计算用户行为相似度是实现基于位置服务的用户社团发现、个性化旅行推荐、行程规划等功能的基础。
用户的行动轨迹只是用户活动的表现形式或载体，而用户的行动轨迹所体现的则是用户在真实世界的地理位置上的行为方式。由于城市规划中，相近的地理位置一般同属于一个功能区，为用户提供的生活、工作、娱乐环境；因而，当用户访问相近的地理位置时，一般有相似的行为目的。因此，用户访问的地理位置越相近，用户的行为轨迹越相似；用户访问相近的地理位置次数越多，则用户相似度越高。
从地理位置的角度，包括基于密度带噪声的空间聚类应用算法(Density-BasedSpatial Clustering of Applications with Noise，简称DBSCAN)在内的基于密度的聚类算法可以对用户节点签到过的或感兴趣的地理位置按照活动半径聚合成N个簇，其具体过程如下：若用户地理位置数据集为D，给定点在邻域内成为核心数据对象的最小邻域点数为MinPts，邻域半径为Eps；首先将数据集D中的所有数据对象均标记为未处理状态，随机访问数据集D中的一个数据对象p，检查数据对象p在以Eps为半径的邻域NEps(p)内是否至少含有MinPts个数据对象；如果数据对象p在以Eps为半径的邻域NEps(p)内不是至少含有MinPts个数据对象，将数据对象p标记为边界点或噪声点；否则，标记数据对象p为核心点，并为该核心点创建一个新的簇C，并将数据对象p在邻域NEps(p)内的所有点加入新的簇C，然后检查邻域NEps(p)中所有尚未被处理的数据对象q，再检查数据对象q的Eps邻域NEps(q)；若邻域NEps(q)包含至少MinPts个对象，则将邻域NEps(q)中未归入任何一个簇的数据对象加入C，当所有核心数据对象的邻域全部遍历完毕，即簇C不能继续扩展，则簇C完成生成。为了找到下一个簇，包括DBSCAN在内的基于密度的聚类算法从剩下的数据对象中随机选择一个未访问过的数据对象，聚类过程继续，直到所有数据对象都被访问，最终将用户地理位置的数据集D按照活动半径聚合成N个簇。不过，位置社交网络中不同时间内用户地理位置的信息也会有不同的变化，聚类时应考虑将时间信息与用户地理位置的信息进行融合。
除了用户地理位置这一因素外，社交网络中，用户的好友关系同样是度量用户相似度的重要因素，用户倾向于与同一个社交圈中的其他用户成为好友，所以需要将社交网划分为若干个社交子社区，社交子社区中的用户之间的联系都是比较紧密的，由此而形成的关系网络比较稳定。计算社交子社区内部的用户之间的相似度，则可以使用SimRank算法，SimRank算法是计算图中任意两个节点之间的相似度的一种方法，其基本思想是：如果两个节点和被其相似的节点所引用，那么这两个节点也相似。如果图中两点之间存在连接，表示两个节点有关联。
现有的基于相似度对用户节点进行组网的技术，只考虑用户地理位置信息，或只考虑用户好友关系，不能充分考虑社交网络中用户的所有可用信息，造成了用户组网技术的准确率低下的问题。因此，有必要提议一种技术将用户地理位置信息、时间信息以及社交网络关系充分融合，从而提高用户节点组网技术的准确率。
发明内容
本发明的目的在于，为解决现有的移动用户节点组网方法存在上述缺陷，本发明提供了一种融合地理位置与时间特征的移动用户节点组网方法，该方法包括：
步骤1)采用包括卷积神经网络(CNN)、循环神经网络(RNN)在内的现有神经网络，提取用户节点的地理位置特征和时间特征，再将用户节点签到的时间划分成若干个子时间段；其中，所述地理位置特征为用户节点签到过的地理位置或感兴趣的地理位置；所述时间特征为用户节点签到的时间；
步骤2)将步骤1)获得的若干个子时间段分别设置对应的时间权值；
步骤3)采用基于密度的聚类算法，对每个子时间段内用户节点签到过的地理位置或感兴趣的地理位置，按照活动半径聚合成N个簇；其中，N为簇的总数；
步骤4)所述步骤3)得到的N个簇中，记录每个子时间段内任意两个用户节点属于同一个簇的数目，作为共同簇的数目n，根据共同簇的数目n与簇的总数N的比值，即n/N；计算任意两个用户节点之间的行为相似度；其中，所述任意两个用户节点之间的行为相似度为用户节点的地理位置的相似度；
步骤5)根据步骤2)得到的子时间段的权值和步骤4)得到的子时间段内用户节点之间行为相似度，计算一天全部时间段内用户节点的行为相似度；
步骤6)将用户节点社交关系网络抽象为图结构，节点为用户，边为用户之间的连接，用Girvan-Newman算法，将用户节点社交关系网络划分为若干个子社区；
步骤7)采用SimRank算法，计算步骤6)得到的每个子社区内部任意两个用户节点的好友相似度；
步骤8)融合地理位置特征和时间特征，进而融合步骤4)获得的用户节点之间的行为相似度和步骤7)获得的用户节点的好友相似度，根据模块度增量进行节点合并，获得融合后的相似度，以实现移动用户节点组网。
上述技术方案中，所述步骤1)中，根据用户节点在不同时间段的活跃程度，将所述用户节点签到的时间划分成若干个子时间段。具体地，以每天为单位，把用户节点签到时间划分为4个子时间段：0点到7点为第一子时间段，8点到12点为第二子时间段，13点到18点为第三子时间段，19点到23点为第四子时间段。其中，活跃程度为给定时间段内的签到用户总数；签到用户总数最多的时间段定义为活跃，除了签到用户总数最多的时间段以外的其他的时间段定义为不活跃。
上述技术方案中，所述步骤2)中，根据每个子时间段的签到用户总数，设置的对应的时间权值之间应该较为平均；其中，第三子时间段和第四子时间段对应的时间权值要大于第一子时间段和第二子时间段的时间权值。
所述步骤3)中，采用包括DBSCAN在内的基于密度的聚类算法，对每个子时间段内用户节点签到过的地理位置或感兴趣的地理位置，按照活动半径聚合成N个簇。
所述步骤5)进一步包括：
根据步骤2)得到的每个子时间段对应的时间权值和步骤4)得到的每个相应子时间段用户节点之间的行为相似度，计算一天总时间段内用户节点的行为相似度；其中，根据公式(1)，获得所述一天总时间段内用户节点行为的相似度Sposition-time：
其中，Sposition-time表示一天总时间段内用户节点行为的相似度，i表示各个子时间段，ai为各个子时间段对应的时间权值；其中，
所述步骤6)进一步包括：
步骤601)将用户节点社交关系网络抽象为图结构，节点为用户，边为用户之间的连接，用Girvan-Newman算法，计算图结构中所有边的边介数；
步骤602)移除图结构中具有最大边介数的边；
步骤603)移除图结构中具有最大边介数的边后，重新计算剩余边的边介数；
步骤604)重复步骤602)至步骤603)，直到图结构中所有的边都被移除；
步骤605)按照边的移除顺序反向构建社区，具体地，最后一次移除的所有边连通的所有点，构成最小的第一级子社区；倒数第二次移除的所有边连通的所有点，构成较大的第二级子社区；以此类推，直到第一次被移除的所有边连通的所有点，构成首级子社区，进而获得若干个子社区。
所述步骤7)进一步包括：
步骤701)将步骤6)得到的每个子社区设置为图结构G＝(V，E)，图结构G＝(V，E)中的任意两个用户节点a，b∈V，其中，Suser(a,b)∈[0,1]表示任意两个用户节点a和b之间的好友相似度，则初始值为
步骤702)对于任意用户节点a，如果存在边ab∈E，其中ab表示节点a与节点b的连接边；则认为节点a与节点b关联。假设I(a)表示任意用户节点a的所有关联节点的集合，|I(a)|表示节点a的所有关联节点的数目，Ii(a)表示任意用户节点a的第i个关联节点，d∈(0,1)的常数，默认情况下d＝0.8，则每次迭代的Suser(a,b)为：
其中，表|I(b)|用户节点b的所有关联节点的数目，Ii(b)表示任意用户节点b的第i个关联节点；
步骤703)对步骤702)的Suser(a,b)进行迭代，直到Suser(a,b)收敛，获得最后的结果，则最后的结果为任意用户节点a和用户节点b之间的好友相似度。
所述步骤8)中，融合步骤4)获得的用户节点之间的行为相似度和步骤7)获得的用户节点的好友相似度，根据模块度增量进行节点合并，获得融合后的相似度；以实现移动用户节点组网；
具体地，采用如下公式(3)计算融合后的相似度：
Szong＝ηSposition-time+(1-η)Suser (3)
其中，Szong表示融合后的相似度，Sposition-time表示由地理位置和时间信息得到的用户节点行为相似度，Suser表示由用户节点社交关系得到的用户节点好友相似度，参数η∈[0,1]，表示由地理位置特征和时间特征信息得到的用户节点行为相似度的权重比例。
其中，参数η确定如下：参数η的初始取值为0，然后每次增加0.01，直到η的取值为1，通过实验确定η的最终取值，用于确定位置、时间信息和好友关系信息对用户节点行为相似度的影响。
本发明的优点在于：
与现有技术相比，本发明提供的一种融合位置与时间特征的移动用户节点组网方法，考虑用户节点位置、时间信息以及用户节点关系网络的拓扑结构，达到了更准确衡量用户节点之间相似度的目的。
附图说明
图1是本发明的一种融合地理位置与时间特征的移动用户节点组网方法的流程图。
具体实施方式
如图1所示，本发明提供了一种融合地理位置与时间特征的移动用户节点组网方法，该方法包括：
步骤1)采用包括卷积神经网络(CNN)、循环神经网络(RNN)在内的现有神经网络，提取用户节点的地理位置特征和时间特征，再将用户节点签到的时间划分成若干个子时间段；其中，所述地理位置特征为用户节点签到过的地理位置或感兴趣的地理位置；所述时间特征为用户节点签到的时间；再将用户节点签到的时间划分成若干个子时间段；
步骤2)将步骤1)获得的若干个子时间段分别设置对应的时间权值；
步骤3)采用基于密度的聚类算法，对每个子时间段内用户节点签到过的地理位置或感兴趣的地理位置，按照活动半径聚合成N个簇；其中，N为簇的总数；
步骤4)所述步骤3)得到的N个簇中，记录每个子时间段内任意两个用户节点属于同一个簇的数目，作为共同簇的数目n，根据共同簇的数目n与簇的总数N的比值，即n/N；计算任意两个用户节点之间的行为相似度；其中，所述任意两个用户节点之间的行为相似度为用户节点的地理位置的相似度；
步骤5)根据步骤2)得到的子时间段的权值和步骤4)得到的子时间段内用户节点之间行为相似度，计算一天全部时间段内用户节点的行为相似度；
步骤6)将用户节点社交关系网络抽象为图结构，节点为用户，边为用户之间的连接，用Girvan-Newman算法，将用户节点社交关系网络划分为若干个子社区；
步骤7)采用SimRank算法，计算步骤6)得到的每个子社区内部任意两个用户节点的好友相似度；
步骤8)融合地理位置特征和时间特征，进而融合步骤4)获得的用户节点之间的行为相似度和步骤7)获得的用户节点的好友相似度，根据模块度增量进行节点合并，获得融合后的相似度，以实现移动用户节点组网。
上述技术方案中，所述步骤1)中，根据用户节点在不同时间段的活跃程度，将所述用户节点签到的时间划分成若干个子时间段。具体地，以每天为单位，把用户节点签到时间划分为4个子时间段：0点到7点为第一子时间段，8点到12点为第二子时间段，13点到18点为第三子时间段，19点到23点为第四子时间段。其中，活跃程度为给定时间段内的签到用户总数；签到用户总数最多的时间段定义为活跃，除了签到用户总数最多的时间段以外的其他的时间段定义为不活跃。
上述技术方案中，所述步骤2)中，根据每个子时间段的签到用户总数，设置的对应的时间权值之间应该较为平均；其中，第三子时间段和第四子时间段对应的时间权值要大于第一子时间段和第二子时间段的时间权值。
所述步骤3)中，采用包括DBSCAN在内的基于密度的聚类算法，对每个子时间段内用户节点签到过的地理位置或感兴趣的地理位置，按照活动半径聚合成N个簇。
所述步骤5)进一步包括：
根据步骤2)得到的每个子时间段对应的时间权值和步骤4)得到的每个相应子时间段用户节点之间的行为相似度，计算一天总时间段内用户节点的行为相似度；其中，根据公式(1)，获得所述一天总时间段内用户节点行为的相似度Sposition-time：
其中，Sposition-time表示一天总时间段内用户节点行为的相似度，i表示各个子时间段，ai为各个子时间段对应的时间权值；其中，
所述步骤6)进一步包括：
步骤601)将用户节点社交关系网络抽象为图结构，节点为用户，边为用户之间的连接，用Girvan-Newman算法，计算图结构中所有边的边介数；
步骤602)移除图结构中具有最大边介数的边；
步骤603)移除图结构中具有最大边介数的边后，重新计算剩余边的边介数；
步骤604)重复步骤602)至步骤603)，直到图结构中所有的边都被移除；
步骤605)按照边的移除顺序反向构建社区，具体地，最后一次移除的所有边连通的所有点，构成最小的第一级子社区；倒数第二次移除的所有边连通的所有点，构成较大的第二级子社区；以此类推，直到第一次被移除的所有边连通的所有点，构成首级子社区，进而获得若干个子社区。
所述步骤7)进一步包括：
步骤701)将步骤6)得到的每个子社区设置为图结构G＝(V，E)，图结构G＝(V，E)中的任意两个用户节点a，b∈V，其中，Suser(a,b)∈[0,1]表示任意两个用户节点a和b之间的好友相似度，则初始值为
步骤702)对于任意用户节点a，如果存在边ab∈E，其中ab表示节点a与节点b的连接边；则认为节点a与节点b关联。假设I(a)表示任意用户节点a的所有关联节点的集合，|I(a)|表示节点a的所有关联节点的数目，Ii(a)表示任意用户节点a的第i个关联节点，d∈(0,1)的常数，默认情况下d＝0.8，则每次迭代的Suser(a,b)为：
其中，表|I(b)|用户节点b的所有关联节点的数目，Ii(b)表示任意用户节点b的第i个关联节点；
步骤703)对步骤702)的Suser(a,b)进行迭代，直到Suser(a,b)收敛，获得最后的结果，则最后的结果为任意用户节点a和用户节点b之间的好友相似度。
所述步骤8)中，融合步骤4)获得的用户节点之间的行为相似度和步骤7)获得的用户节点的好友相似度，根据模块度增量进行节点合并，获得融合后的相似度，以实现移动用户节点组网；
具体地，采用如下公式(3)计算融合后的相似度：
Szong＝ηSposition-time+(1-η)Suser (3)
其中，Szong表示融合后的相似度，Sposition-time表示由地理位置和时间信息得到的用户节点行为相似度，Suser表示由用户节点社交关系得到的用户节点好友相似度，参数η∈[0,1]，表示由地理位置特征和时间特征信息得到的用户节点行为相似度的权重比例。
其中，参数η确定如下：参数η的初始取值为0，然后每次增加0.01，直到η的取值为1，通过实验确定η的最终取值，用于确定位置、时间信息和好友关系信息对用户节点行为相似度的影响。
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种融合地理位置与时间特征的移动用户节点组网方法，其特征在于，该方法包括：
步骤1)采用包括CNN、RNN在内的现有神经网络，提取用户节点的地理位置特征和时间特征；其中，所述地理位置特征为用户节点签到过的地理位置或感兴趣的地理位置；所述时间特征为用户节点签到的时间；再将用户节点签到的时间划分成若干个子时间段；
步骤2)将步骤1)获得的若干个子时间段分别设置对应的时间权值；
步骤3)采用基于密度的聚类算法，对每个子时间段内用户节点签到过的地理位置或感兴趣的地理位置，按照活动半径聚合成N个簇；其中，N为簇的总数；
步骤4)所述步骤3)得到的N个簇中，记录每个子时间段内任意两个用户节点属于同一个簇的数目，作为共同簇的数目n，根据共同簇的数目n与簇的总数N的比值，即n/N；计算任意两个用户节点之间的行为相似度；其中，所述任意两个用户节点之间的行为相似度为用户节点的地理位置的相似度；
步骤5)根据步骤2)得到的子时间段的权值和步骤4)得到的子时间段内用户节点之间行为相似度，计算一天全部时间段内用户节点的行为相似度；
步骤6)将用户节点社交关系网络抽象为图结构，节点为用户，边为用户之间的连接，用Girvan-Newman算法，将用户节点社交关系网络划分为若干个子社区；
步骤7)采用SimRank算法，计算步骤6)得到的每个子社区内部任意两个用户节点的好友相似度；
步骤8)融合地理位置特征和时间特征，进而融合步骤4)获得的用户节点之间的行为相似度和步骤7)获得的用户节点的好友相似度，根据模块度增量进行节点合并，获得融合后的相似度，以实现移动用户节点组网。
2.根据权利要求1所述的方法，其特征在于，所述步骤1)中，根据用户节点在不同时间段的活跃程度，将所述用户节点签到的时间划分成若干个子时间段；具体地，以每天为单位，把用户节点签到时间划分为4个子时间段：0点到7点为第一子时间段，8点到12点为第二子时间段，13点到18点为第三子时间段，19点到23点为第四子时间段。
3.根据权利要求1所述的方法，其特征在于，所述步骤2)中，根据每个子时间段的签到用户总数，设置的对应的时间权值之间应该较为平均；其中，第三子时间段和第四子时间段对应的时间权值要大于第一子时间段和第二子时间段的时间权值。
4.根据权利要求1所述的方法，其特征在于，所述步骤3)中，采用包括DBSCAN在内的基于密度的聚类算法，对每个子时间段内用户节点签到过的地理位置或感兴趣的地理位置，按照活动半径聚合成N个簇。
5.根据权利要求1所述的方法，其特征在于，所述步骤5)进一步包括：
根据步骤2)得到的每个子时间段对应的时间权值和步骤4)得到的每个相应子时间段用户节点之间的行为相似度，计算一天总时间段内用户节点的行为相似度；其中，根据公式(1)，获得所述一天总时间段内用户节点行为的相似度Sposition-time：
其中，Sposition-time表示一天总时间段内用户节点行为的相似度，i表示各个子时间段，ai为各个子时间段对应的时间权值；其中，
6.根据权利要求1所述的方法，其特征在于，所述步骤6)进一步包括：
步骤601)将用户节点社交关系网络抽象为图结构，节点为用户，边为用户之间的连接，用Girvan-Newman算法，计算图结构中所有边的边介数；
步骤602)移除图结构中具有最大边介数的边；
步骤603)移除图结构中具有最大边介数的边后，重新计算剩余边的边介数；
步骤604)重复步骤602)至步骤603)，直到图结构中所有的边都被移除；
步骤605)按照边的移除顺序反向构建社区，具体地，最后一次移除的所有边连通的所有点，构成最小的第一级子社区；倒数第二次移除的所有边连通的所有点，构成较大的第二级子社区；以此类推，直到第一次被移除的所有边连通的所有点，构成首级子社区，进而获得若干个子社区。
7.根据权利要求1所述的方法，其特征在于，所述步骤7)进一步包括：
步骤701)将步骤6)得到的每个子社区设置为图结构G＝(V，E)，图结构G＝(V，E)中的任意两个用户节点a，b∈V，其中，Suser(a,b)∈[0,1]表示任意两个用户节点a和b之间的好友相似度，则初始值为
步骤702)对于任意用户节点a，如果存在边ab∈E，其中ab表示节点a与节点b的连接边；则认为节点a与节点b关联；假设I(a)表示任意用户节点a的所有关联节点的集合，|I(a)|表示节点a的所有关联节点的数目，Ii(a)表示任意用户节点a的第i个关联节点，d∈(0,1)的常数，默认情况下d＝0.8，则每次迭代的Suser(a,b)为：
其中，|I(b)|户节点b的所有关联节点的数目，Ii(b)表示任意用户节点b的第i个关联节点；
步骤703)对步骤702)的Suser(a,b)进行迭代，直到Suser(a,b)收敛，获得最后的结果，则最后的结果为任意用户节点a和用户节点b之间的好友相似度。
8.根据权利要求1所述的方法，其特征在于，所述步骤8)中，融合步骤4)获得的用户节点之间的行为相似度和步骤7)获得的用户节点的好友相似度，根据模块度增量进行节点合并，获得融合后的相似度，以实现移动用户节点组网；
具体地，采用如下公式(3)计算融合后的相似度：
Szong＝ηSposition-time+(1-η)Suser (3)
其中，Szong表示融合后的相似度，Sposition-time表示由地理位置和时间信息得到的用户节点行为相似度，Suser表示由用户节点社交关系得到的用户节点好友相似度，参数η∈[0,1]，表示由地理位置特征和时间特征信息得到的用户节点行为相似度的权重比例。
9.根据权利要求8所述的方法，其特征在于，所述参数η确定如下：参数η的初始取值为0，然后每次增加0.01，直到η的取值为1，通过实验确定η的最终取值，用于确定位置、时间信息和好友关系信息对用户节点行为相似度的影响。
CN201810049386.3A 2018-01-18 2018-01-18 一种融合地理位置与时间特征的移动用户节点组网方法 Pending CN110059795A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810049386.3A CN110059795A (zh) 2018-01-18 2018-01-18 一种融合地理位置与时间特征的移动用户节点组网方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810049386.3A CN110059795A (zh) 2018-01-18 2018-01-18 一种融合地理位置与时间特征的移动用户节点组网方法

Publications (1)

Publication Number Publication Date
CN110059795A true CN110059795A (zh) 2019-07-26

Family

ID=67315634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810049386.3A Pending CN110059795A (zh) 2018-01-18 2018-01-18 一种融合地理位置与时间特征的移动用户节点组网方法

Country Status (1)

Country Link
CN (1) CN110059795A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110781742A (zh) * 2019-09-23 2020-02-11 中国地质大学（武汉） 一种人流智能识别出行管理系统
CN112328911A (zh) * 2020-10-30 2021-02-05 腾讯科技（深圳）有限公司 地点推荐方法、装置、设备及存储介质
CN113780413A (zh) * 2021-09-10 2021-12-10 微民保险代理有限公司 群体风险识别方法、装置、计算机设备和存储介质
TWI756992B (zh) * 2019-12-18 2022-03-01 財團法人國家衛生研究院 計算活動期間及效率的方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140351337A1 (en) * 2012-02-02 2014-11-27 Tata Consultancy Services Limited System and method for identifying and analyzing personal context of a user
CN105243148A (zh) * 2015-10-25 2016-01-13 西华大学 一种基于签到数据的时空轨迹相似性度量方法及系统
CN105389332A (zh) * 2015-10-13 2016-03-09 广西师范学院 一种地理社交网络下的用户相似性计算方法
CN105791085A (zh) * 2016-01-26 2016-07-20 西安电子科技大学 在位置社交网络中基于位置与时间的好友推荐方法
CN106021305A (zh) * 2016-05-05 2016-10-12 北京邮电大学 一种模式与偏好感知的poi推荐方法及系统
CN106326345A (zh) * 2016-08-08 2017-01-11 浙江工业大学 一种基于用户行为的社交网络中朋友关系挖掘方法
CN106934696A (zh) * 2017-03-15 2017-07-07 深圳大学 一种基于用户地理位置信息的产品推荐方法及系统
CN107506455A (zh) * 2017-08-29 2017-12-22 重庆邮电大学 一种融合用户社交圈相似度的好友推荐方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140351337A1 (en) * 2012-02-02 2014-11-27 Tata Consultancy Services Limited System and method for identifying and analyzing personal context of a user
CN105389332A (zh) * 2015-10-13 2016-03-09 广西师范学院 一种地理社交网络下的用户相似性计算方法
CN105243148A (zh) * 2015-10-25 2016-01-13 西华大学 一种基于签到数据的时空轨迹相似性度量方法及系统
CN105791085A (zh) * 2016-01-26 2016-07-20 西安电子科技大学 在位置社交网络中基于位置与时间的好友推荐方法
CN106021305A (zh) * 2016-05-05 2016-10-12 北京邮电大学 一种模式与偏好感知的poi推荐方法及系统
CN106326345A (zh) * 2016-08-08 2017-01-11 浙江工业大学 一种基于用户行为的社交网络中朋友关系挖掘方法
CN106934696A (zh) * 2017-03-15 2017-07-07 深圳大学 一种基于用户地理位置信息的产品推荐方法及系统
CN107506455A (zh) * 2017-08-29 2017-12-22 重庆邮电大学 一种融合用户社交圈相似度的好友推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
M.E.J.NEWMAN等: "Finding and evaluating community structure in networks", 《ARXIV:COND-MAT/0308217V1》 *
黄大钧: "基于自我中心网络和GPS轨迹信息的好友推荐算法的研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑（月刊）》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110781742A (zh) * 2019-09-23 2020-02-11 中国地质大学（武汉） 一种人流智能识别出行管理系统
TWI756992B (zh) * 2019-12-18 2022-03-01 財團法人國家衛生研究院 計算活動期間及效率的方法
CN112328911A (zh) * 2020-10-30 2021-02-05 腾讯科技（深圳）有限公司 地点推荐方法、装置、设备及存储介质
CN112328911B (zh) * 2020-10-30 2023-05-23 腾讯科技（深圳）有限公司 地点推荐方法、装置、设备及存储介质
CN113780413A (zh) * 2021-09-10 2021-12-10 微民保险代理有限公司 群体风险识别方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
Guo et al. Deep federated learning enhanced secure POI microservices for cyber-physical systems
Liu et al. TaskMe: Multi-task allocation in mobile crowd sensing
CN114116198A (zh) 一种移动车辆的异步联邦学习方法、系统、设备及终端
Kong et al. Big data‐driven machine learning‐enabled traffic flow prediction
CN110059795A (zh) 一种融合地理位置与时间特征的移动用户节点组网方法
Zhang et al. Quality-aware user recruitment based on federated learning in mobile crowd sensing
CN105389332A (zh) 一种地理社交网络下的用户相似性计算方法
CN109921921B (zh) 一种时变网络中时效稳定社团的检测方法和装置
Rahimi et al. Behavior-based location recommendation on location-based social networks
Wang et al. Human mobility prediction using sparse trajectory data
Wang et al. Attentional Markov model for human mobility prediction
Xiong et al. A point-of-interest suggestion algorithm in Multi-source geo-social networks
Shafik et al. Recommendation system comparative analysis: internet of things aided networks
Chakeri et al. A platform-based incentive mechanism for autonomous vehicle crowdsensing
CN111104607A (zh) 基于签到数据的地点推荐方法及装置
CN110222273B (zh) 基于地理社区的社交网络中的商业点推广方法和系统
Zhou et al. Intelligent service recommendation for cold-start problems in edge computing
Liu et al. Multi-Task Data Collection With Limited Budget in Edge-Assisted Mobile Crowdsensing
Quan et al. An optimized task assignment framework based on crowdsourcing knowledge graph and prediction
Wang et al. Predicting poi visits with a heterogeneous information network
Alkurd et al. A synthetic user behavior dataset design for data-driven AI-based personalized wireless networks
Al-Molegi et al. Regions-of-interest discovering and predicting in smartphone environments
Mourchid et al. A Markov chain model for integrating context in recommender systems
Jia et al. TSBM: The temporal-spatial Bayesian model for location prediction in social networks
CN115495661A (zh) 一种基于用户长短期偏好的自适应兴趣点推荐方法

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
TA01 Transfer of patent application right

Effective date of registration: 20210816

Address after: 100190, No. 21 West Fourth Ring Road, Beijing, Haidian District

Applicant after: INSTITUTE OF ACOUSTICS, CHINESE ACADEMY OF SCIENCES

Address before: 100190, No. 21 West Fourth Ring Road, Beijing, Haidian District

Applicant before: INSTITUTE OF ACOUSTICS, CHINESE ACADEMY OF SCIENCES

Applicant before: BEIJING INTELLIX TECHNOLOGIES Co.,Ltd.

Effective date of registration: 20210816

Address after: Room 1601, 16th floor, East Tower, Ximei building, No. 6, Changchun Road, high tech Industrial Development Zone, Zhengzhou, Henan 450001

Applicant after: Zhengzhou xinrand Network Technology Co.,Ltd.

Address before: 100190, No. 21 West Fourth Ring Road, Beijing, Haidian District

Applicant before: INSTITUTE OF ACOUSTICS, CHINESE ACADEMY OF SCIENCES

TA01 Transfer of patent application right
RJ01 Rejection of invention patent application after publication

Application publication date: 20190726

RJ01 Rejection of invention patent application after publication