CN110134883A - 一种异构社交网络位置实体锚链接识别方法 - Google Patents
一种异构社交网络位置实体锚链接识别方法 Download PDFInfo
- Publication number
- CN110134883A CN110134883A CN201910325631.3A CN201910325631A CN110134883A CN 110134883 A CN110134883 A CN 110134883A CN 201910325631 A CN201910325631 A CN 201910325631A CN 110134883 A CN110134883 A CN 110134883A
- Authority
- CN
- China
- Prior art keywords
- user
- location
- similarity
- middle position
- anchor
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012552 review Methods 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 101000912561 Bos taurus Fibrinogen gamma-B chain Proteins 0.000 description 1
- 240000006677 Vicia faba Species 0.000 description 1
- 235000010749 Vicia faba Nutrition 0.000 description 1
- 235000002098 Vicia faba var. major Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/21—Monitoring or handling of messages
- H04L51/222—Monitoring or handling of messages using geographical location information, e.g. messages transmitted or received in proximity of a certain spot or area
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/52—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail for supporting social networking services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种异构社交网络位置实体锚链接识别方法,所述方法包括如下步骤:步骤一、对G1和G2中位置的位置名进行相似度判定;步骤二、对G1和G2中位置的经纬度进行相似度判定;步骤三、对G1和G2中位置的位置相关用户评论进行相似度判定;步骤四、对G1和G2中位置的位置相关用户访问时间进行相似度判定;步骤五、实现两个异构社交网络G1和G2中锚链接用户访问位置关联关系识别;步骤六、构建多组二维矩阵进行识别产生的结果并计算基于位置属性和锚链接用户位置关联关系的位置相似度;步骤七、通过KM算法实现位置锚链接的最佳匹配。实验结果表明,本发明提出的位置实体锚链接识别方法在识别准确率上较已有方法有了一定程度的提升。
Description
技术领域
本发明属于社交网络分析技术领域,涉及一种异构社交网络中对位置实体进行锚链接识别的方法,具体涉及一种异构社交网络中基于锚链接用户的位置锚链接识别的方法。
背景技术
随着计算机和互联网深入到人们的生活中,越来越多的人使用网络进行社交,而单一的网络结构已经无法满足人们的需求,因此异构网络也应运而生。异构社交网络通常包括多个抽象实体,这些实体以及他们之间的关系组成一个庞大的社交网络,如国外的Facebook、Twitter以及国内的新浪微博、豆瓣等,这些在线社交网络已经在我们的生活中占据了重要位置,改变了我们的生活方式。具体如图1所示。地理位置服务的兴起也使得一些基于位置的社交网络逐渐进入人们的生活,如国外的Foursquare、Gowalla和国内的街旁等社交平台。而作为传统的社交平台如Twitter、YouTube等也引入了位置信息,使得用户可以在发布内容时共享位置并根据范围寻找好友等。因此越来越多的研究人员从地理位置方面出发,在进行用户分析时,对用户的移动行为归纳总结与研究。早期的社交网络主要根据虚拟网络中的静态结构以及动态结构进行分析,无法与现实结合。而基于位置的社交网络的出现,能够将虚拟网络的研究与现实空间联系在一起,产生多维度的研究成果。位置作为社交网络的重要特性之一,主要分为绝对位置、相对位置以及语义位置。用户的兴趣爱好以及移动行为模式通过位置信息的研究与分析能够有效的展现出来。
对于位置实体锚链接,近几年研究比较少。Zhang Jiawei和Philip S.Yu通过分析对齐社交网络中的用户与位置实体,对Foursquare和Twitter中的用户锚链接与位置锚链接进行了预测。作者提出了以位置为出发点的半监督链接预测方法,该方法将社交网络中用户的潜在关系信息和对应的签到位置信息相结合,进而强化了学习模型,最后通过实验表明位置特征对链接预测性能的提高很显著。现有工作中,研究位置锚链接对位置推荐有很大的贡献。李朔研究了基于位置的社交网络中地点推荐方法,并提出了一个改进的推荐方法,方法中将位置语义与距离等因素作为重要的考量因素。用户通过社交网络的位置服务功能可以获取当前位置信息,以便于好友间位置的获取,同时位置信息在社交网络中的传递,更加方便了用户的位置共享和评论等需求。用户不仅仅可以通过传递位置信息,而且通过位置信息进行用户与用户信息之间的交互。国外的Foursquare社交平台是一个基于地理信息的网络平台,人们主要通过分享自己当下所在的地址位置信息进而与好友交流。Twitter作为一个社交网络平台也添加了位置共享的功能。国内的新浪微博、百度贴吧等等也都具有地理位置分享的功能。位置信息在社交网络中占有着重要的位置,对用户身份识别、用户推荐以及在刻画用户画像等方面都十分关键。
发明内容
本发明为了提高异构社交网络中位置实体锚链接的识别准确率,提供了一种异构社交网络位置实体锚链接识别方法。
本发明的目的是通过以下技术方案实现的:
一种异构社交网络位置实体锚链接识别方法,包括如下步骤:
步骤一、对两个异构社交网络G1和G2中位置的位置名进行相似度判定,其中:位置名相似度的计算公式如下:
其中,表示为G1中位置的位置名,表示G2中位置的位置名,为矩阵Mn中位置和基于位置名的相似度判定方法的相似值;
步骤二、对两个异构社交网络G1和G2中位置的经纬度进行相似度判定,其中:经纬度相似度的计算公式如下:
其中,R表示地球半径,Δγ为两个异构社交网络中位置的经度差值,分别表示G1中位置的纬度和经度以及G2中位置的纬度和经度,为矩阵Mh中位置和基于经纬度的相似度判定方法的相似值;
步骤三、对两个异构社交网络G1和G2中位置的位置相关用户评论进行相似度判定,其中:位置相关用户评论相似度的计算公式如下:
其中,α为两个异构社交网络G1和G2中位置评论词语集合的公共词语,N表示两个网络下位置总数量,Nα表示为评论中含有单词α的位置总数量,表示公共词语α在G1网络下出现的次数,表示公共词语α在G2网络下出现的次数,lc为G2网络下位置评论的单词集合的长度,表示所有单词结合的平均长度,k1、k2、b是调节因子,为异构社交网络G1中位置相关的用户评论,为异构社交网络G2中位置相关的用户评论,为矩阵Md中位置和基于位置相关的用户评论的相似度判定方法的相似值;
步骤四、对两个异构社交网络G1和G2中位置的位置相关用户访问时间进行相似度判定,其中:位置相关用户访问时间相似度的计算公式如下:
其中,tc作为根据用户签到时间位置相似程度符号,为异构社交网络G1中位置相关的用户评论,为异构社交网络G2中位置相关的用户评论,为矩阵Mt中位置和基于位置相关的用户访问时间的相似度判定方法的相似值;
步骤五、利用锚链接用户与位置的关联性,强化位置锚链接的识别,实现两个异构社交网络G1和G2中锚链接用户访问位置关联关系识别,其中:锚链接用户访问位置关联关系的计算公式如下:
其中,和分别表示两个异构社交网络G1和G2中用户与位置的关系,表示用户锚链接矩阵;
步骤六、从位置属性和锚链接用户位置关联关系两个方面刻画位置实体,构建多组二维矩阵Mn、Mh、Md、Mt和N分别表示基于位置名、经纬度、位置相关的用户评论、位置相关的用户访问时间和锚链接用户位置关联关系进行识别产生的结果并计算基于位置属性和锚链接用户位置关联关系的位置相似度,其中:计算基于位置属性和锚链接用户位置关联关系的位置相似度的公式如下:
S1=α′Mn+β′Mh+γ′Md+θ′Mt+μ′N;
其中,S1是一个二维矩阵,α′、β′、γ′、θ′和μ′作为调节因子;
步骤七、采用二分图的方式解决通过位置属性和锚链接用户位置关联关系产生的位置与位置之间多对多的问题,并通过KM算法实现位置锚链接的最佳匹配。
相比于现有技术,本发明具有如下优点:
本发明提出了一种针对异构社交网络位置实体锚链接LAUU(Location anchorlink identification of Anchor link Users in Unsupervised mode)的识别方法,基于异构社交网络用户锚链接,同时综合考虑位置自身属性以及用户与位置的关系,强化用户与位置的关联关系的作用,建立位置实体锚链接的识别模型。实验结果表明,本发明提出的位置实体锚链接识别方法在识别准确率上较已有方法有了一定程度的提升。
附图说明
图1是一个社交网络示意图。
图2是一个社交网络位置实体特征图。
图3是一个大圆距离示意图。
图4是锚链接用户与位置关联关系示意图。
图5是一个二分图示意图。
图6是本发明方法与已有方法在识别位置锚链接准确率的对比。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明,但并不局限于此,凡是对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,均应涵盖在本发明的保护范围中。
本发明提供了一种异构社交网络位置实体锚链接识别方法,所述方法包括如下步骤:
1、给定异构社交网络G,G=(V,E),其中节点V包含多种信息节点,V={Vnum|num∈Z+},num表示节点的种类,当num=2时,节点表示位置l且l∈V2;节点间的链接E包含多种类型,nmu1、nmu2表示节点的种类。
2、给定两个异构社交网络G1和G2,位置集合分别用和表示。位置锚链接当且仅当
3、给定两个异构社交网络G1和G2,和分别用于位置属性相似度判定和锚链接用户位置关联关系识别的位置二维矩阵,表示位置与位置的关系,attr′={n′,h,d,t},n′、h、d、t分别表示位置的四种属性:位置名、经纬度、位置相关的评论内容和位置相关的访问时间。M中每个值为和根据位置属性相似度判定得到的数值,N中每个值为和根据锚链接用户位置关联关系识别得到的数值。
4、给定两个异构社交网络G1和G2,和分别表示G1和G2中用户与位置的关系,当用户访问过位置时,用1来表示,否则用0表示。中每个值为和根据用户是否访问过位置所得到的数值,中每个值为和根据用户是否访问过位置所得到的数值。
5、首先计算在两个异构社交网络中基于位置属性的位置相似度,社交网络位置实体特征如图2。
(1)计算两个异构社交网络中基于位置名的位置相似度,位置名一般由一组单词组成。采用杰卡德相似算法进行度量,如公式(1)所示:
其中,表示为G1中位置的位置名,表示G2中位置的位置名,为矩阵Mn中位置和基于位置名的相似度判定方法的相似值。
(2)计算两个异构社交网络中基于经纬度的位置相似度,采用Haversine公式,求出不同社交网络中如图3中两个位置之间的距离,结果用符号表示,如公式(2)、公式(3)以及公式(4)所示。
其中,
符号R表示地球半径,取平均值6371km,Δγ为两个异构社交网络中位置的经度差值。分别表示G1中位置的纬度和经度以及G2中位置的纬度和经度。为矩阵Mh中位置和基于经纬度的相似度判定方法的相似值。
(3)计算两个异构社交网络中基于位置相关的用户评论的位置相似度,统计出每一个待识别的位置的评论,并采用BM25进行文本相似度对比。对于位置下的评论集合,首先通过分词的方法将所有的评论分解成单词的集合,根据下面的公式得出结果,用符号表示,如公式(5)以及公式(6)所示。
其中,
在这里,α为两个网络中位置评论词语集合的公共词语,N表示两个网络下位置总数量,Nα表示为评论中含有单词α的位置总数量。表示公共词语α在G1网络下出现的次数,表示公共词语α在G2网络下出现的次数,lc为G2网络下位置评论的单词集合的长度,表示所有单词结合的平均长度,k1、k2、b是调节因子,范围在(0,1)之间。选取k1和k2均为1,b取0.75。为异构社交网络G1中位置相关的用户评论,为异构社交网络G2中位置相关的用户评论,为矩阵Md中位置和基于位置相关的用户评论的相似度判定方法的相似值。
(4)计算两个异构社交网络中基于位置相关的用户访问时间的位置相似度。采用分段的形式将一天分为四个区间,访问位置的时间按照现实生活中人们的行为进行划分,时间格式按照24小时制,分别以3点到9点作为上午、9点到15点作为中午、15点到21点作为下午以及21点到第二天的3点作为深夜。统计出每个位置用户所签到的时间,并根据签到时间进行时间段归纳整理,最终通过用户签到时间对位置锚链接的识别目标模型如公式(7)所示。
其中,tc作为根据用户签到时间位置相似程度符号。和分别表示在社交网络G1和G2中位置签到时间段最大值和最小值之和。mx,t、nx,t、ax,t、ex,t分别表示在异构社交网络Gx中划分的四个时间段位置被访问的次数占总访问次数的比率。根据上面公式的结果,计算出最终的位置访问时间的位置锚链接识别结果如公式(8)所示。
其中,作为根据用户签到时间位置锚链接识别相似度的结果符号。为异构社交网络G1中位置相关的用户评论,为异构社交网络G2中位置相关的用户评论,为矩阵Mt中位置和基于位置相关的用户访问时间的相似度判定方法的相似值。
6、然后计算图4所示的锚链接用户位置关联关系,分别提取锚链接用户u在G1和G2访问过的用户位置集合L1和L2,构建用户与位置关系矩阵和nu和|Lx|分别表示用户数和位置数。
7、在G1和G2中,判断用户u是否访问过位置,并将用户u访问过位置所对应的矩阵的值置为1,将用户u未访问过位置所对应的矩阵的值置为0(x=1或x=2)。最后根据公式(9),计算两个异构社交网络下锚链接用户访问的位置相似度。
其中,和分别表示两个异构社交网络中用户与位置的关系,用户锚链接矩阵的值由0或1表示,当二者有锚链接时,则用1表示,对于没有锚链接的用户,矩阵对应值为0,并且用户锚链接为一对一,因此矩阵的每行每列只有一个1。
8、最终整合位置属性与用户锚链接位置关联关系,异构社交网络位置实体锚链接识别算法LAUU如公式(10)所示:
S1=α′Mn+β′Mh+γ′Md+θ′Mt+μ′N (10);
其中,S1是一个二维矩阵,矩阵的行和列为两个社交网络中的基于锚链接用户产生的位置,0表示二者不具有位置锚链接,1表示二者具有位置锚链接。其中,α′、β′、γ′、θ′和μ′作为调节因子且满足公式(11):
α′+β′+γ′+θ′+μ′=1 (11)。
9、初始化二维矩阵S1,行和列表示两个异构社交网络中基于锚链接用户产生的位置,m1和m2分别表示在两个异构社交网络G1和G2中基于锚链接用户产生的位置数目,初始化调节因子α′、β′、γ′、θ′和μ′均为0.2,根据公式(10)计算基于位置属性和锚链接用户位置关联关系的位置相似值。
10、位置多对多的关系以图5形式展现。采用KM算法实现最佳匹配,异构社交网络位置实体锚链接最佳匹配结果用二维矩阵S1′存储。
图6是本发明方法与已有方法在识别位置锚链接准确率的对比,由此图可知本发明方法在识别准确率上较已有方法有了一定程度的提升。
Claims (10)
1.一种异构社交网络位置实体锚链接识别方法,其特征在于所述方法包括如下步骤:
步骤一、对两个异构社交网络G1和G2中位置的位置名进行相似度判定;
步骤二、对两个异构社交网络G1和G2中位置的经纬度进行相似度判定;
步骤三、对两个异构社交网络G1和G2中位置的位置相关用户评论进行相似度判定;
步骤四、对两个异构社交网络G1和G2中位置的位置相关用户访问时间进行相似度判定;
步骤五、利用锚链接用户与位置的关联性,强化位置锚链接的识别,实现两个异构社交网络G1和G2中锚链接用户访问位置关联关系识别;
步骤六、从位置属性和锚链接用户位置关联关系两个方面刻画位置实体,构建多组二维矩阵Mn、Mh、Md、Mt和N分别表示基于位置名、经纬度、位置相关的用户评论、位置相关的用户访问时间和锚链接用户位置关联关系进行识别产生的结果并计算基于位置属性和锚链接用户位置关联关系的位置相似度;
步骤七、采用二分图的方式解决通过位置属性和锚链接用户位置关联关系产生的位置与位置之间多对多的问题,并通过KM算法实现位置锚链接的最佳匹配。
2.根据权利要求1所述的异构社交网络位置实体锚链接识别方法,其特征在于所述步骤一中,位置名相似度的计算公式如下:
其中,表示为G1中位置的位置名,表示G2中位置的位置名,为矩阵Mn中位置和基于位置名的相似度判定方法的相似值。
3.根据权利要求1所述的异构社交网络位置实体锚链接识别方法,其特征在于所述步骤二中,经纬度相似度的计算公式如下:
其中,R表示地球半径,Δγ为两个异构社交网络中位置的经度差值,分别表示G1中位置的纬度和经度以及G2中位置的纬度和经度,为矩阵Mh中位置和基于经纬度的相似度判定方法的相似值。
4.根据权利要求1所述的异构社交网络位置实体锚链接识别方法,其特征在于所述步骤三中,位置相关用户评论相似度的计算公式如下:
其中,α为两个异构社交网络G1和G2中位置评论词语集合的公共词语,N表示两个网络下位置总数量,Nα表示为评论中含有单词α的位置总数量,表示公共词语α在G1网络下出现的次数,表示公共词语α在G2网络下出现的次数,lc为G2网络下位置评论的单词集合的长度,表示所有单词结合的平均长度,k1、k2、b是调节因子,为异构社交网络G1中位置lr G1相关的用户评论,为异构社交网络G2中位置相关的用户评论,为矩阵Md中位置和基于位置相关的用户评论的相似度判定方法的相似值。
5.根据权利要求4所述的异构社交网络位置实体锚链接识别方法,其特征在于所述k1、k2、b的范围在(0,1)之间。
6.根据权利要求1所述的异构社交网络位置实体锚链接识别方法,其特征在于所述步骤四中,位置相关用户访问时间相似度的计算公式如下:
其中,tc作为根据用户签到时间位置相似程度符号,为异构社交网络G1中位置相关的用户评论,为异构社交网络G2中位置相关的用户评论,为矩阵Mt中位置和基于位置相关的用户访问时间的相似度判定方法的相似值。
7.根据权利要求6所述的异构社交网络位置实体锚链接识别方法,其特征在于所述tc的计算公式如下:
其中,和分别表示在社交网络G1和G2中位置签到时间段最大值和最小值之和,mx,t、nx,t、ax,t、ex,t分别表示在异构社交网络Gx中划分的四个时间段位置被访问的次数占总访问次数的比率。
8.根据权利要求1所述的异构社交网络位置实体锚链接识别方法,其特征在于所述步骤五中,锚链接用户访问位置关联关系的计算公式如下:
其中,和分别表示两个异构社交网络G1和G2中用户与位置的关系,表示用户锚链接矩阵。
9.根据权利要求8所述的异构社交网络位置实体锚链接识别方法,其特征在于所述的值由0或1表示,当二者有锚链接时,则用1表示,对于没有锚链接的用户,矩阵对应值为0。
10.根据权利要求1所述的异构社交网络位置实体锚链接识别方法,其特征在于所述步骤六中,计算基于位置属性和锚链接用户位置关联关系的位置相似度的公式如下:
S1=α′Mn+β′Mh+γ′Md+θ′Mt+μ′N;
其中,S1是一个二维矩阵,α′、β′、γ′、θ′和μ′作为调节因子,满足以下公式:
α′+β′+γ′+θ′+μ′=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910325631.3A CN110134883B (zh) | 2019-04-22 | 2019-04-22 | 一种异构社交网络位置实体锚链接识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910325631.3A CN110134883B (zh) | 2019-04-22 | 2019-04-22 | 一种异构社交网络位置实体锚链接识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110134883A true CN110134883A (zh) | 2019-08-16 |
CN110134883B CN110134883B (zh) | 2023-06-06 |
Family
ID=67570546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910325631.3A Active CN110134883B (zh) | 2019-04-22 | 2019-04-22 | 一种异构社交网络位置实体锚链接识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110134883B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110515986A (zh) * | 2019-08-27 | 2019-11-29 | 腾讯科技(深圳)有限公司 | 一种社交网络图的处理方法、装置及存储介质 |
CN111475738A (zh) * | 2020-05-22 | 2020-07-31 | 哈尔滨工程大学 | 一种基于元路径的异质社交网络位置锚链接识别方法 |
CN111475739A (zh) * | 2020-05-22 | 2020-07-31 | 哈尔滨工程大学 | 一种基于元路径的异质社交网络用户锚链接识别方法 |
CN112085614A (zh) * | 2020-08-05 | 2020-12-15 | 国家计算机网络与信息安全管理中心 | 一种基于时空行为数据的跨社交网络虚拟用户身份对齐方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056455A (zh) * | 2016-06-02 | 2016-10-26 | 南京邮电大学 | 一种基于位置和社交关系的群组与地点推荐方法 |
US20170061308A1 (en) * | 2015-08-25 | 2017-03-02 | Fuji Xerox Co., Ltd. | Venue Link Detection for Social Media Messages |
CN107145527A (zh) * | 2017-04-14 | 2017-09-08 | 东南大学 | 对齐异构社交网络中基于元路径的链路预测方法 |
CN107784124A (zh) * | 2017-11-23 | 2018-03-09 | 重庆邮电大学 | 一种基于时空关系的lbsn超网络链接预测方法 |
CN109523415A (zh) * | 2018-11-14 | 2019-03-26 | 南京邮电大学 | 异构信息网络关系预测装置 |
-
2019
- 2019-04-22 CN CN201910325631.3A patent/CN110134883B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170061308A1 (en) * | 2015-08-25 | 2017-03-02 | Fuji Xerox Co., Ltd. | Venue Link Detection for Social Media Messages |
CN106056455A (zh) * | 2016-06-02 | 2016-10-26 | 南京邮电大学 | 一种基于位置和社交关系的群组与地点推荐方法 |
CN107145527A (zh) * | 2017-04-14 | 2017-09-08 | 东南大学 | 对齐异构社交网络中基于元路径的链路预测方法 |
CN107784124A (zh) * | 2017-11-23 | 2018-03-09 | 重庆邮电大学 | 一种基于时空关系的lbsn超网络链接预测方法 |
CN109523415A (zh) * | 2018-11-14 | 2019-03-26 | 南京邮电大学 | 异构信息网络关系预测装置 |
Non-Patent Citations (4)
Title |
---|
JIAWEI ZHANG等: "《PCT: Partial Co-Alignment of Social Networks》", 《WWW "16: PROCEEDINGS OF THE 25TH INTERNATIONAL CONFERENCE ON WORLD WIDE WEB》 * |
JIAWEI ZHANG等: "《Transferring heterogeneous links across location-based social networks》", 《PROCEEDINGS OF THE 7TH ACM INTERNATIONAL CONFERENCE ON WEB SEARCH AND DATA MINING》 * |
朱乔亚等: "《采用位置信息的半监督链接预测方法》", 《计算机技术与发展》 * |
王莹等: "《基于位置的社交网络链接预测特征研究》", 《计算机与现代化》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110515986A (zh) * | 2019-08-27 | 2019-11-29 | 腾讯科技(深圳)有限公司 | 一种社交网络图的处理方法、装置及存储介质 |
CN110515986B (zh) * | 2019-08-27 | 2023-01-06 | 腾讯科技(深圳)有限公司 | 一种社交网络图的处理方法、装置及存储介质 |
CN111475738A (zh) * | 2020-05-22 | 2020-07-31 | 哈尔滨工程大学 | 一种基于元路径的异质社交网络位置锚链接识别方法 |
CN111475739A (zh) * | 2020-05-22 | 2020-07-31 | 哈尔滨工程大学 | 一种基于元路径的异质社交网络用户锚链接识别方法 |
CN111475738B (zh) * | 2020-05-22 | 2022-05-17 | 哈尔滨工程大学 | 一种基于元路径的异质社交网络位置锚链接识别方法 |
CN111475739B (zh) * | 2020-05-22 | 2022-07-29 | 哈尔滨工程大学 | 一种基于元路径的异质社交网络用户锚链接识别方法 |
CN112085614A (zh) * | 2020-08-05 | 2020-12-15 | 国家计算机网络与信息安全管理中心 | 一种基于时空行为数据的跨社交网络虚拟用户身份对齐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110134883B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110134883A (zh) | 一种异构社交网络位置实体锚链接识别方法 | |
Hang et al. | Exploring student check-in behavior for improved point-of-interest prediction | |
CN110119475B (zh) | 一种poi推荐方法及推荐系统 | |
Jiao et al. | A novel next new point-of-interest recommendation system based on simulated user travel decision-making process | |
Chen et al. | A Markov chain position prediction model based on multidimensional correction | |
CN105389332A (zh) | 一种地理社交网络下的用户相似性计算方法 | |
CN107633100A (zh) | 一种基于嵌入模型的兴趣点推荐方法及装置 | |
CN107341261A (zh) | 一种面向位置社交网络的兴趣点推荐方法 | |
Cheng et al. | OPTDP: Towards optimal personalized trajectory differential privacy for trajectory data publishing | |
Du et al. | A geographical location prediction method based on continuous time series Markov model | |
Tang et al. | Discovering Travel Community for POI Recommendation on Location‐Based Social Networks | |
Jin et al. | Lbsnrank: personalized pagerank on location-based social networks | |
CN115422441A (zh) | 一种基于社交时空信息与用户偏好的连续兴趣点推荐方法 | |
Mazumdar et al. | An approach to compute user similarity for GPS applications | |
Zhang et al. | An improved probabilistic relaxation method for matching multi-scale road networks | |
CN115408618A (zh) | 一种基于社交关系融合位置动态流行度和地理特征的兴趣点推荐方法 | |
CN108345662A (zh) | 一种考虑用户分布区域差异的签到微博数据加权统计方法 | |
Luan et al. | Collaborative tensor factorization and its application in POI recommendation | |
Orama et al. | Combining cluster-based profiling based on social media features and association rule mining for personalised recommendations of touristic activities | |
Li et al. | [Retracted] Research on the Recommendation Algorithm of Rural Tourism Routes Based on the Fusion Model of Multiple Data Sources | |
Sun et al. | Predicting future locations with semantic trajectories | |
Xie et al. | We know your preferences in new cities: Mining and modeling the behavior of travelers | |
Liang | Intelligent Tourism Personalized Recommendation Based on Multi‐Fusion of Clustering Algorithms | |
Liao et al. | Improving poi recommendation via dynamic tensor completion | |
Lin et al. | Friend recommendation algorithm based on location-based social networks |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |