CN110390039A

CN110390039A - 基于知识图谱的社交关系分析方法、装置及设备

Info

Publication number: CN110390039A
Application number: CN201910677028.1A
Authority: CN
Inventors: 赖伟
Original assignee: GUANGZHOU HUIZHI COMMUNICATION TECHNOLOGY CO LTD
Current assignee: GUANGZHOU HUIZHI COMMUNICATION TECHNOLOGY CO LTD
Priority date: 2019-07-25
Filing date: 2019-07-25
Publication date: 2019-10-29

Abstract

本申请公开了一种基于知识图谱的社交关系分析方法，在获取针对目标对象的分析请求之后，能够基于预先构建的社交关系知识图谱，根据分析请求生成目标对象的社交关系网络，进而对该社交关系网络进行分析，得到目标对象的社交关系分析结果。可见，该方法不仅能够基于社交关系知识图谱构建目标对象的社交关系网络，还能够对社交关系网络进行分析，得到社交关系分析结果，实现了整合检索能力和分析能力的目的，提升了社交关系分析过程的便利性。此外，本申请还提供了一种基于知识图谱的社交关系分析装置、设备及计算机可读存储介质，其作用与上述方法相对应。

Description

基于知识图谱的社交关系分析方法、装置及设备

技术领域

本申请涉及社交分析领域，特别涉及一种基于知识图谱的社交关系分析方法、装置、设备及计算机可读存储介质。

背景技术

社交网络分析是基于信息学、数学、社会学、管理学、心理学等多学科的融合理论和方法，它为理解人类各种社交关系形成、行为特点及信息传播规律提供了一种可计算的分析方法。

社交关系分析一般基于社交网络实现，社交网络是指社会个体成员之间通过社会关系结成的网络体系，社交网络一般以知识图谱的形式存在，知识图谱是指描述真实世界中存在的各种实体概念及其关系的巨大的语义网络图，对于社交网络知识图谱，节点表示人物、概念等实体，边则表示属性或关系。

知识图谱的重要使用方向之一就是构建关系网络从而实现对群体进行社交关系分析。然而，目前大部分的社交关系分析方案仅仅实现了对知识图谱中实体和关系的检索功能，没有整合计算和分析功能，也就是不具备群体分析能力。

发明内容

本申请的目的是提供一种基于知识图谱的社交关系分析方法、装置、设备及计算机可读存储介质，用以解决传统的社交关系分析方案仅仅实现了对知识图谱中实体和关系的检索功能，无法实现分析社交关系的功能的问题。具体方案如下：

第一方面，本申请提供了一种基于知识图谱的社交关系分析方法，包括：

获取针对目标对象的分析请求；

基于预先构建的社交关系知识图谱，根据所述分析请求生成所述目标对象的社交关系网络；

对所述社交关系网络进行分析，得到所述目标对象的社交关系分析结果。

可选的，所述获取针对目标对象的分析请求，包括：

获取针对单个人物实体、多个人物实体或属性实体的分析请求。

可选的，所述对所述社交关系网络进行分析，得到所述目标对象的社交关系分析结果，包括：

对所述社交关系网络中的子群体分组、个体关键性、个体与个体之间的关联性进行分析，得到所述目标对象的社交关系分析结果。

可选的，所述对所述社交关系网络中的子群体分组、个体关键性、个体与个体之间的关联性进行分析，得到所述目标对象的社交关系分析结果，包括：

利用社区发现算法分析所述社交关系网络中的聚集分布，得到子群体分组分析结果，以作为所述目标对象的社交关系分析结果的子分析结果；

利用中心度算法分析所述社交关系网络中的个体关键性，得到关键性分析结果，以作为所述目标对象的社交关系分析结果的子分析结果；

利用路径检索算法分析所述社交关系网络中个体与个体之间的关联性，得到关联性分析结果，以作为所述目标对象的社交关系分析结果的子分析结果。

可选的，在所述基于预先构建的社交关系知识图谱，根据所述分析请求生成所述目标对象的社交关系网络之后，还包括：

显示多个展示模式以供用户选择；

根据用户选定的展示模型对所述社交关系网络进行图形化展示。

可选的，在所述根据用户选定的展示模型对所述社交关系网络进行显示之后，还包括：

响应用户的修改请求以对所述社交关系网络进行修改。

可选的，所述基于预先构建的社交关系知识图谱，根据所述分析请求生成所述目标对象的社交关系网络，包括：

基于预先构建的社交关系知识图谱，根据所述分析请求和时空筛选条件生成所述目标对象的社交关系网络。

第二方面，本申请提供了一种基于知识图谱的社交关系分析装置，包括：

分析请求获取模块：用于获取针对目标对象的分析请求；

网络构建模块：用于基于预先构建的社交关系知识图谱，根据所述分析请求生成所述目标对象的社交关系网络；

分析模块：用于对所述社交关系网络进行分析，得到所述目标对象的社交关系分析结果。

第三方面，本申请提供了一种基于知识图谱的社交关系分析设备，包括：

存储器：用于存储计算机程序；

处理器：用于处理所述计算机程序以实现如上所述的一种基于知识图谱的社交关系分析方法的步骤。

第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如上所述的一种基于知识图谱的社交关系分析方法的步骤。

本申请所提供的一种基于知识图谱的社交关系分析方法，在获取针对目标对象的分析请求之后，能够基于预先构建的社交关系知识图谱，根据分析请求生成目标对象的社交关系网络，进而对该社交关系网络进行分析，得到目标对象的社交关系分析结果。可见，该方法不仅能够基于社交关系知识图谱构建目标对象的社交关系网络，还能够对社交关系网络进行分析，得到社交关系分析结果，实现了整合检索能力和分析能力的目的，提升了社交关系分析过程的便利性。

此外，本申请还提供了一种基于知识图谱的社交关系分析装置、设备及计算机可读存储介质，其作用与上述方法相对应，这里不再赘述。

附图说明

为了更清楚的说明本申请实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请所提供的一种基于知识图谱的社交关系分析方法实施例一的实现流程图；

图2为本申请所提供的一种基于知识图谱的社交关系分析方法实施例一中实体与关系的示意图；

图3为本申请所提供的一种基于知识图谱的社交关系分析方法实施例二的实现流程图；

图4为本申请所提供的一种基于知识图谱的社交关系分析方法实施例三的实现流程图；

图5为本申请所提供的一种基于知识图谱的社交关系分析方法实施例四的实现流程图；

图6为本申请所提供的一种基于知识图谱的社交关系分析方法实施例四中树形布局示意图；

图7为本申请所提供的一种基于知识图谱的社交关系分析方法实施例五中社交关系知识图谱系统的前端结构示意图；

图8为本申请所提供的一种基于知识图谱的社交关系分析方法实施例五中社交关系知识图谱系统的后端结构示意图；

图9为本申请所提供的一种基于知识图谱的社交关系分析方法实施例五中社交关系知识图谱的构建过程示意图；

图10为本申请所提供的一种基于知识图谱的社交关系分析装置实施例的功能框图；

图11为本申请所提供的一种基于知识图谱的社交关系分析设备实施例的结构示意图。

具体实施方式

本申请的核心是提供一种基于知识图谱的社交关系分析方法、装置、设备及计算机可读存储介质，实现了整合检索能力和分析能力的目的，提升了社交关系分析过程的便利性。

为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在介绍本申请提供的实施方案之前，首先对相关背景进行介绍，具体如下：

在实际工作中，当我们面对海量数据时，往往会受到数据孤岛问题的困扰。不同来源的数据，其格式、定义和业务处理逻辑各不相同，我们往往需要利用不同的系统以不同的方式将数据查询出来，并对其做跨领域的数据变换，才能做进一步的数据分析。除此之外，数据往往存在于大量非结构化数据中，进一步增加了数据提取分析的难度。

本体论(Ontology)是一种探究世界本源或机制的哲学理论，在信息科学中，本体论被定义为“给出构成相关领域词汇的基本术语和关系，以及利用这些术语和关系构成的规定这些词汇外延规则的定义”，更进一步明确为“共享概念模型的形式化规范说明”。

知识图谱(Knowledge Graph)是一种本体论在信息领域的实现方式，知识图谱是一张巨大的语义网络图，它通过实体和关系描述真实事件的物体、事物和联系。其中，实体是指可区别性且独立存在的某种事物，在图形化分析中往往以“节点”的形式出现；关系是用来表达实体和实体之间的某种联系，在图形化分析中往往展现为实体节点之间的连线，即“边”。

知识图谱社交网络是指社会个体成员之间通过社会关系结成的网络体系，社交关系分析目的在于基于社交网络理解人类各种社交关系形成、行为特点、信息传播规律等。

下面对本申请提供的一种基于知识图谱的社交关系分析方法实施例一进行介绍，参见图1，实施例一包括：

步骤S101：获取针对目标对象的分析请求；

进行社交关系分析之前，首先需要确定分析的对象，即上述目标对象，本实施例中目标对象主要指知识图谱社交网络中的实体。作为一种具体的实施方式，本实施例以任务方式组织分析过程，当用户请求执行数据分析时，首先要进入一个已经创建的分析任务，然后再触发该分析任务的执行过程。

本实施例提供了多种在分析任务中加入目标对象的方式，例如，用户可以直接在界面输入目标对象数据，本实施例获取到该目标对象后，将目标对象加入指定分析任务中；用户还可以使用自定义导入功能，本实施例读取用户导入的文件中的目标数据字段，并将该数据字段作为目标对象加入分析任务中；此外，用户还可以使用搜索功能，本实施例根据用户输入的关键字从指定数据源中搜索目标对象，并将目标对象加入分析任务中。作为一种具体的实施方式，本实施例将分析任务保存在数据库中，支持用户对分析任务的新建、删除、查看和保存等操作。

步骤S102：基于预先构建的社交关系知识图谱，根据所述分析请求生成所述目标对象的社交关系网络；

上述社交关系知识图谱是指描述社会个体成员之间的社会关系的知识图谱。考虑到社交数据纷繁复杂，本实施例对待采集到的社交数据进行规整抽象，以知识图谱的方式组织社交数据，具体的，通过实体和关系描述社交关系，其中利用节点表示实体，利用边表示属性或关系，具体的，实体可以为组织、个人、网络ID等，而实体之间的关系可以是亲友、同事、动作行为等。例如，对于一条信息“李某与张某是同事”，本实施例可以从这条信息中抽取出两个实体，分别为李某和张某，并抽取出两个实体之间的关系，即同事关系，得到如图2所示的语义图。需要说明的是，对于同样的信息，由于关注点不同，实体和关系的抽取方式也可能是不同的。具体的抽取方式取决于用户的业务需求，本实施例对此不做具体限定。作为一种优选的实施方式，本实施例采用配置方式管理抽取逻辑，方便用户根据自身需要对其进行修改。

具体的，本实施例利用关系检索可以构建社交关系网络，其中，上述目标对象可以为单个人物实体，也可以为多个人物实体。例如，针对个体目标身边的直接关系人，本实施例可以构建出个人关系网络；针对多个目标的共同关系人，本实施例可以构建出共同关系网络；针对大量群体目标，本实施例可以找出其之间的关系，构建出群体关系网络。

步骤S103：对所述社交关系网络进行分析，得到所述目标对象的社交关系分析结果。

上述分析内容可以包括：社交关系网络中的子群体分组、个体关键性、个体与个体之间的关联性等，具体的分析内容可以依据实际的场景需求来确定。作为一种具体的实施方式，本实施例通过算法对上述社交关系网络进行社区发现分析，找到内部的群体分组；还可以计算群体分组的特征值，包括直径、半径、密度、聚类系数等；最后还可以计算群体分组中的个体特征值，包括偏心距、度中心度、中介中心度、接近中心度、局部聚类系数等。此外，在得到社交关系分析结果之后，可以对社交分析结果进行展示，还可以对上述社交关系网络进行图形化展示。

本实施例所提供一种基于知识图谱的社交关系分析方法，在获取针对目标对象的分析请求之后，能够基于预先构建的社交关系知识图谱，根据分析请求生成目标对象的社交关系网络，进而对该社交关系网络进行分析，得到目标对象的社交关系分析结果。可见，该方法不仅能够基于社交关系知识图谱构建目标对象的社交关系网络，实现关系检索，还能够可以在关系检索基础上直接对社交关系网络进行分析，得到社交关系分析结果，实现了整合检索能力和分析能力的目的，提升了社交关系分析过程的便利性。

下面开始详细介绍本申请提供的一种基于知识图谱的社交关系分析方法实施例二，实施例二基于上述实施例一实现，并在实施例一的基础上进行了一定程度上的拓展。具体的拓展内容包括：结合时空筛选条件的数据检索。

参见图3，实施例二具体包括：

步骤S201：获取针对目标对象的分析请求；

步骤S202：基于预先构建的社交关系知识图谱，根据所述分析请求和时空筛选条件生成所述目标对象的社交关系网络；

步骤S203：对所述社交关系网络进行分析，得到所述目标对象的社交关系分析结果。

在社交数据分析工作中，数据的时间属性和空间属性经常是用户十分关心的。相较于实施例一，本实施例在生成社交关系网络时不仅仅考虑了分析请求，还考虑了时空筛选条件。其中，时空是指时间与空间，涉及物体及运动和相互作用的广延性和持续性，任何事物都处于一定的时空之中，将时空因素引入社交网络的构建分析过程，可以有效支撑动态关系的分析挖掘。具体的，时空筛选条件可以由用户指定，也可以按照预设规则来确定。

作为一种优选的实施方式，本实施例在存储社交数据的时间属性和空间属性的同时，内置了地图展现，用户在地图中可以框选区域，本实施例根据用户框内的区域来生成时空筛选条件中的空间筛选条件。此外，本实施例还提供了专门的功能辅助用户在时间维度和空间维度上分析数据，分别是时空扩线、时空关系内分析和关系演进，下面分别对这三项功能进行介绍：

时空扩线类似于数据扩线，只是多了时间和空间信息作为扩线的过滤条件。时空扩线可以查找出以下信息：所有在某段时间内，与某实体在某地附近有过关联的其他实体。用户发起时空扩线前，需要指定实体，输入时间信息，并使用地图框选区域作为空间信息条件，当时空扩线的过滤条件输入完备后，即可发起时空扩线，实现查找对应信息的过程。

时空关系内分析类似于关系内分析，只是发起条件不再是指定实体，而是指定时间信息和空间信息。时空关系内能够查找出以下信息：所有在某段时间内，在某地附近出现的实体及其相互间的关系。时空关系内分析的操作方式与上述时空扩线类似，都需要指定时间条件和空间条件。

关系演进功能用于辅助用户对分析任务内的数据进行时间维度上的分析。众所周知，社交数据的时间属性经常体现在关系上，例如实体A和实体B在某时间T1有联系，实体A和实体C在某时间T2有联系。而用户在进行信息分析时，有时会关心任务内多条关系的出现时间，在本实施例中，用户在使用关系演进功能时，类似于使用视频播放器，用户可以操作关系演进播放器控件，查看在指定任意时刻关系是否已经出现。

综上所述，传统的社交分析方案缺乏对时空条件分析的支持，一般知识图谱系统分析结果仅仅用点和边展示实体和关系。本实施例提供基于知识图谱的社交关系分析方法考虑了社交网络中社交数据的时空属性，支持基于地图模式下的空间条件定制，使用户可以直接用地图模式来使用时空条件，提升了时空相关分析操作的便利性。

下面开始详细介绍本申请提供的一种基于知识图谱的社交关系分析方法实施例三，实施例三基于上述实施例一实现，并在实施例一的基础上进行了一定程度上的拓展。具体的拓展内容包括：实现了对社交关系网络中群体分组、个体关键性、个体与个体之间的关联性的分析。

如图4所示，实施例三包括：

步骤S301：获取针对目标对象的分析请求；

步骤S302：基于预先构建的社交关系知识图谱，根据所述分析请求生成所述目标对象的社交关系网络；

步骤S303：利用社区发现算法分析所述社交关系网络中的聚集分布，得到子群体分组分析结果，以作为所述目标对象的社交关系分析结果的子分析结果；

步骤S304：利用中心度算法分析所述社交关系网络中的个体关键性，得到关键性分析结果，以作为所述目标对象的社交关系分析结果的子分析结果；

上述关键性可以为直接影响力、对其他人关系的控制能力、间接影响力等，从而得到对个体的精准刻画。

步骤S305：利用路径检索算法分析所述社交关系网络中个体与个体之间的关联性，得到关联性分析结果，以作为所述目标对象的社交关系分析结果的子分析结果。

综上所述，本实施例提供的基于知识图谱的社交关系分析方法，实现了对社交关系网络中群体分组、个体关键性、个体与个体之间的关联性的分析，分析内容丰富多样。

下面开始详细介绍本申请提供的一种基于知识图谱的社交关系分析方法实施例四，实施例四基于上述实施例一实现，并在实施例一的基础上进行了一定程度上的拓展。具体的拓展内容包括：提供了多种展示模式，允许用户对社交网络的修改编辑。

如图5所示，实施例四包括：

步骤S401：获取针对目标对象的分析请求；

步骤S402：基于预先构建的社交关系知识图谱，根据所述分析请求生成所述目标对象的社交关系网络；

步骤S403：对所述社交关系网络进行分析，得到所述目标对象的社交关系分析结果。

步骤S404：显示多个展示模式以供用户选择；

步骤S405：根据用户选定的展示模型对所述社交关系网络进行图形化展示。

步骤S406：响应用户的修改请求以对所述社交关系网络进行修改。

本实施例使用图形化方式展现社交数据，实体和关系数据将被以“点边图”的方式进行展现，一个实体代表了图上的一个节点，一个关系代表了图上的一条边。

传统的知识图谱系统固定了数据结果的图形化展现模式，当数据量较大时，在用户看来仅仅是一个有着大量点和线条的画面，很难筛选自己关注的信息，因此，更难针对自己关注的信息做进一步分析。此外，传统的图形化展示方案缺少用户直接反馈自定义数据和图形元素，不支持在图形化界面中直接修改反馈，不利于用户对分析结果做进一步处理。

针对上述问题，本实施例内置了多种布局方式供用户选择与使用，包括圆形布局、网格布局、环形布局、树形布局、亲密度布局、二级布局等。其中，圆形布局和网格布局有利于规整化的显示图上信息；环形布局和树形布局有利于展现数据的层次结构；亲密度布局以布局方式展示实体间关系的亲密程度；二级布局则是在当以某种方式将一个实体集合划分为多个子集后，以布局方式展示这类集合归属关系。具体的，如图6所示的树形布局展示了工作场景中总经理、部门经理、员工的关系。

此外，本实施例支持用户对图进行多种操作，包括拖动节点、删除元素、对节点进行布局等。具体的，用户可以在图形界面上直接输入实体和关系数据，可以设置实体和关系的图形样式如位置、颜色、图片等，可以通过标签和备注标注分析信息并保存，可以通过关系数据映射导入系统外的数据表格。

综上所述，本实施例提供的基于知识图谱的社交关系分析方法，通过内置了多种布局，实现了多维、灵活、动态的图形化分析与展现能力，支持海量数据的灵活筛选和动态分析。

下面开始详细介绍本申请提供的一种基于知识图谱的社交关系分析方法实施例五，实施例五简要介绍了对本申请方案的执行主体，即知识图谱系统的系统架构。此外实施例五还介绍了对社交关系知识图谱的构建过程以及对社交关系知识图谱的丰富操作，包括数据扩充操作和增加数据标签的操作。

首先对本实施例提供的知识图谱系统的系统架构进行介绍：

知识图谱系统的前端架构如图7所示，前端采用MVVM架构，即数据-视图双向绑定，使用ajax和websocket技术与后端进行通信，以界面的功能区域为基准划分出多个功能模块，如侧边栏、关系图、工具栏，每个模块包括各自视图层和数据层，各模块功能相对独立；同时引入部分通用型功能模块，如通信模块、实体-关系数据管理模块(DataManager)。

知识图谱系统的后端架构如图8所示，后端基于java的j2ee技术平台进行开发，使用SpringMvc+Spring+Mybatis框架，配置了专用的数据库。后端主要职责包括：数据查询、任务管理、用户管理、用户配置管理、操作权限管理。本实施例能够连接多个第三方数据源进行数据查询，任务信息和用户配置信息存储在数据库中，同时定义了接口，使得第三方应用能够根据自身需要，定制用户管理功能和操作权限管理功能。

下面对基于上述知识图谱系统的社交关系知识图谱的构建过程以及丰富过程进行介绍，如图9所示，实施例五包括：

步骤S501：数据导入；

数据导入主要指将原始的社交数据导入系统的过程。

步骤S502：数据规整；

数据规整主要指从社交数据中提取社交信息，并将社交信息组织为知识图谱的形式的过程。

步骤S503：数据扩充；

有了基础数据后，本实施例提供多种方式辅助用户寻找更多的数据，分别是数据扩线、关系内分析、全文搜索，其中，数据扩线是指用户可以指定若干实体和过滤条件，对数据源中与这些实体有关联且符合过滤条件的数据进行查找；关系内分析是指用户可以指定若干实体发起搜索，找到数据源中这些实体间直接的关系，例如，若数据源中A实体和B实体间存在关系M，则指定了A和B后，可将A和B间的关系M查找出来；全文搜索是指用户输入关键字，可以根据关键字可以找到数据源中所有包含这些关键字的实体，在此基础上用户可以对搜索结果数据进行进一步筛选。

步骤S504：增加时空属性；

具体的，为社交数据增加时间属性信息和空间属性信息。

步骤S505：提炼数据标签。

随着社会上各行业数据的增长和大数据应用的发展，积累了非常多的原始数据，实际分析工作中，除了对实体和关系数据分析之外，根据业务场景往往需要整合其他的资源，如大数据平台包含的标签、专题、数据仓库等。一般的知识图谱系统没有整合数据标签的能力，针对这个问题，本实施例根据行业的特性对原始数据进一步挖掘、分析、汇聚，形成该行业特定的专题数据，对这些专题数据再进行特征化，最终形成各个层次和类别的标签数据，通常标签可分为静态标签和动态标签两类。

本实施例为社交数据加入标签属性，可极大扩展关系分析的融合维度，提供更加动态、灵活、多角度、细粒度的分析展现服务。具体的，将标签与关系结合，可支持简单粗粒度关系转变为多维细粒度关系，例如将简单粗粒度的“同事关系”转变为多维细粒度的“某市的中年男性A与该市的青年男性B的同事关系”；将标签与时空结合，可支持静态标签转变为动态标签，例如静态标签“经常夜间外出”可转变为动态标签“在哪个区域的哪个时期范围内经常夜间外出”。

综上所述，本实施例将实体、关系和属性的数据融合在一个高维的索引空间中，用户可以通过关系映射导入系统外数据，有效整合时空、标签、专题等因素，提供多维度融合的元素过滤、统计分析和高效检索。这种多维能力的融合，有效解决了从“发散期”依据个体、时空、标签发现更多线索，到收敛期对线索集合叠加的维度越多则越能更快收敛价值的“最后一公里”过度问题，提升了数据精准度、知识价值密度及主动发现能力。

下面对本申请实施例提供的一种基于知识图谱的社交关系分析装置进行介绍，下文描述的基于知识图谱的社交关系分析装置与上文描述的基于知识图谱的社交关系分析方法可相互对应参照。

如图10所示，该装置包括：

分析请求获取模块100：用于获取针对目标对象的分析请求；

网络构建模块200：用于基于预先构建的社交关系知识图谱，根据所述分析请求生成所述目标对象的社交关系网络；

分析模块300：用于对所述社交关系网络进行分析，得到所述目标对象的社交关系分析结果。

本实施例的基于知识图谱的社交关系分析装置用于实现前述的基于知识图谱的社交关系分析方法，因此该装置中的具体实施方式可见前文中的基于知识图谱的社交关系分析方法的实施例部分，例如，分析请求获取模块100、网络构建模块200、分析模块300，分别用于实现上述基于知识图谱的社交关系分析方法中步骤S101，S102，S103。所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。

另外，由于本实施例的基于知识图谱的社交关系分析装置用于实现前述的基于知识图谱的社交关系分析方法，因此其作用与上述方法的作用相对应，这里不再赘述。

此外，本申请还提供了一种基于知识图谱的社交关系分析设备，如图11所示，包括：

存储器111：用于存储计算机程序；

处理器112：用于处理所述计算机程序以实现如上所述的一种基于知识图谱的社交关系分析方法的步骤。

最后，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如上所述的一种基于知识图谱的社交关系分析方法的步骤。

本实施例的基于知识图谱的社交关系分析设备、计算机可读存储介质用于实现前述的基于知识图谱的社交关系分析方法，因此该设备、计算机可读存储介质的具体实施方式可见前文中的基于知识图谱的社交关系分析方法的实施例部分，且二者的作用分别与上述方法实施例的作用相对应，这里不再赘述。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本申请所提供的方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims

1.一种基于知识图谱的社交关系分析方法，其特征在于，包括：

获取针对目标对象的分析请求；

2.如权利要求1所述的方法，其特征在于，所述获取针对目标对象的分析请求，包括：

3.如权利要求1所述的方法，其特征在于，所述对所述社交关系网络进行分析，得到所述目标对象的社交关系分析结果，包括：

4.如权利要求3所述的方法，其特征在于，所述对所述社交关系网络中的子群体分组、个体关键性、个体与个体之间的关联性进行分析，得到所述目标对象的社交关系分析结果，包括：

5.如权利要求1所述的方法，其特征在于，在所述基于预先构建的社交关系知识图谱，根据所述分析请求生成所述目标对象的社交关系网络之后，还包括：

显示多个展示模式以供用户选择；

6.如权利要求5所述的方法，其特征在于，在所述根据用户选定的展示模型对所述社交关系网络进行显示之后，还包括：

响应用户的修改请求以对所述社交关系网络进行修改。

7.如权利要求1-6任意一项所述的方法，其特征在于，所述基于预先构建的社交关系知识图谱，根据所述分析请求生成所述目标对象的社交关系网络，包括：

8.一种基于知识图谱的社交关系分析装置，其特征在于，包括：

分析请求获取模块：用于获取针对目标对象的分析请求；

9.一种基于知识图谱的社交关系分析设备，其特征在于，包括：

存储器：用于存储计算机程序；

处理器：用于处理所述计算机程序以实现如权利要求1-7任意一项所述的一种基于知识图谱的社交关系分析方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如权利要求1-7任意一项所述的一种基于知识图谱的社交关系分析方法的步骤。