CN110674290B - 一种用于重叠社区发现的关系预测方法、装置和存储介质 - Google Patents

一种用于重叠社区发现的关系预测方法、装置和存储介质 Download PDF

Info

Publication number
CN110674290B
CN110674290B CN201910733074.9A CN201910733074A CN110674290B CN 110674290 B CN110674290 B CN 110674290B CN 201910733074 A CN201910733074 A CN 201910733074A CN 110674290 B CN110674290 B CN 110674290B
Authority
CN
China
Prior art keywords
information
user
relation
information content
relationship
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.)
Active
Application number
CN201910733074.9A
Other languages
English (en)
Other versions
CN110674290A (zh
Inventor
任博雅
李扬曦
刘权
胡燕林
佟玲玲
缪亚男
时磊
徐雅静
许科瑞
李思
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.)
National Computer Network and Information Security Management Center
Original Assignee
National Computer Network and Information Security Management Center
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 National Computer Network and Information Security Management Center filed Critical National Computer Network and Information Security Management Center
Priority to CN201910733074.9A priority Critical patent/CN110674290B/zh
Publication of CN110674290A publication Critical patent/CN110674290A/zh
Application granted granted Critical
Publication of CN110674290B publication Critical patent/CN110674290B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F16/35—Clustering; Classification
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Transfer Between Computers (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提出了一种用于重叠社区发现的关系预测方法、装置和存储介质，用以解决由于获取的用户关系图不够完整，降低了社区发现结果准确性的问题。用于重叠社区发现的关系预测方法，包括：获取用户通信信息中包含的信息内容并分类；确定每一类信息内容中包含的两两信息内容之间的相似度；对于相似度大于预设阈值的两条信息内容，构建该两条信息内容的发送信息用户之间的短时转发关系；构建所述用户通信信息中发送信息用户和接收信息用户之间的收发关系；根据所述短时转发关系和所述收发关系，构建用户关系图；基于所述用户关系图，利用社区发现算法进行社区发现。

Description

一种用于重叠社区发现的关系预测方法、装置和存储介质
技术领域
本发明涉及机器学习技术领域，尤其涉及一种用于重叠社区发现的关系预测方法、装置和存储介质。
背景技术
随着科学技术的迅猛发展，当今世界中出现了很多以复杂网络的形式存在或能被转化成复杂网络的复杂系统，例如社会系统中的人际关系网、学术研究中的科学家协作网、医学领域中的流行病传播网、生物学中的神经元网基因调控网和蛋白质交互网、科技系统中的电话网因特网和万维网等等。而社区发现则是理解这些复杂网络结构，从网络结构中提取有用信息的关键。社区发现能帮助人分析网络的拓扑结构、理解网络功能、揭示网络中的隐含模式以及分析预测网络行为。在复杂网络研究中，社区一般被定义为复杂网络中的一些节点集合，在同一节点集合中的连接更加紧密，而不同节点集合之前的连接相对稀疏。一般的社区发现方法中，一个复杂网络中的节点只能属于一个社区，而重叠社区发现方法中一个节点可以属于多个社区，例如某一个人可以属于家庭、学校、公司和朋友圈子等多个社区。
基于用户通信信息的复杂关系网络一般由图来表示，图中的节点表示用户，而节点之间的边表示该边相连的两个节点对应的用户具有一定的关系。现有技术的实现方案如下：首先，获得用户通信信息，其中包含发送信息用户、接收信息用户、信息发送时间、信息内容等信息。然后获得用户通信信息中的发送信息用户和接收信息用户的收发关系，并在用户关系图中将发送信息用户和接收信息用户对应的节点连边，通过这种不断挖掘收发关系的方式形成最终的用户关系图。在获得用户关系图之后，使用社区发现算法，从而得到用户社区。
上述的社区发现方法建立在发送信息用户、接收信息用户之间连边构成用户关系图之上。这种方式并没有利用用户通信信息中除了用户身份以外的信息，使得只有进行通信的用户间才存在关系。但是用户之间的信息传递可以通过不同的方式获取，基于单一通信方式获取的发送接收关系不足以覆盖用户之间全部的关系网。同时，可能存在一些特殊的用户群体，他们会进行大量相似文本发送等消息广播类动作，但这类群体在某单一网络内部可能并不存在任何直接的信息传递行为。由此可见，基于上述的方法获取的用户关系图不够完整，导致后续的社区发现结果不够准确。
发明内容
本发明要解决的技术问题是克服现有的社区发现方法中，获取的用户关系图不够完整，降低了社区发现结果准确性的缺陷，提供一种用于重叠社区发现的关系预测方法、装置和存储介质。
本发明采用的技术方案是提供一种用于重叠社区发现的关系预测方法，包括：
获取用户通信信息中包含的信息内容并分类；
确定每一类信息内容中包含的两两信息内容之间的相似度；
对于相似度大于预设阈值的两条信息内容，构建该两条信息内容的发送信息用户之间的短时转发关系；
构建所述用户通信信息中发送信息用户和接收信息用户之间的收发关系；
根据所述短时转发关系和所述收发关系，构建用户关系图；
基于所述用户关系图，利用社区发现算法进行社区发现。
在一种可能的实施方式中，按照以下流程对获取的用户通信信息中的信息内容进行分类：
按照预设时间间隔将获取的用户通信信息分组；
针对每一组用户通信信息中包含的信息内容，获取信息内容的关键词和词频；
根据获取的关键词和词频，对信息内容进行分类。
在一种可能的实施方式中，针对每一组用户通信信息中包含的信息内容，获取信息内容的关键词和词频，具体包括：
利用预先建立的关键词字典初始化AC自动机；
针对每一组用户通信信息，利用所述AC自动机分别提取该组用户通信信息中每一条信息内容中出现的关键词及其对应的词频；
根据获取的关键词和词频，对信息内容进行分类，具体包括：
根据每一条信息内容中出现的关键词及其对应的词频构建该条信息内容对应的二元组集合；
确定对应的二元组集合相同的两条信息内容属于同一类别。
在一种可能的实施方式中，所述关键词字典为按照以下方法获得的：
对用户通信信息样本进行分词得到若干词语；
针对每一词语，确定该词语对应的词频-逆文本频率TF-IDF；
按照各词语对应的TF-IDF由大到小的顺序选择预设数量的词语组成关键字词典。
在一种可能的实施方式中，确定每一类信息内容中包含的两两信息内容之间的相似度，具体包括：
针对每一类信息内容中包含的任两条信息内容，根据该两条信息内容之间的编辑距离和信息内容长度确定该两条信息内容之间的相似度。
在一种可能的实施方式中，在确定每一类信息内容中包含的两两信息内容之间的相似度之前，还包括：
针对每一类信息内容，过滤掉信息内容小于预设长度阈值的信息内容。
在一种可能的实施方式中，根据所述短时转发关系和所述收发关系，在构建用户关系图之前，还包括：
针对任两个用户，如果该两个用户之间同时存在短时转发关系和收发关系，则删除该两个用户之间的短时转发关系。
本发明还提供一种用于重叠社区发现的关系预测装置，包括：
分类单元，用于获取用户通信信息中包含的信息内容并分类；
第一确定单元，用于确定每一类信息内容中包含的两两信息内容之间的相似度；
第一关系构建单元，用于对于相似度大于预设阈值的两条信息内容，构建该两条信息内容的发送信息用户之间的短时转发关系；
第二关系构建单元，用于构建所述用户通信信息中发送信息用户和接收信息用户之间的收发关系；
第三关系构建单元，用于根据所述短时转发关系和所述收发关系，构建用户关系图；
社区发现单元，用于基于所述用户关系图，利用社区发现算法进行社区发现。
在一种可能的实施方式中，所述分类单元，具体用于按照预设时间间隔将获取的用户通信信息分组；针对每一组用户通信信息中包含的信息内容，获取信息内容的关键词和词频；根据获取的关键词和词频，对信息内容进行分类。
在一种可能的实施方式中，所述分类单元，具体用于利用预先建立的关键词字典初始化AC自动机；针对每一组用户通信信息，利用所述AC自动机分别提取该组用户通信信息中每一条信息内容中出现的关键词及其对应的词频；根据每一条信息内容中出现的关键词及其对应的词频构建该条信息内容对应的二元组集合；确定对应的二元组集合相同的两条信息内容属于同一类别。
在一种可能的实施方式中，所述用于重叠社区发现的关系预测装置，还包括：
获得单元，用于对用户通信信息样本进行分词得到若干词语；针对每一词语，确定该词语对应的词频-逆文本频率TF-IDF；按照各词语对应的TF-IDF由大到小的顺序选择预设数量的词语组成关键字词典。
在一种可能的实施方式中，所述第一确定单元，具体用于针对每一类信息内容中包含的任两条信息内容，根据该两条信息内容之间的编辑距离和信息内容长度确定该两条信息内容之间的相似度。
在一种可能的实施方式中，所述用于重叠社区发现的关系预测装置，还包括：
过滤单元，用于在所述第一确定单元确定每一类信息内容中包含的两两信息内容之间的相似度之前，针对每一类信息内容，过滤掉信息内容小于预设长度阈值的信息内容。
在一种可能的实施方式中，所述用于重叠社区发现的关系预测装置，还包括：
删除单元，用于在所述第三关系构建单元根据所述短时转发关系和所述收发关系，构建用户关系图之前，针对任两个用户，如果该两个用户之间同时存在短时转发关系和收发关系，则删除该两个用户之间的短时转发关系。
本发明还提供一种计算装置，所述计算装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述任一用于重叠社区发现的关系预测方法所述的步骤。
本发明还提供一种计算机存储介质，所述计算机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实现上述任一用于重叠社区发现的关系预测方法所述的步骤。
采用上述技术方案，本发明至少具有下列优点：
本发明实本发明所述的用于重叠社区发现的关系预测方法、装置和存储介质中，除了利用用户通信信息中的用户身份信息以外，还利用了用户通信信息中的信息内容，根据信息内容的相似度，对一些无直接通信信息传递的用户之间的潜在关系进行预测，并将这些潜在关系融合进用户关系图中，在新的用户关系图中进行社区发现，从而获得更好的社区发现效果，提高了社区发现的覆盖范围和准确度。
附图说明
图1为本发明实施例的用于重叠社区发现的关系预测方法流程图；
图2为本发明实施例的原理示意图；
图3为本发明实施例的获取用户通信信息中包含的信息内容并分类的流程示意图；
图4为本发明实施例的获得关键字词典的流程示意图；
图5为本发明实施例的用于重叠社区发现的关系预测装置的结构示意图；
图6为本发明实施例的计算装置的结构示意图。
具体实施方式
为更进一步阐述本发明为达成预定目的所采取的技术手段及功效，以下结合附图及较佳实施例，对本发明进行详细说明如后。
首先，对本发明实施例中涉及的部分用语进行说明，以便于本领域技术人员理解。
AC自动机：在计算机科学中，Aho–Corasick自动机是由Alfred V.Aho和MargaretJ.Corasick发明的字符串搜索算法，用于在输入的一串字符串中匹配有限组“字典”中的子串。它与普通字符串匹配的不同点在于同时与所有字典串进行匹配。算法均摊情况下具有近似于线性的时间复杂度，约为字符串的长度加所有匹配的数量。该算法主要依靠构造一个有限状态机来实现。这些额外的失配指针允许在查找字符串失败时进行回退，转向某前缀的其他分支，免于重复匹配前缀，提高算法效率。
编辑距离：即莱文斯坦距离，又称Levenshtein距离。指两个字串之间，由一个转成另一个所需的最少编辑操作次数。允许的编辑操作包括将一个字符替换成另一个字符，插入一个字符，删除一个字符。
k-clique算法：对于一个图G而言，如果其中有一个完全子图(任意两个节点之间均存在边)，且该子图的节点数是k，那么这个完全子图就可称为一个k-clique。如果两个k-clique之间存在k-1个共同的节点，那么就称这两个clique是“相邻”的。彼此相邻的多个clique构成最大集合，就可以称为一个社区(而且这样的社区是可以重叠的，即重叠社区，即有些节点可以同时属于多个社区)。
TF-IDF：TF-IDF(term frequency–inverse document frequency，词频-逆文本率指数)是一种统计方法，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。TF-IDF加权的各种形式常被搜寻引擎应用，作为文件与用户查询之间相关程度的度量或评级。
另外，需要说明的是，本发明实施例中的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。
在本文中提及的“多个或者若干个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
现有的基于用户通信信息的社区发现方法中，仅仅根据通信信息中的用户身份信息构建用户关系图，导致构建的用户关系图不完整，导致后续的社区发现结果不准确。有鉴于此，本发明实施例中，提供了一种融合内容相似度关系预测的重叠社区发现方法。该方法除了利用用户通信信息中的用户身份信息以外，还会利用用户通信信息中的信息内容。例如对于某些特定的群体，这些群体的用户可能会采取更为隐蔽的方式进行信息交换，然后在较短的时间间隔内将信息大量发送至整个通信网络中的其他用户。这一类用户的特点为不具有可观测的直接的信息传递行为，但是其传播内容却非常相似。因此，本发明实施例基于上述的特点，提出通过对于信息内容的相似度计算，对一些无直接通信信息传递的用户对之间的潜在关系进行预测，并将这些潜在关系融合进用户关系图中，在新的用户关系图中进行社区发现，从而获得更好的社区发现效果。
如图1所示，其为本发明实施例提供的用于重叠社区发现的关系预测方法流程图，包括以下步骤：
S11、获取用户通信信息中包含的信息内容并分类。
S12、确定每一类信息内容中包含的两两信息内容之间的相似度。
S13、对于相似度大于预设阈值的两条信息内容，构建该两条信息内容的发送信息用户之间的短时转发关系。
S14、构建用户通信信息中发送信息用户和接收信息用户之间的收发关系。
S15、根据构建的短时转发关系和收发关系，构建用户关系图。
S16、基于构建的用户关系图，利用社区发现算法进行社区发现。
具体实施时，步骤S11和步骤S14之间没有一定的先后执行顺序，步骤S14可以先于步骤S11执行，或者两个步骤也可以同时执行。基于此，如图2所示，其为本发明实施例实施的原理示意图，包括以下步骤：
S1：文本分组，将用户通信信息按一定时间间隔进行分组。
S2：获取用户通信信息中包含的信息内容，对信息内容进行粗粒度分类。
S3：对同一类别中的信息内容，计算该类别中不同信息内容的相似度。
S4：将获得的信息内容相似度与预设阈值进行比较，如果大于该阈值，则预测相似度高的两条信息内容的发送用户间存在关系，本发明实施例中称之为短时转发关系。
S5：获取用户通信信息中包含的发送信息用户和接收信息用户，在这两个用户之间建立关系，本发明实施例中称之为收发关系。
S6：由于步骤S4中会有大量冗余的短时转发关系，因此，采用关系融合算法利用步骤S5中获得的收发关系，对步骤S4中的短时转发关系进行剪枝。
S7：利用剪枝后的短时转发关系和收发关系构建用户关系图。
S8：在用户关系图基础上根据不同需求使用社区发现算法，挖掘用户关系图上的社区。
为了便于描述，以下对本发明实施例中出现的符号进行说明：
本发明实施例中，定义用户通信信息中的发送信息用户为Source，接收信息用户为Target，信息内容为Content。
定义关键词字典D为多个不同词语组成的集合，对于该集合里面的词语用wi表示。每一个词语wi在信息内容中出现的次数，即词频，用ni表示。
定义信息内容中包含的所有词语和其对应的词频组成集合S，集合中的元素为(wi,ni)二元组形式，即信息内容中包含的每个词语和该词语对应的词频。
定义基于关键词和词频得到的分类结果中的类别用C表示。
定义信息内容Content长度限制的阈值为LenLimit，定义相似度阈值为
SimLimit。
定义函数GetSender(s)，其中s表示用户集合，该函数返回给s中任一用户发送信息的发送方用户集合。
定义集合Senderi(a),i≥0，其中a表示某一用户：
(1)Sender0(a)＝{a}
(2)Senderi(a)＝GetSender(Sender0(a)∪Sender1(a)…∪Senderi-1(a))
定义
Figure BDA0002161286160000091
表示空集。
如图3所示，具体实施时，步骤S11中，可以按照以下流程实施：
S31、按照预设时间间隔将获取的用户通信信息分组。
本步骤中根据用户通信信息中的信息发送时间，按照一定的时间间隔将所有用户通信信息进行分组，针对每一组通信信息进行分类并确定同一类别中包含的两两信息内容之间的相似度。
具体实施时，预设时间间隔可以根据实际需要设定，本发明实施例对此不进行限定，例如，预设时间间隔可以设定为1小时，即将每一小时内的通信信息划分为一组。
S32、针对每一组用户通信信息中包含的信息内容，获取信息内容的关键词和词频。
本步骤中，获取每一组用户通信信息中包含的内容Content，利用AC自动机获得信息内容的关键词即词频，基于关键词和词频对该组通信信息的信息内容进行分类。
S33、根据获取的关键词和词频，对信息内容进行分类。
具体实施时，可以利用一个关键词字典D初始化AC自动机，利用AC自动机获得该组通信信息的每一信息内容中出现的关键词和词频二元组(wi,ni)组成的集合S。假设信息内容Content1对应的集合为S1，信息内容Content2对应的集合为S2，当且仅当S1＝S2时，称这两个信息内容属于同一类Ci。
在一个实施例中，可以按照图4所示的流程获得关键词字典：
S41、对用户通信信息样本进行分词得到若干词语。
具体实施时，获取大量用户通信信息文本作为样本，对获取的用户通信信息样本进行分词，得到若干个词语。
S42、针对每一词语，确定该词语对应的TF-IDF。
针对获得的每一词语，确定该词语对应的TF-IDF权值。
S43、按照各词语对应的TF-IDF由大到小的顺序选择预设数量的词语组成关键字词典。
本步骤中，可以按照权值大小进行降序排列，根据预先设定的词语数量选择排序靠前的相应数量的词语。需要说明的是，预先设定的词语数量可以根据实际需要进行设定，本发明实施例对此不进行限定。
具体实施时，枚举步骤S33分类得到的所有类别，针对每一类别类别Ci，确定每一类信息内容中包含的两两信息内容之间的相似度。在一种实施方式中，在计算两两信息内容之间的相似度之前，还可以先过滤掉长度小于LenLimit的信息内容。本发明实施例中，可以按照以下公式计算当前类别Ci中剩余信息内容Content之间的相似度：
Figure BDA0002161286160000111
其中，LevDis(a,b)为两个信息内容的编辑距离，len(a)为信息内容的长度，max(a,b)为两个数值的最大值。
将获得的信息内容相似度与预设阈值进行比较，如果大于该阈值，则预测相似度高的两条信息内容的发送用户间存在关系，本发明实施例中，称之为短时转发关系。具体地，如果Sim(Content1,Content2)>SimLimit，则预测Content1和Content2对应的发送信息用户Source1和Source2存在转发关系。
具体实施时，本发明实施例中涉及的预设长度阈值LenLimit可以按照以下公式确定：
Figure BDA0002161286160000112
其中：max(len(wi))表示关键词字典D中词语wi的最长长度。
具体实施时，相似度的预设阈值和预设长度阈值可以根据实际需要进行设定，本发明实施例对此不进行限定，例如，可以预先设定SimLimit＝0.667，LenLimit＝9。
进一步地，还可以获取用户通信信息中包含的发送信息用户和接收信息用户，在这两个用户之间建立关系，本发明实施例中，称这种关系为收发关系。具体实施时，遍历所有用户通信信息，预测发送信息用户Source与接收信息用户Target之间存在收发关系。
根据上述获得的短时转发关系和收发关系，利用关系融合算法，对短时转发关系进行剪枝。该关系融合算法的详细描述如下：
当两个用户同时存在收发关系和短时转发关系时，则删除该两个用户之间的短时转发关系，只保留收发关系。
例如，假设两个用户Source1和Source2存在短时转发关系：
如果
Figure BDA0002161286160000121
则删除Source1和Source2间的转发关系，其中m被称为以Source1或Source2为中心的最长连接跳数。其中，m的取值可以根据实际需要进行设定，本发明实施例对此不进行限定，例如，可以设定m＝2。
利用上述获得的用户短时转发关系和收发关系构建用户关系图。具体地，在用户关系图上采用k-clique算法，挖掘用户关系图上的社区。k-clique算法依据图中的完全子图进行社区发现，能更好的发掘出紧密联系的用户集合。k的取值可以根据实际需要进行设定，本发明实施例对此不进行限定，例如，可以设定k＝3。
本发明实施例提供的用于重叠社区发现的关系预测方法、装置和存储介质中，除了利用用户通信信息中的用户身份信息以外，还会利用用户通信信息中的信息内容。通过对于信息内容的相似度计算，对一些无直接通信信息传递的用户对之间的潜在关系进行预测，并将这些潜在关系融合进用户关系图中，在新的用户关系图中进行社区发现，从而获得更好的社区发现效果，提高了社区发现的覆盖范围和准确度。同时，为了更加快速的获得信息内容的相似度，本发明实施例中，先对信息内容进行了粗粒度的分类，在每一类中再进行相似度计算，避免了在全量数据中的大量冗余运算，使得运行速度得到一定的提升。
基于相同的技术构思，本发明实施例还提供了一种用于重叠社区发现的关系预测装置，如图5所示，可以包括：
分类单元51，用于获取用户通信信息中包含的信息内容并分类；
第一确定单元52，用于确定每一类信息内容中包含的两两信息内容之间的相似度；
第一关系构建单元53，用于对于相似度大于预设阈值的两条信息内容，构建该两条信息内容的发送信息用户之间的短时转发关系；
第二关系构建单元54，用于构建所述用户通信信息中发送信息用户和接收信息用户之间的收发关系；
第三关系构建单元55，用于根据所述短时转发关系和所述收发关系，构建用户关系图；
社区发现单元56，用于基于所述用户关系图，利用社区发现算法进行社区发现。
在一种可能的实施方式中，所述分类单元，具体用于按照预设时间间隔将获取的用户通信信息分组；针对每一组用户通信信息中包含的信息内容，获取信息内容的关键词和词频；根据获取的关键词和词频，对信息内容进行分类。
在一种可能的实施方式中，所述分类单元，具体用于利用预先建立的关键词字典初始化AC自动机；针对每一组用户通信信息，利用所述AC自动机分别提取该组用户通信信息中每一条信息内容中出现的关键词及其对应的词频；根据每一条信息内容中出现的关键词及其对应的词频构建该条信息内容对应的二元组集合；确定对应的二元组集合相同的两条信息内容属于同一类别。
在一种可能的实施方式中，所述用于重叠社区发现的关系预测装置，还包括：
获得单元，用于对用户通信信息样本进行分词得到若干词语；针对每一词语，确定该词语对应的词频-逆文本频率TF-IDF；按照各词语对应的TF-IDF由大到小的顺序选择预设数量的词语组成关键字词典。
在一种可能的实施方式中，所述第一确定单元，具体用于针对每一类信息内容中包含的任两条信息内容，根据该两条信息内容之间的编辑距离和信息内容长度确定该两条信息内容之间的相似度。
在一种可能的实施方式中，所述用于重叠社区发现的关系预测装置，还包括：
过滤单元，用于在所述第一确定单元确定每一类信息内容中包含的两两信息内容之间的相似度之前，针对每一类信息内容，过滤掉信息内容小于预设长度阈值的信息内容。
在一种可能的实施方式中，所述用于重叠社区发现的关系预测装置，还包括：
删除单元，用于在所述第三关系构建单元根据所述短时转发关系和所述收发关系，构建用户关系图之前，针对任两个用户，如果该两个用户之间同时存在短时转发关系和收发关系，则删除该两个用户之间的短时转发关系。
在介绍了本发明示例性实施方式的用于重叠社区发现的关系预测方法和装置之后，接下来，介绍根据本发明的另一示例性实施方式的计算装置。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中，根据本发明的计算装置可以至少包括至少一个处理器、以及至少一个存储器。其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行本说明书上述描述的根据本发明各种示例性实施方式的用于重叠社区发现的关系预测方法中的步骤。例如，所述处理器可以执行如图1中所示的步骤S11、获取用户通信信息中包含的信息内容并分类，和步骤S12、确定每一类信息内容中包含的两两信息内容之间的相似度；步骤S13、对于相似度大于预设阈值的两条信息内容，构建该两条信息内容的发送信息用户之间的短时转发关系；步骤S14、构建用户通信信息中发送信息用户和接收信息用户之间的收发关系；步骤S15、根据构建的短时转发关系和收发关系，构建用户关系图；以及步骤S16、基于构建的用户关系图，利用社区发现算法进行社区发现。
下面参照图6来描述根据本发明的这种实施方式的计算装置60。图6显示的计算装置60仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，计算装置60以通用计算设备的形式表现。计算装置60的组件可以包括但不限于：上述至少一个处理器61、上述至少一个存储器62、连接不同系统组件(包括存储器62和处理器61)的总线63。
总线63表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器62可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)621和/或高速缓存存储器622，还可以进一步包括只读存储器(ROM)623。
存储器62还可以包括具有一组(至少一个)程序模块624的程序/实用工具625，这样的程序模块624包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
计算装置60也可以与一个或多个外部设备64(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与计算装置60交互的设备通信，和/或与使得该计算装置60能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口65进行。并且，计算装置60还可以通过网络适配器66与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器66通过总线63与用于计算装置60的其它模块通信。应当理解，尽管图中未示出，可以结合计算装置60使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中，本发明提供的用于重叠社区发现的关系预测方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在计算机设备上运行时，所述程序代码用于使所述计算机设备执行本说明书上述描述的根据本发明各种示例性实施方式的用于重叠社区发现的关系预测方法中的步骤，例如，所述计算机设备可以执行如图1中所示的步骤S11、获取用户通信信息中包含的信息内容并分类，和步骤S12、确定每一类信息内容中包含的两两信息内容之间的相似度；步骤S13、对于相似度大于预设阈值的两条信息内容，构建该两条信息内容的发送信息用户之间的短时转发关系；步骤S14、构建用户通信信息中发送信息用户和接收信息用户之间的收发关系；步骤S15、根据构建的短时转发关系和收发关系，构建用户关系图；以及步骤S16、基于构建的用户关系图，利用社区发现算法进行社区发现。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本发明的实施方式的用于重叠社区发现的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在计算设备上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
通过具体实施方式的说明，应当可对本发明为达成预定目的所采取的技术手段及功效得以更加深入且具体的了解，然而所附图示仅是提供参考与说明之用，并非用来对本发明加以限制。

Claims (8)

1.一种用于重叠社区发现的关系预测方法，其特征在于，包括：
获取用户通信信息中包含的信息内容并分类；
确定每一类信息内容中包含的两两信息内容之间的相似度；
对于相似度大于预设阈值的两条信息内容，构建该两条信息内容的发送信息用户之间的短时转发关系；
构建所述用户通信信息中发送信息用户和接收信息用户之间的收发关系；
根据所述短时转发关系和所述收发关系，构建用户关系图；
基于所述用户关系图，利用社区发现算法进行社区发现；
按照以下流程对获取的用户通信信息中的信息内容进行分类：
按照预设时间间隔将获取的用户通信信息分组；
针对每一组用户通信信息中包含的信息内容，获取信息内容的关键词和词频；
根据获取的关键词和词频，对信息内容进行分类；
确定每一类信息内容中包含的两两信息内容之间的相似度，具体包括：
针对每一类信息内容中包含的任两条信息内容，根据该两条信息内容之间的编辑距离和信息内容长度确定该两条信息内容之间的相似度；
通过关系融合算法利用所构建的发送信息用户和接收信息用户之间的收发关系，对所述短时转发关系进行剪枝。
2.根据权利要求1所述的方法，其特征在于，针对每一组用户通信信息中包含的信息内容，获取信息内容的关键词和词频，具体包括：
利用预先建立的关键词字典初始化AC自动机；
针对每一组用户通信信息，利用所述AC自动机分别提取该组用户通信信息中每一条信息内容中出现的关键词及其对应的词频；
根据获取的关键词和词频，对信息内容进行分类，具体包括：
根据每一条信息内容中出现的关键词及其对应的词频构建该条信息内容对应的二元组集合；
确定对应的二元组集合相同的两条信息内容属于同一类别。
3.根据权利要求2所述的方法，其特征在于，所述关键词字典为按照以下方法获得的：
对用户通信信息样本进行分词得到若干词语；
针对每一词语，确定该词语对应的词频-逆文本频率TF-IDF；
按照各词语对应的TF-IDF由大到小的顺序选择预设数量的词语组成关键字词典。
4.根据权利要求1所述的方法，其特征在于，在确定每一类信息内容中包含的两两信息内容之间的相似度之前，所述方法还包括：
针对每一类信息内容，过滤掉信息内容小于预设长度阈值的信息内容。
5.根据权利要求1所述的方法，其特征在于，根据所述短时转发关系和所述收发关系，在构建用户关系图之前，所述方法还包括：
针对任两个用户，如果该两个用户之间同时存在短时转发关系和收发关系，则删除该两个用户之间的短时转发关系。
6.一种用于重叠社区发现的关系预测装置，其特征在于，包括：
分类单元，用于获取用户通信信息中包含的信息内容并分类；
第一确定单元，用于确定每一类信息内容中包含的两两信息内容之间的相似度；
第一关系构建单元，用于对于相似度大于预设阈值的两条信息内容，构建该两条信息内容的发送信息用户之间的短时转发关系；
第二关系构建单元，用于构建所述用户通信信息中发送信息用户和接收信息用户之间的收发关系；
第三关系构建单元，用于通过关系融合算法利用所构建的发送信息用户和接收信息用户之间的收发关系，对所述短时转发关系进行剪枝，并根据所述短时转发关系和所述收发关系，构建用户关系图；
社区发现单元，用于基于所述用户关系图，利用社区发现算法进行社区发现；
所述分类单元还用于，按照预设时间间隔将获取的用户通信信息分组；针对每一组用户通信信息中包含的信息内容，获取信息内容的关键词和词频；根据获取的关键词和词频，对信息内容进行分类；
所述第一确定单元还用于，针对每一类信息内容中包含的任两条信息内容，根据该两条信息内容之间的编辑距离和信息内容长度确定该两条信息内容之间的相似度。
7.一种计算装置，其特征在于，所述计算装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的方法的步骤。
8.一种计算机存储介质，所述计算机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实现如权利要求1至5中任一项所述的用于重叠社区发现的关系预测方法的步骤。
CN201910733074.9A 2019-08-09 2019-08-09 一种用于重叠社区发现的关系预测方法、装置和存储介质 Active CN110674290B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910733074.9A CN110674290B (zh) 2019-08-09 2019-08-09 一种用于重叠社区发现的关系预测方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910733074.9A CN110674290B (zh) 2019-08-09 2019-08-09 一种用于重叠社区发现的关系预测方法、装置和存储介质

Publications (2)

Publication Number Publication Date
CN110674290A CN110674290A (zh) 2020-01-10
CN110674290B true CN110674290B (zh) 2023-03-10

Family

ID=69068569

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910733074.9A Active CN110674290B (zh) 2019-08-09 2019-08-09 一种用于重叠社区发现的关系预测方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN110674290B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554308B (zh) * 2021-07-23 2024-05-28 中信银行股份有限公司 用户社团的划分与风险用户的识别方法、装置及电子设备
CN115423639A (zh) * 2022-09-07 2022-12-02 四川大学 一种面向社交网络的安全社区发现方法
CN117811851B (zh) * 2024-03-01 2024-05-17 深圳市聚亚科技有限公司 一种4g通信模块数据传输方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103999082A (zh) * 2011-12-19 2014-08-20 国际商业机器公司 用于检测社交媒体中的社区的方法、计算机程序和计算机
CN105760526A (zh) * 2016-03-01 2016-07-13 网易（杭州）网络有限公司 一种新闻分类的方法和装置
CN108647247A (zh) * 2018-04-16 2018-10-12 国家计算机网络与信息安全管理中心 基于改进PageRank算法的微博信息传播关键节点识别方法
CN108829769A (zh) * 2018-05-29 2018-11-16 阿里巴巴集团控股有限公司 一种可疑群组发现方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103999082A (zh) * 2011-12-19 2014-08-20 国际商业机器公司 用于检测社交媒体中的社区的方法、计算机程序和计算机
CN105760526A (zh) * 2016-03-01 2016-07-13 网易（杭州）网络有限公司 一种新闻分类的方法和装置
CN108647247A (zh) * 2018-04-16 2018-10-12 国家计算机网络与信息安全管理中心 基于改进PageRank算法的微博信息传播关键节点识别方法
CN108829769A (zh) * 2018-05-29 2018-11-16 阿里巴巴集团控股有限公司 一种可疑群组发现方法和装置

Also Published As

Publication number Publication date
CN110674290A (zh) 2020-01-10

Similar Documents

Publication Publication Date Title
US10725836B2 (en) Intent-based organisation of APIs
KR102591421B1 (ko) 의도 추천 방법, 장치, 기기 및 저장매체
EP3724785B1 (en) Fast indexing with graphs and compact regression codes on online social networks
CN108038183B (zh) 结构化实体收录方法、装置、服务器和存储介质
Mallick et al. Digital media news categorization using Bernoulli document model for web content convergence
WO2020001373A1 (zh) 一种本体构建方法及装置
US10831762B2 (en) Extracting and denoising concept mentions using distributed representations of concepts
CN110674290B (zh) 一种用于重叠社区发现的关系预测方法、装置和存储介质
CN111831802B (zh) 一种基于lda主题模型的城市领域知识检测系统及方法
CN111400504B (zh) 企业关键人的识别方法和装置
US11494559B2 (en) Hybrid in-domain and out-of-domain document processing for non-vocabulary tokens of electronic documents
CN112559747B (zh) 事件分类处理方法、装置、电子设备和存储介质
US11620453B2 (en) System and method for artificial intelligence driven document analysis, including searching, indexing, comparing or associating datasets based on learned representations
CN113282729A (zh) 基于知识图谱的问答方法及装置
US11651159B2 (en) Semi-supervised system to mine document corpus on industry specific taxonomies
CN116881430B (zh) 一种产业链识别方法、装置、电子设备及可读存储介质
CN111930949B (zh) 搜索串处理方法、装置、计算机可读介质及电子设备
CN112214615A (zh) 基于知识图谱的政策文件处理方法、装置和存储介质
Montori et al. A metadata-assisted cascading ensemble classification framework for automatic annotation of open IoT data
CN114491232B (zh) 信息查询方法、装置、电子设备和存储介质
CN112328653B (zh) 数据识别方法、装置、电子设备及存储介质
KR102282328B1 (ko) Ｌｓｔｍ을 이용한 국가별 선호도 예측 시스템 및 방법
CN107220249A (zh) 基于分类的全文搜索
CN113535883A (zh) 商业场所实体链接方法、系统、电子设备及存储介质
CN112559697A (zh) 识别话术意图的方法和装置

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