CN110879856B - 一种基于多特征融合的社交群体分类方法及系统 - Google Patents
一种基于多特征融合的社交群体分类方法及系统 Download PDFInfo
- Publication number
- CN110879856B CN110879856B CN201911180128.XA CN201911180128A CN110879856B CN 110879856 B CN110879856 B CN 110879856B CN 201911180128 A CN201911180128 A CN 201911180128A CN 110879856 B CN110879856 B CN 110879856B
- Authority
- CN
- China
- Prior art keywords
- track
- user
- data
- time
- frequent
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000004927 fusion Effects 0.000 title claims abstract description 11
- 238000005065 mining Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 7
- 230000000717 retained effect Effects 0.000 claims description 4
- 238000005295 random walk Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000001788 irregular Effects 0.000 description 7
- 238000013145 classification model Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Library & Information Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于多特征融合的社交群体分类方法及系统。本方法为:1)对一目标社交群体的数据集,对该数据集中各用户的轨迹数据进行预处理,去除噪声并对缺失位置信息进行插值;2)使用频繁序列挖掘算法从各用户轨迹数据中挖掘对应用户的轨迹模式,再将用户的轨迹模式看作时序序列,采用LSTM对该时间序列进行编码,得到用户的轨迹编码;3)根据所述社交关系生成一图网络,将所述社交关系投影到低维空间,学习得到各用户的嵌入表示;4)将每一用户的轨迹编码和对应用户的嵌入表示结合输入softmax层,确定各用户的类别,实现对该目标社交群体的分类。本发明大大提升了群体分类的精度。
Description
技术领域
本发明属于数据挖掘-分类-群体分类技术领域,涉及一种基于多特征融合的社交群体分类方法及系统。
背景技术
分类方法的目的是根据数据集的特点构造一个分类函数或分类模型(也常称作分类器),该模型能把未知类别的样本映射到给定的类别当中。通常,利用机器学习得到的分类器可以表示为分类规则形式、决策树形式或数学公式形式;利用深度学习得到的分类器则主要利用CNN、RNN等神经网络结构寻找概率最大的标签值。
目前已有的基于社交网络的群体分类方法,大多利用已有的分类模型,以社交的关系和属性等社交网络用户特性作为特征来实现。然而,在上述方法中,用户轨迹、网络行为等同样能够反映社交属性的特征往往被忽略。
虽然上述分类方法在群体分类问题中取得了一定的成绩,但是此类方法需要使用包含特定形式特征值的数据集,这导致用户轨迹、网络行为等不规则特征难以参与进分类过程中,或特征信息有一定的缺失。在群体分类问题中,这类不规则特征对分类结果具有重要的参考价值,对不规则特征的忽略可能导致分类结果的准确性降低。
发明内容
为了缓解上述问题,本发明提出一种基于多特征融合的群体分类方法及系统。该方法引入社交关系和轨迹信息,将上述特征抽样建模,并使用Node2Vec和RNN将其投影到低维空间。基于上述模型生成的特征表示,利用深度学习模型进行分类,从而提升群体分类的精度,为信息推送提供技术支持,即可以根据群体的分类结果进行信息推送,分别为不同的用户推送不同的信息。
以上的技术问题是通过下列技术方案解决的:
一种基于多特征融合的群体分类方法,所述分类过程如下:
步骤1,对给定的数据集进行混洗,划分为训练集、验证集和测试集;同时,对用户轨迹数据进行预处理,去除噪声数据,并对缺失位置信息进行插值。其中,数据集为一个用户群的社交关系及该用户群中各用户的轨迹信息。社交关系包括不同用户之间的一对一连接关系,轨迹信息包括多个时间点的位置点坐标。
步骤2,使用频繁序列挖掘算法和LSTM网络将个体的轨迹模式进行编码。
步骤3,将该用户群的社交关系建模成图网络,利用Node2vec将社交关系投影到低维空间,学习用户的嵌入表示。
步骤4,将轨迹编码和用户的嵌入表示结合,利用softmax对轨迹模式进行分类。
步骤5,将一待分类数据集的各用户轨迹编码和各用户的嵌入表示输入到训练好的分类器中,对该待分类数据集进行分类。
上述群体分类步骤如图1。
所述步骤1中,对数据进行预处理过程如下:
步骤1.1,分析轨迹数据,根据轨迹数据中轨迹点的采样间距,定义合适的时间片,并将轨迹点与时间片一一对应。
步骤1.2,将较短时间内出现频繁远距离波动的轨迹点去除。该步骤可分为以下几个部分:
步骤1.2.1,对于每个时间片,将这个时间片的数据(即轨迹点)按用户的唯一标识符分组;
步骤1.2.2,计算该时间片所有数据的中心位置;
步骤1.2.3,分析时间片的分组结果,如果同一组中含有多于一条位置数据,则计算该组所有位置信息与1.2.2所得中心位置的距离,保留离中心位置最近的一条数据。距离计算公式如下:
步骤1.2.4,对所有保留下来的数据,重新计算其中心位置。每个分组代表一个用户,每个用户在同一时间只有一条位置数据保留。每一组结束步骤1.2.3之后即可更新中心位置。
步骤1.3,对于某一时间片缺失的轨迹点,如果时间片前后相邻时间均存在位置点(即轨迹点),则根据相邻时间位置点进行插值,插值位置为前后时间片位置点的中心,得到该缺失的轨迹点。
步骤1.4,将数据集中的用户唯一标识进行混洗,并按比例切分成训练集、验证集和测试集。
所述步骤2将个体的轨迹模式进行编码,包含频繁序列挖掘和LSTM编码两个部分。其中,使用频繁序列挖掘算法挖掘个体的轨迹模式,再将用户的轨迹模式看作时序序列,采用LSTM对该序列进行编码。
频繁序列挖掘算法步骤如下:
步骤2.1.1,对预处理之后的轨迹数据进行两层循环遍历,找出所有的频繁项,频繁项即轨迹数据中某一段轨迹片段的出现次数大于设定阈值(此处设为3),则该轨迹片段称为频繁项。
步骤2.1.2,过滤得到的频繁项:过滤长度小于2的频繁项;对两频繁项重叠部分达80%以上的,过滤较短的频繁项;自身内部循环的频繁项,则只留下最长的部分(类似A-B-C-B-C-B-C的轨迹段,A、B、C均为位置坐标,则保留其中的A-B-C)。
使用LSTM对轨迹模式进行编码的步骤如下:
步骤2.2.1,将每个用户的轨迹模式建模成一个固定长度为T的时序序列。序列的第i个单元代表该用户在第i个时间片的位置信息,每一位置信息可表示为一个二维向量,其每一维分别代表该位置的经度和纬度。
步骤2.2.2,将步骤2.2.1所得时序序列的最早一个时间片设为t1。
步骤2.2.3,搭建长度为T的LSTM网络,设置隐状态维度为50维。将序列中的向量按时间顺序输入LSTM网络中,每个向量都作为一个LSTM单元的输入。
步骤2.2.4,取最后一个时刻输出的隐状态作为轨迹模式编码。
所述步骤3编码个体间的社交关系,将社交网络的拓扑结构进行降维表示。其具体步骤如下:
步骤3.1,将社交关系建模成图网络,图中的每个节点代表一个个体,每条边代表两个个体间存在的社交关系。其中,边的权值代表个体间社交关系的紧密度。
步骤3.2,采用有偏随机游走获取每个节点的近邻序列。
步骤3.2.1,在图网络中采样得到初始点v0。
步骤3.2.2,从v0开始,随机选择其邻居作为序列的下一个节点。在抽样过程中,给定当前顶点v,访问下一个顶点x的概率为
其中,πvx是顶点v和顶点x之间的未归一化转移概率,E为图网络中边的集合,Z是归一化常数。
步骤3.2.3,重复步骤3.2.2,直到得到长度为L的近邻序列。
步骤3.3,使用步骤3.2得到的顶点近邻序列,用word2vec模型学习顶点的embedding向量,即用户的嵌入表示。
所述步骤4可分为以下步骤:
步骤4.1,将步骤2得到的轨迹模式编码和步骤3得到的用户的嵌入表示拼接,得到一个100维向量。
步骤4.2,将该向量通过一个softmax层,设置softmax层输出维度为2。取概率最大的类别为最终标签。
本发明还提供一种基于多特征融合的社交群体分类系统,其特征在于,包括数据预处理模块、轨迹模式生成模块、轨迹编码模块、嵌入表示学习模块和分类模块;其中,
数据预处理模块,用于对目标社交群体的数据集中各用户的轨迹数据进行预处理,去除噪声并对缺失位置信息进行插值;其中,该数据集包括该目标社交群体的社交关系及该目标社交群体中各用户的轨迹信息;
轨迹模式生成模块,用于使用频繁序列挖掘算法从各用户轨迹数据中挖掘对应用户的轨迹模式;
轨迹编码模块,用于将用户的轨迹模式看作时序序列,采用LSTM对该时间序列进行编码,得到用户的轨迹编码;
嵌入表示学习模块,用于根据所述社交关系生成一图网络,将所述社交关系投影到低维空间,学习得到各用户的嵌入表示;
分类模块,用于将每一用户的轨迹编码和对应用户的嵌入表示结合输入softmax层,确定各用户的类别,实现对该目标社交群体的分类。
与现有技术相比,本发明的积极效果为:
1、提出了基于多特征融合的群体分类方法:将社交数据与轨迹数据相融合,利用个体的轨迹和社交特性扩充特征的维度,使个体分类更能体现用户的社会特性。
2、利用LSTM、Node2Vec等已有算法有效地编码不规则特征,深入挖掘数据中的隐藏信息。
本发明将多种无法直接向量化的不规则特征编码,再输入分类器中进行分类,能解决现有群体分类方法特征单一、不规则特征难以引入的问题,从而提升群体分类的精度。相比于传统的分类器,本发明提取到了更多的特征信息,大大提升了群体分类的精度,为信息推送提供技术支持,即可以根据群体的分类结果进行信息推送,分别为不同的用户推送不同的信息。
附图说明
图1为一种基于多特征融合的群体分类方法。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下参照附图,对本发明作进一步详细说明。
本发明基于一轨迹模式挖掘项目中不同群体的轨迹和社交数据构建数据集,其中包含个体约5000人,轨迹、社交信息均为对应个体的真实数据。
步骤1,数据预处理。
步骤1.1,根据观察,本数据集中,位置点的采样间隔约为1小时。将时间片设为1小时,并将位置点和时间片对应。
步骤1.2,对于同一时间片,假如存在同一用户的多个位置点,则判断这些位置点的地理位置远近程度。当1小时内有两个以上距离较远的位置点时,取更接近中心点的位置;如果与中心点距离相同,则删除该用户在这一时间片的位置信息。
步骤1.3,如果用户在某一时间片内的位置信息缺失,则查看前后两小时内该用户是否存在位置信息。若存在,则取前后两小时位置的中间值作为这一时间片的位置信息。
步骤1.4,按7:2:1的比例将数据切分为训练集、验证集和测试集。
步骤2,挖掘步骤1中得到的数据,得到频繁项,并对频繁项进行编码。
步骤3,编码用户的社交关系。
步骤3.1,将社交网络建模成图网络。对于个体A和个体B,A和B分别被看作图网络中的节点。如果A和B具有通联关系,即A直接与B进行过一对一交流,则在A和B节点之间连接一条边。将不同个体交流的次数和时长划为几个区间,并为边赋不同权值。
步骤3.2和步骤3.3如上文所示。
步骤4,softmax分类。
步骤4.1,将步骤2得到的轨迹模式编码和步骤3得到的社交关系编码拼接并通过softmax层,取概率最大的标签作为最终分类标签。
为了比较本发明(简称MFC)相较于现有模型的优缺点,现采用基础SVM分类模型,以社交关系中的通联次数、轨迹中位置区划出现次数作为特征,记录两个模型对人群进行分类的准确率和召回率。实验结果如表1所示:
表1为模型结果对比
系统 | 准确率 | 召回率 |
MFC | 0.955 | 0.909 |
SVM | 0.831 | 0.866 |
实验结果表明,使用编码后的轨迹模式和社交关系进行分类后,在准确率、召回率上均有一定的提升。
尽管为说明目的公开了本发明的具体内容、实施算法以及附图,其目的在于帮助理解本发明的内容并据以实施,但是本领域的技术人员可以理解:在不脱离本发明及所附的权利要求的精神和范围内,各种替换、变化和修改都是可能的。本发明不应局限于本说明书最佳实施例和附图所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (10)
1.一种基于多特征融合的社交群体分类方法,其步骤包括:
1)对一目标社交群体的数据集,对该数据集中各用户的轨迹数据进行预处理,去除噪声并对缺失位置信息进行插值;其中,该数据集包括该目标社交群体的社交关系及该目标社交群体中各用户的轨迹信息;
2)使用频繁序列挖掘算法从各用户轨迹数据中挖掘对应用户的轨迹模式,再将用户的轨迹模式看作时序序列,采用LSTM对该时序 序列进行编码,得到用户的轨迹编码;
3)根据所述社交关系生成一图网络,将所述社交关系投影到低维空间,学习得到各用户的嵌入表示;
4)将每一用户的轨迹编码和对应用户的嵌入表示结合输入softmax层,确定各用户的类别,实现对该目标社交群体的分类。
2.如权利要求1所述的方法,其特征在于,对该数据集中的用户轨迹数据进行预处理的方法为:
11)根据轨迹数据中轨迹点的采样间距设置时间片长度,将轨迹点与时间片一一对应;
12)对于每个时间片,将该时间片的数据按用户的唯一标识符分组;然后计算该时间片所有数据的中心位置;
13)根据时间片的分组结果进行数据过滤,如果同一组中含有多于一条位置数据,则计算该组所有位置信息与所述中心位置的距离,保留离所述中心位置最近的一条数据;
14)根据步骤13)过滤后保留的数据更新所述中心位置;
15)对于某一时间片缺失的轨迹点,如果该时间片前后相邻时间均存在轨迹点,则根据相邻时间的轨迹点进行插值,得到该缺失的轨迹点。
3.如权利要求1所述的方法,其特征在于,使用频繁序列挖掘算法挖掘所述轨迹模式的方法为:首先采用频繁序列挖掘算法对预处理之后的用户u的轨迹数据进行两层循环遍历,找出所有的频繁项;其中频繁项是指轨迹数据中出现次数大于设定阈值的轨迹片段;然后过滤得到的频繁项:过滤长度小于设定长度的频繁项,如果两频繁项重叠部分达设定比例以上则过滤掉其中较短的频繁项,如果频繁项存在自身内部循环则只留下内部循环中最长的部分;最后将过滤后得到的频繁项作为该用户u的轨迹模式。
4.如权利要求3所述的方法,其特征在于,得到用户的轨迹编码的方法为:首先将用户u的轨迹模式建模成一个固定长度为T的时序序列;该时序序列的第i个单元代表该用户u在第i个时间片的位置信息,该时序序列的最早一个时间片设为t1;然后搭建长度为T的LSTM网络,设置隐状态维度为N维,将该时序序列中的向量按时间顺序输入该LSTM网络中;然后取最后一个时刻输出的隐状态作为该用户u的轨迹编码。
5.如权利要求1所述的方法,其特征在于,学习得到各用户的嵌入表示的方法为:
31)将社交关系建模成图网络,图中的每个节点代表一个个体,每条边代表两个个体间存在的社交关系;
32)采用有偏随机游走获取每个顶点的长度为L的近邻序列;
33)根据顶点的近邻接序列,用word2vec模型学习得到顶点的embedding向量作为对应用户的嵌入表示。
6.一种基于多特征融合的社交群体分类系统,其特征在于,包括数据预处理模块、轨迹模式生成模块、轨迹编码模块、嵌入表示学习模块和分类模块;其中,
数据预处理模块,用于对目标社交群体的数据集中各用户的轨迹数据进行预处理,去除噪声并对缺失位置信息进行插值;其中,该数据集包括该目标社交群体的社交关系及该目标社交群体中各用户的轨迹信息;
轨迹模式生成模块,用于使用频繁序列挖掘算法从各用户轨迹数据中挖掘对应用户的轨迹模式;
轨迹编码模块,用于将用户的轨迹模式看作时序序列,采用LSTM对该时序 序列进行编码,得到用户的轨迹编码;
嵌入表示学习模块,用于根据所述社交关系生成一图网络,将所述社交关系投影到低维空间,学习得到各用户的嵌入表示;
分类模块,用于将每一用户的轨迹编码和对应用户的嵌入表示结合输入softmax层,确定各用户的类别,实现对该目标社交群体的分类。
7.如权利要求6所述的系统,其特征在于,所述数据预处理模块首先根据轨迹数据中轨迹点的采样间距设置时间片长度,将轨迹点与时间片一一对应;然后对于每个时间片,将该时间片的数据按用户的唯一标识符分组;然后计算该时间片所有数据的中心位置;然后根据时间片的分组结果进行数据过滤,如果同一组中含有多于一条位置数据,则计算该组所有位置信息与所述中心位置的距离,保留离所述中心位置最近的一条数据;然后根据过滤后保留的数据更新所述中心位置;然后对于某一时间片缺失的轨迹点,如果该时间片前后相邻时间均存在轨迹点,则根据相邻时间的轨迹点进行插值,得到该缺失的轨迹点。
8.如权利要求6所述的系统,其特征在于,所述轨迹模式生成模块首先采用频繁序列挖掘算法对预处理之后的用户u的轨迹数据进行两层循环遍历,找出所有的频繁项;其中频繁项是指轨迹数据中出现次数大于设定阈值的轨迹片段;然后过滤得到的频繁项:过滤长度小于设定长度的频繁项,如果两频繁项重叠部分达设定比例以上则过滤掉其中较短的频繁项,如果频繁项存在自身内部循环则只留下内部循环中最长的部分;最后将过滤后得到的频繁项作为该用户u的轨迹模式。
9.如权利要求8所述的系统,其特征在于,所述轨迹编码首先将用户u的轨迹模式建模成一个固定长度为T的时序序列;该时序序列的第i个单元代表该用户u在第i个时间片的位置信息,该时序序列的最早一个时间片设为t1;然后搭建长度为T的LSTM网络,设置隐状态维度为N维,将该时序序列中的向量按时间顺序输入该LSTM网络中;然后取最后一个时刻输出的隐状态作为该用户u的轨迹编码。
10.如权利要求6所述的系统,其特征在于,所述嵌入表示学习模块首先将社交关系建模成图网络,图中的每个节点代表一个个体,每条边代表两个个体间存在的社交关系;然后采用有偏随机游走获取每个顶点的长度为L的近邻序列;然后根据顶点的近邻接序列,用word2vec模型学习得到顶点的embedding向量作为对应用户的嵌入表示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911180128.XA CN110879856B (zh) | 2019-11-27 | 2019-11-27 | 一种基于多特征融合的社交群体分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911180128.XA CN110879856B (zh) | 2019-11-27 | 2019-11-27 | 一种基于多特征融合的社交群体分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110879856A CN110879856A (zh) | 2020-03-13 |
CN110879856B true CN110879856B (zh) | 2022-08-05 |
Family
ID=69730340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911180128.XA Active CN110879856B (zh) | 2019-11-27 | 2019-11-27 | 一种基于多特征融合的社交群体分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110879856B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111583048A (zh) * | 2020-04-17 | 2020-08-25 | 北京工业大学 | 一种基于活动序列的学生社交关联分析方法 |
CN111739651A (zh) * | 2020-06-16 | 2020-10-02 | 南京众智未来人工智能研究院有限公司 | 一种基于群体识别的多个体间距检测系统和方法 |
CN114666391B (zh) * | 2020-12-03 | 2023-09-19 | 中国移动通信集团广东有限公司 | 访问轨迹确定方法、装置、设备及存储介质 |
CN112686766B (zh) * | 2020-12-26 | 2024-05-31 | 中山大学 | 一种社交网络的嵌入表示方法、装置、设备和存储介质 |
CN113220964B (zh) * | 2021-04-01 | 2024-03-22 | 国家计算机网络与信息安全管理中心 | 一种基于网信领域短文本的观点挖掘方法 |
CN113836370B (zh) * | 2021-11-25 | 2022-03-01 | 上海观安信息技术股份有限公司 | 用户群体的分类方法、装置、存储介质及计算机设备 |
CN115455130B (zh) * | 2022-11-10 | 2023-01-31 | 中国测绘科学研究院 | 一种社交媒体数据与移动轨迹数据的融合方法 |
CN117292550B (zh) * | 2023-11-24 | 2024-02-13 | 天津市普迅电力信息技术有限公司 | 一种面向车联网应用的限速预警功能检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893733A (zh) * | 2015-01-26 | 2016-08-24 | 华为技术有限公司 | 一种基于移动轨迹的用户分类的方法及装置 |
CN109871469A (zh) * | 2019-02-28 | 2019-06-11 | 浙江大学城市学院 | 基于动态图元的小簇人群识别方法 |
CN110457404A (zh) * | 2019-08-19 | 2019-11-15 | 电子科技大学 | 基于复杂异质网络的社交媒体账户分类方法 |
-
2019
- 2019-11-27 CN CN201911180128.XA patent/CN110879856B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893733A (zh) * | 2015-01-26 | 2016-08-24 | 华为技术有限公司 | 一种基于移动轨迹的用户分类的方法及装置 |
CN109871469A (zh) * | 2019-02-28 | 2019-06-11 | 浙江大学城市学院 | 基于动态图元的小簇人群识别方法 |
CN110457404A (zh) * | 2019-08-19 | 2019-11-15 | 电子科技大学 | 基于复杂异质网络的社交媒体账户分类方法 |
Non-Patent Citations (3)
Title |
---|
Identifying Human Mobility via Trajectory Embeddings;Qiang GAO等;《Proceedings of the 26th International Joint Conference on Artificial Intelligence》;20170819;第1689-1695页 * |
一种基于用户轨迹的跨社交网络用户身份识别算法;陈鸿昶 等;《电子与信息学报》;20181130;第2758-2764页 * |
应用随机游走的社交网络用户分类方法;贺超波等;《计算机科学》;20150215(第02期);第198-203页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110879856A (zh) | 2020-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110879856B (zh) | 一种基于多特征融合的社交群体分类方法及系统 | |
CN108108854B (zh) | 城市路网链路预测方法、系统及存储介质 | |
CN107145977B (zh) | 一种对在线社交网络用户进行结构化属性推断的方法 | |
CN107247961B (zh) | 一种应用模糊轨迹序列的轨迹预测方法 | |
KR20210040248A (ko) | 물질의 생성 구조-특성 역 계산 공동 설계 | |
CN111008337B (zh) | 一种基于三元特征的深度注意力谣言鉴别方法及装置 | |
CN112084373B (zh) | 一种基于图嵌入的多源异构网络用户对齐方法 | |
Barman et al. | Shape: A novel graph theoretic algorithm for making consensus-based decisions in person re-identification systems | |
CN112199670B (zh) | 一种基于深度学习改进iforest对行为异常检测的日志监控方法 | |
Le Rhun et al. | A stochastic data-based traffic model applied to vehicles energy consumption estimation | |
CN109948242A (zh) | 基于特征哈希的网络表示学习方法 | |
CN112766339A (zh) | 一种轨迹识别模型训练方法及轨迹识别方法 | |
CN113705099A (zh) | 基于对比学习的社交平台谣言检测模型构建方法及检测方法 | |
CN115293919A (zh) | 面向社交网络分布外泛化的图神经网络预测方法及系统 | |
CN113822419A (zh) | 一种基于结构信息的自监督图表示学习运行方法 | |
CN108805280B (zh) | 一种图像检索的方法和装置 | |
CN109492816B (zh) | 一种基于混合智能的煤与瓦斯突出动态预测方法 | |
CN112861692B (zh) | 一种房间分类模型构建方法及装置、房间分类方法及装置 | |
CN112257332B (zh) | 一种仿真模型的评估方法及装置 | |
CN111324641B (zh) | 人员估计方法、装置及计算机可读存储介质和终端设备 | |
Parvin et al. | Linkage learning based on local optima | |
Sahni et al. | Aided selection of sampling methods for imbalanced data classification | |
CN109033746B (zh) | 一种基于节点向量的蛋白质复合物识别方法 | |
CN110866838A (zh) | 基于转移概率预处理的网络表示学习算法 | |
CN116431988A (zh) | 基于活动模式-马尔科夫链的居民出行活动时间序列生成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 |