[发明专利]一种基于社会推荐网络和机制设计的专家寻找方法和系统

说明书

技术领域

本发明涉及社交网络领域,尤其涉及一种基于社会推荐网络和机制设计的专家寻找方法和系统。

背景技术

在现实生活中，人们常常需要寻找具有某些特质的专家或者满足一定条件的人，在这里我们把这个问题统称为寻找专家。目前在商业应用和学术研究中有两种寻找专家的方式：一种是利用全局信息在一个大数据库中搜索满足条件的专家；另一种是借助社交关系，通过多层朋友推荐来寻找专家。随着隐私问题日益严重，人们很少、也并不愿意向公众或第三方机构提供大量全面的个人信息。例如，很多使用在线社交网络的用户将他们的个人信息设置为不可搜索或者仅对好友可见。这使得通过基于大数据库的搜索引擎无法查询到大量的未公开个人信息或者个人信息仅对好友可见的人。因此利用社会推荐网络，通过好友逐层推荐的方式，能帮助人们找到利用搜索引擎找不到的专家。并且从社会学的角度，比起通过搜索引擎找到的完全陌生的专家，搜索人更容易与好友推荐的专家建立信任以达成良好的合作关系。

在线社交网络例如人人网、开心网，有大量用户、个人信息和好友关系，为构建社会推荐网和寻找专家提供了非常丰富的资源。根据MillerMcpherson在2001年提出的同质性理论，兴趣、背景等社会属性相似的人更倾向于成为好友，因此通过挖掘好友社会属性的内在联系能指导人们快速有效地通过社会推荐网络找到需要的专家。大量研究表明，通过好友关系，社交网络是可搜索的，即绝大部分人是可以通过逐层好友关系被找到的。对于在线社交网络，我们对脸书（Facebook）的研究表明，99%的用户彼此的好友关系距离平均少于6跳。

在目前的研究工作中，都假设参与社会推荐帮助找寻专家的人都是志愿的，并没有考虑给参与者支付相应报酬的问题。在这些研究中，给出一个目标专家的描述，通过社交网络中的好友关系逐条构建一条推荐关系链来寻找目标专家。这些相关研究都着力于设计局部搜寻最短路径的算法设计，强调找到的好友推荐关系链普遍较短，但是却忽略了大量的好友推荐链根本没有找到要搜寻的最终目标。在White在其1970年关于小世界理论的研究中指出决定这种基于社会推荐的搜索成功与否的最关键因素不是社会关系网的拓扑结构，也不是搜索的策略，而是推荐过程在每一步可能被中止的概率。有大量的推荐链中止的原因是参与者缺乏足够的激励让他们参与推荐并继续中转搜索消息。例如在Watts2002年的实验中发现，每一个参与的中间人都有25%的概率中止其中转的任务，因为他们缺乏继续参与转发的动力。在Adamic等人2004年的小世界实验中仅有5%的消息被成功传递给了寻找的目标，最终找到目标专家的几率非常小。

发明内容

本发明的目的在于提出一种基于社会推荐网络的专家寻找方法，依靠社会属性相似度计算，考虑参与者个人利益的真实机制，在快速找到目标专家的同时，让每个参与者不能撒谎并获取到应有的报酬，提高最终找到目标专家的几率。

为达此目的，本发明采用以下技术方案：

一种基于社会推荐网络和机制设计的专家寻找方法包含：

a.建立用户的属性向量；建立用户之间的社交网络的好友圈；

b.预设查找者，预设目标专家的特征向量，预设预算额度；其中，查找者和目标专家均属于所述用户；

c.对比目标专家的特征向量与查找者的好友圈中的好友的属性向量，如果好友的属性向量与目标专家的特征向量匹配，则该好友为目标专家，查找结束；否则，继续步骤d；

d.计算查找者的好友圈中的好友的属性向量与目标专家的特征向量的相似度，获取查找者的好友圈中的好友的报价，根据相似度和报价再计算查找者好友的分数；如果预算额度小于分数最小的好友的报价，则无法找到目标专家，查找结束；否则，继续步骤e；

e.把分数最小的好友作为查找者，将预算额度减去分数最小的好友的报价，继续步骤c。

进一步的，所述属性向量为一个m维的属性向量其中，每一维属性表示用户i的第j个属性的值，描述用户的特征和社会属性。

进一步的，所述建立用户之间的社交网络的好友圈的概率模型为：Pr(E_ij｜S_ij＝X)＝logit^-1(βX)＝1/(1+e^-βX)，表示用户i，j成为好友的事件E_ij为真，β为社交网络的预设参数；其中，表示用户i，j相似度向量；表示用户i，j的第k个属性的相似度；表示用户i，j的第k个属性间的距离。

进一步的，除用所述该概率模型建立该好友圈外，还可以用其它现有技术模型建立该好友圈。