[发明专利]一种基于通信网的重要用户发现及行为预测方法

权利要求书

1.一种基于通信网的重要用户发现及行为预测方法，其特征在于：包括以下步骤：

步骤1、依据用户通信记录，构建出用户的通信网络，利用基于社区划分的关键节点查找方法，查找网络中的重要节点，挖掘出重要用户；

步骤2、依据用户通信记录，提取出用户通信时间的特征，构建折线图，挖掘出全局通信时间的规律；

步骤3、依据用户通信记录，构建用户的历史通信对象序列，对于挖掘出的重要用户，利用NARM模型，预测出用户下一刻通信对象；

步骤4、基于以上3步的输出结果，筛选出未来时间中重要用户的通信时间和通信对象的预测结果，从而得出重要用户及行为趋势的预测结果；

步骤1中使用基于平衡树的Fast-Newman算法对网络进行社区划分，然后再对每个社区，单独利用PageRank算法进行关键点查找，最后综合社区划分和PageRank算法得出每个节点的重要性，具体过程包括如下步骤：

步骤1-1：根据某个时间段内用户通信记录下的主叫用户和被叫用户信息，提取出该时间段内的所有用户集合及用户集合个数；

步骤1-2：在步骤1-1的基础上，以用户集合中的每个用户作为用户通信网络中的节点，并根据用户通信记录中的主叫号码、被叫号码、主叫、被叫信息，建立通信网络中的节点间通信的边，其中用户通信网络为无向图G(V，E)；在G(V，E)中允许两个节点间存在多条边；

步骤1-3：依据用户通信网络的拓扑结构，利用Fast-Newman算法对网络进行社区划分，首先初始化每个节点为一个社区，网络一共N个节点则共有N个社区；模块度Q＝0，初始化e_uv：

如果节点u和v之间有连边：其中m为无向图总的边数，其中tot为节点u和v之间的边的数量；

如果节点u和v之间没有连边：e_uv＝0；

并且a_u满足：

a_u＝k_u/2m；其中k_u表示与节点u相连的边的数量；

把网络中的每一条无向边，拆分成两条有向边，e_uv表示节点u与节点v相连的边的数量占整个网络的比例，a_u表示与节点u相连的边占整个网络的比例；

步骤1-4：对于有边联系的两个节点u和v比作两个社区，将两个节点合并为一个新的节点即形成一个新的社区，并根据下式计算合并后模块度的增量：

ΔQ＝e_uv+e_vu-2a_ua_v＝2(e_uv-a_ua_v)；

根据Fast-Newman算法的原理，需要找到模块度Q最大时对应的网络节点合并情况，因此采用贪心原理，每次选择产生最大ΔQ的两个节点进行合并，并且记录下每次合并的节点；对于每两个有边联系的两个节点新建一条边，并将边权设置为2(e_uv-a_ua_v)，并且将这些边按照边权的大小插入平衡树中；

步骤1-5：开始合并两个节点，根据平衡树的性质容易得到最大的边权的边，将边权最大的边的两个端点的节点u和v进行合并同时将边从平衡树中进行删除，并记录下合并记录，合并后的新的聚合节点为z，那么新节点的属性如下：

e_zz＝e_uu+e_vv+e_uv+e_vu；

e_zx＝e_ux+e_vx；

a_z＝a_u+a_v；

其中x为除z，u，v之外的并且与u和v相连的节点，把网络中的每一条无向边，拆分成两条有向边，则e_zz表示合成的节点z中的边数占原始整个无向图中的比例；

根据步骤1-4计算模块度的增量，将合并前的与u和v相连的边并且在平衡树中的边进行删除，然后根据新合并的节点z的属性重新设置新的边及计算新的边权，再插入到平衡树中；

步骤1-6：重复步骤1-5的操作N-1次，这时就只剩下一个合并后的新节点，然后根据最大的Q值所对应的节点合并步骤，将整个图的n个点当作n个单独的联通块，使用并查集模拟这个过程，把最终每一个联通块看成一个社区，即可得到最大的Q值对应的社区划分；

步骤1-7：根据社区划分的结果图G(V，E)被划分为G₁,G₂,...,G_k，其中k为社区数量，子图G_i(V_i,E_i)表示一个社区，其中V_i表示社区内的节点，E_i表示社区的内部关系并且E_i两个端点都在子图G_i内，并且V₁∪V₂∪...∪V_k＝V；将G_i聚合成一个超级节点s_i，构建超级节点的邻接矩阵S，S的元素S_ij表示社区i和j之间的连边的权重之和，由于无向图G为非带权图，所以邻接矩阵的连边的权重便是两个社区的连边总数：

S_ij＝T_ij；

T_ij为社区i和社区j的连边总数，当i＝j时为同一个社区，此时T_ij为社区内部边的数量的两倍；

步骤1-8：求取各节点在各自社区内的PageRank值，利用PageRank算法对每个子图的每一个节点计算其PageRank值：

其中，y表示与x在同一社区的节点，如果y和x直接相连，则σ(x,y)值为1,否则为0，k_y表示y节点在子图G_i内的出度，PR’(x)为x在上一时间段所在社区的PageRank值，初始为零；对于不同社区，采用多路计算的方式，分摊到多个线程进行计算；

步骤1-9：定义一个衡量社区内部连结关系和外部连结关系的数值，社区i的连结系数；定义为社区的内部度即与外界相连的边，为社区的外部度即社区内部的边，则根据S矩阵可得：

定义社区i的连结系数为I_i，采用如下公式进行计算：

接下来对社区连结系数进行归一化处理，使用softmax函数进行归一化；

其中是社区x被选择的概率，k为社区数量；

步骤1-10：计算每个节点重要程度；将每一个节点利用综合公式计算Rank值在进行排序，对于节点x的Rank值计算如下：

其中G_x为x所在的社区，|G_x|为x所在社区的大小；通过计算，将所有的节点的Rank值进行排序，可以得到整个网络的节点的重要性排序，选取Rank值最大的节点或者前几个节点，就可以挖掘出网络中的一个或多个重要用户。