[发明专利]一种融合局部信息和社团信息的社交网络好友预测方法

说明书

本发明公开了一种融合社团信息和局部信息的社交网络好友预测方法，包括以下步骤：利用社团检测算法对社交网络进行预处理，得到网络的社团结构；通过利用社团信息对用户之间的边进行加权，更精确的反映用户之间的关系；k层概率传播；计算用户相似度矩阵；用户节点相似度排序。该方法利用概率传播方法预测用户与用户之间的相似度，并且通过用户之间的社团信息进一步提升预测的准确性。本发明通过设计k层概率传播考虑更多的局部信息，利用用户社团信息考虑了用户不同的邻居对其影响不同的问题，从而能够更好的预测用户之间的相似度，实现预测效果的有效提升。

技术领域

本发明设计社交网络好友预测领域，更具体地说是一种融合局部信息和社团信息的社交网络好友预测方法。

背景技术

大数据时代给社会和我们的生活带来了各种变化，其中社交网络发挥着重要的作用，互联网在世界范围内的广泛使用使人们能够相互联系。在现代社交网络中，多媒体数据十分的丰富。分享图像、视频或音乐等多媒体数据到Facebook、Twitter、谷歌+、Flicker等社交网络上是非常常见的。此外，通过短信、聊天或公开发布个人动态的文本信息共享在社交网络上也十分流行，人们通过以上等行为与朋友建立联系。因此，社交网络为多媒体数据分析，特别是预测分析提供了巨大的语料库。为了更好地理解各种对象之间的底层关系，收集的数据通常以图或网络的形式表示。预测缺失的好友关系或者预测在不久的将来可能会产生的关系，对于揭露隐藏的社交关系起着十分重要的作用。这类问题的出现吸引了大量研究人员在相关领域做了一些工作，然而现有的工作很多考虑到用户的一阶或者二阶邻居，没有考虑更多的局部信息，而且很少有工作考虑到不同社团的用户会对目标用户产生不同的影响的问题。因此提出了一种融合局部信息和社团信息的社交网络好友预测方法。

目前好友预测领域有关工作主要分为一下两类：

(1)基于相似性的方法。这是预测好友关系的一种常用方法，在这种方法中，对于每一对节点，基于节点对的结构或者节点的属性计算一个相似性得分，得分代表节点对之间的预测联系。基于相似性的方法有基于全局的相似性方法和基于局部的相似性方法，其中基于局部相似性的方法通常使用关于共同邻居和节点度的信息计算，考虑节点的近邻，这种方法将邻居用户看做同等的，没有区分影响力的不同。基于全局相似度的方法利用网络的整个拓扑信息来计算，然而这种方法计算复杂度高，不适用于大型网络。

(2)基于概率模型的方法。这种方法需要建立一个由多个参数组成的模型，该模型能够较好额估计给定网络的观测数据。概率模型通常除了需要结构信息外，还需要更多的节点或者属性知识等信息，然而这些信息提取比较困难，而且参数设置也是较大的问题，这限制了它们的适用性。

发明内容

本发明为克服现有技术的不足之处，提供一种融合局部信息和社团信息的社交网络好友预测方法，考虑用户的邻居节点等局部信息，并且融合社交网络中的社团信息，考虑社团内外用户的不同影响，以期能在社交网络中准确的预测用户之间的好友关系。

本发明为解决技术问题采用如下技术方案：

一种融合局部信息和社团信息的社交网络好友预测方法，包括以下步骤：

步骤1、利用社团检测算法对社交网络进行预处理，得到网络的社团结构；

步骤2、通过利用网络的社团结构对用户之间的边进行加权，更精确的反映用户之间的关系；

步骤3、k层概率传播

步骤3.1、基于原始网络构建二部网络B_G(X,Y,W)，X表示网络中的用户，Y表示网络中的用户，W表示X中节点和Y中节点之间存在有联系；

步骤3.2、设置资源分配比例，根据步骤2得到的权重矩阵，计算资源从X到Y或者从Y到X比例的方式；

步骤3.3、设置传播层数k；