[发明专利]基于移动社交网络关系紧密度的罪犯及贷款失联人多网联合搜索方法

说明书

本发明公开了一种基于移动社交网络关系紧密度的罪犯及贷款失联人多网联合搜索方法，包括下述步骤：构建失联人的移动社交网络；构建失联人交互属性矩阵；构建指数权重计算模型，并构建指数加权交互属性矩阵；建立失联人家庭成员中任意两个节点之间的距离计算公式；首先定义最大交互用户，然后提出逐步剔除算法来确定家庭成员最小交互用户，并建立失联人与其任一家庭成员的关系紧密度计算模型；提出基于移动社交网络关系紧密度的失联人家庭成员多网联合搜索算法和失联人家族成员顺序搜索算法来查找失联人。本发明对追踪逃犯、银行追查携款逃跑人、金融平台追踪借款失联人包括社会和家庭寻找的失联人均具有实际的帮助和可操作性。

技术领域

本发明属于失联人查找的技术领域，具体涉及一种基于移动社交网络关系紧密度的罪犯及贷款失联人多网联合搜索方法。

背景技术

目前，利用移动社交网络来研究追捕的逃犯以及银行、金融机构和各大贷款平台的借款失联客户，包括家庭或社会的失联人等之间的关系紧密程度的研究和相应的搜索查找方法都尚示见有文献报导。

首先，在网络密度和群体关系等相关问题的研究中，张兴刚和袁毅(2011)利用社会网络分析工具 UCINET分析了抽样数据中回答者用户形成的社会网络的网络密度、小团体等方面特征，对问答社区用户关系网络特征进行了进一步分析并提出改进问答类社区的建议。徐志明等(2014)探究了微博用户的关注名单和粉丝名单的相似程度，并认为相似程度表示用户间关系程度。郑琼等(2019)基于新浪微博的真实移动社交互动数据,考虑了体现关系互动的社交关系强度和社交影响范围,以及体现信息互动的信息价值和信息传播控制力等四个影响因素来构建信任评估模型。王亮等(2018)以群智感知参与用户的群体社会属性为基础，提出一种平台—社群—用户的社群化任务分发方法。基于参与用户时空移动特征分布的近似度计算对用户进行动态社群划分聚类，通过在社群中设置社群组织者与社群从属者角色，同时引入社交亲密度连接关系网络等模型，构建移动群智感知任务初次社群分发与二次用户选择的方法。石进平等(2018) 引入社交关系图模型，综合考虑用户及物品之间的关系，利用线性模型融合多样性和相关性两个重要指标，利用Spark GraphX并行图计算框架实现该算法。弭宝瞳等(2018)总结归纳了社交物联网的主要研究内容，给出了社交物联网的一般性定义，并探讨了社交物联网的研究意义和主要研究方法，然后分析了社交物联网的模型。韩有业等(2018)探讨了网络时代传播结构的变化，发现同时仍存在监视与控制，存在对社交网络操纵的可能性。胡敏等(2018)针对LBSN中网络的异构性以及用户间的时空关系特性，将网络划分成时空-用户-位置-类别四层超网络，通过挖掘用户影响力、隐关联关系、用户偏好以及节点度信息，对子网的边权值进行定义和量化，挖掘用户之间的多元关联关系进行预测。何军和刘业政(2017)基于社会影响和选择两种机制构建在线社交网络多维网络结构,综合各个维度节点和连边的拓扑结构,实现多维社交网络预测矩阵的集结,在降维后的网络上进行链路预测。李磊等(2017)从行为的成因、行为的表现及行为的影响3个方面对社交网络行为进行全面分析。分析了社交网络行为的影响,包括行为影响力衡量和行为引导两个最重要角度^[]。与单次交互相比，实时的动态交互需要依靠用户联系的频繁程度构建收集。记录和标识联系的节点，势必会产生不同的交互频率。Todorov,Claudio(1973)研究了过去行为的频率变化程度对当前行为的作用影响，发现当用户更加频繁地做一件事时，该事件受到强化而在未来更有可能发生。张洪等(2018)基于人类行为动力学规律研究了在线信息交互行为的特征，首先，利用重标极差法计算话题讨论中时间间隔序列的Hurst指数及V统计量,发现各种话题时间间隔序列Hurst指数均大于0.5,V统计量曲线呈上升趋势,表明序列具有自相似和长程相关的分形特征；然后,分析了序列V统计量趋势转折点与 Hurst指数的关系,发现Hurst指数越大的序列,转折点越靠后,即序列的非循环周期更长。研究结果表明，交互时间间隔越长，下一次的交互开始时间就越靠后。Zhang(2001)通过邀请320名中国成年人随机到8 个实验室并阅读2名同事的信息，并分配奖金。8种实验条件在关系类型，同事之间过去互动的频率以及未来互动的可能性方面存在差异，通过研究交互频率如何影响奖金分配决策，结果表明，过去的互动和未来的同事之间的互动都会对分配决策产生重大影响。而交互幸福水平难以直接度量，学者采用交互时长反映交互过程中的心理状态。Kahanda和Neville(2009)使用脸书上的某大学内的在线社区交互数据，对用户之间的交互如何影响用户关系进行了探究，并认为用户之间的交互对于维持用户关系的紧密程度有非常重要的作用。Phithakkitnukoo和Smoreda(2016)通过移动通话数据分析用户的日常活动和人际关系特征，通过用户移动的类型、差异、活动的位置来度量位置信息，将通话频率、每次通话时间长短来测度人际关系。并发现，用户之间的关系强度越强，他们的各项测度度量指标越接近，其地理位置移动信息越相似。琚春华等(2016)通过用户交互频率、交互时间长短来度量用户关系紧密程度。韩忠明等(2016)研究了用户交互的被动性和主动性，提出有向的关系紧密程度计算方法。张翔等(2006)提出了一种基于紧密度的模糊支持向量机方法。通过样本之间的紧密度来描述类中各个样本之间的关系，利用包围同一类中样本的最小球半径大小来度量样本之间的紧密度。实验结果表明，与传统支持向量机方法及基于样本与类中心之间关系的模糊支持向量机方法相比，基于紧密度的模糊支持向量机方法具有更好的抗噪性能及分类能力。王连喜等^[10](2012)依据微博用户的特点对微博用户关系挖掘的概念进行了阐释；然后，以微博用户关系挖掘的两个重要研究内容为主线，分别对微博用户社群分析和关键用户识别做细致的介绍和分析。