[发明专利]基于时空关系学习的移动社交网络用户关系推断方法

权利要求书

1.一种基于时空关系学习的移动社交网络用户关系推断方法，其特征在于，包括以下步骤：

步骤1、提取用户对之间的交互行为特征，利用该特征推断两个用户之间是否具有朋友关系，包括以下步骤：

步骤101、将移动数据所有用户签到涉及的兴趣点POIs按照经纬度划分到I×J的网格中，同时将时间划分为M个时间片段，构建一个I×J×M的时空矩阵STD，其中，时间维度上将时间分为长度τ的等长时间片，空间维度上将空间均匀地划分为大小相等的网格，递归地将每个网格划分为四个相等的网格，直到兴趣点POIs的数量在每个网格小于阈值σ；

步骤102、将每个用户对(u_a,u_b)的轨迹均投影到时空矩阵STD中，用户的每一个签到都可以投影到一个特定的方格中，对于每个方格，计算：该时间段内用户u_a访问过的兴趣点数n_a；用户u_b访问过的兴趣点数n_b；用户u_a和用户u_b共同访问过的兴趣点数n_a,b，由此获得用户对(u_a,u_b)的时空矩阵式中三元组表示第m时间段内用户u_a和u_b在第i行第j列的位置网格中移动信息的统计量；

步骤103、将每对用户对(u_a,u_b)的时空矩阵O_(a,b)编码成一个低维向量，并利用该低维向量计算用户u_a和用户u_b存在朋友关系的概率，获得初始的社交关系图G＝(U,E)，U是图中的顶点的集合，表示所有具有移动信息的用户；E是边的集合，表示两个用户之间具有朋友关系，其中，时空矩阵O_(a,b)的大小通过参数σ和τ来调整；

步骤2、为每个用户提取一个k可达的子图来描述用户之间的网络结构，对于给定的初始的社交关系图G＝(U,E)，定义提取用户对(u_a,u_b)的k-可达子图的步骤如下：

步骤201、设置路径长度为2，将初始化为空图；

步骤202、在初始的社交关系图G中找出(u_a,u_b)之间所有长度为2的路径，并将找到的所有路径表示为然后删除社交关系图G中和中均出现的点和边，除了用户u_a和用户u_b本身；

步骤203、逐步增加路径长度，重复步骤202，直到路径长度超过k；

步骤3、根据初始的社交关系图G，对于每对用户对(u_a,u_b)的k-可达子图进行编码，基于累加的原则对相同长度路径的编码，对不同长度的路径的编码结果进行拼接，实现对用户对k-可达子图的向量化，获得用户对的综合特征向量；

步骤4、利用分类器根据用户对的综合特征向量进行0/1分类，其中1是朋友，0为不是朋友，获得最新的预测社交图；

步骤5、利用最新的社交图，更新用户对的结构特征，进而重新进行预测，直到预测结果不在发生变化，即获得最终预测的社交网络图。

2.如权利要求1所述的一种基于时空关系学习的移动社交网络用户关系推断方法，其特征在于，步骤103中，将时空矩阵O_(a,b)输入一个具有R个隐藏层的自动编码器，该自动编码器将其编码成d维的向量，获得重构的时空矩阵使其与编码器的输入O_(a,b)接近，该训练过程的优化目标为：

式中，表示混合网络中自编码器网络的损失函数，即尽可能地使得解码后的重构时空矩阵与编码前的时空矩阵O_(a,b)相同，U表示训练样本中的所有用户；

自动编码器的训练采用有监督训练实现编码过程的重建和区别，即为自动编码器添加一个分类网络来监控其编码过程，该过程的损失函数为：

式中，表示预测结果，即分类网络的输出结果；y表示样本标签；n表示训练样本的个数，即训练数据集中涉及到的用户对的个数；

为了获取更具有识别力的向量表示，对整合混合网络作出以下约束：

式中，表示混合网络的综合损失函数；

一旦训练完成，编码器将从自动编码器网络中取出，用于对用户集中的任何一对用户时空关系矩阵进行编码和初步关系推断。