[发明专利]一种基于社交网络图计算的通信行为识别方法

权利要求书

1.一种基于社交网络图计算的通信行为识别方法，其特征在于，具体步骤如下：

步骤一、利用数据流接口抓取一个周期内某市区海量用户的通信记录，对通信记录进行清洗并以图数据形式存储在数据库中；

步骤二、根据通信记录，以所有用户为节点，用户间的通信行为为边构建通信社交网络；

步骤三、根据牛顿冷却定理，针对某时刻t进行每两个用户间亲密度的初始值计算；

用户A与用户B间的通信亲密度计算公式为：

T(A,B)＝∑(a*log_b(d))*e^c*Δt

其中，(a*log_b(d))*e^c*Δt为每次通话产生的热度；a、b、c为控制亲密度冷却的速率固定值，Δt为每次通话起始时刻距当前时刻t的时间差，d表示本次通话时长；

亲密度T(A,B)初始值为当前时刻t之前，所有次通话产生的热度累加之和；

步骤四、根据通信社交网络，通过游走采样法初步挖掘目标用户A的社交子图：

步骤五、图卷积模型通过堆叠多层的若干节点卷积算子和边卷积算子，对社交子图中各节点交互进行建模，完成各节点状态的更新；

针对当前第t'次迭代，节点v状态的迭代更新公式如下：

表示节点v在第t'次迭代后的嵌入向量，数值在0和1之间；是第t'层节点及其邻居的通用节点卷积算子函数，是将边特征映射到节点特征的边卷积算子函数，w∈N(v)；N(v)表示社交子图中节点v的邻居集；e_vw表示交互用户v和用户w构成的边的特征；

步骤六、概率图模型通过马尔可夫随机场完成社交子图中各节点状态的更新；

节点i的状态更新公式如下：

b_i(x_i)为节点i的更新概率值；为归一化常数；φ_i(x_i,y_i)为节点i的自身置信度，通过统计自身的长期通话特征进行概率预测得到；N(i)为节点i在社交子图中的邻居；m_ji(x_i)为节点j对节点i的信任度，计算公式如下：

k∈N(j)\i表示k为节点j在社交子图中的邻居除去节点i以外的节点；ψ_ji(x_j,x_i)为节点j和节点i间的通信置信度，定义用户A与用户B间通信亲密度更新公式为：

其中，X_l(x_i,x_j)表示在节点j和节点i间单次通话的置信概率，通过单次通话特征分析得到；n表示节点j和节点i间的通话次数；Sim(x_i,x_j)表示节点j和节点i间的相似度，采用节点间的余弦相似度得到；σ₁和σ₂表示概率图模型的内部参数；

步骤七、将步骤五和步骤六的两个结果对应的各用户的状态向量进行拼接，输入多范围门控单元，利用端到端学习法，输出各用户分别对应的概率结果；

步骤八、将各个用户根据概率结果，划分到白名单、黑名单或者待定名单中。

2.如权利要求1所述一种基于社交网络图计算的通信行为识别方法，其特征在于，所述步骤一中，用户周期T的长度根据实际情况决定；

通信记录为原始通信信息，包括主叫用户号码、被叫用户号码、呼叫发起时间、呼叫结束时间、通话时长和呼叫类型。

3.如权利要求1所述一种基于社交网络图计算的通信行为识别方法，其特征在于，所述步骤二中，通信社交网络是一个大型有向图G，由(V，E)表示；

其中，V表示具有用户特征的有限节点集合，d_v表示每个节点的特征维度，包括用户个人信息、用户呼出次数，用户被叫次数，平均呼叫时长和平均呼叫成功率；x_v表示节点v的特征；

E表示用户交互的一组边，边特征为d_e表示每个关系边e的特征维度，包括呼叫次数、呼叫总时长和亲密度。