基于霍克斯過程的社交網(wǎng)絡(luò)用戶關(guān)系強(qiáng)度模型

于　巖,陳鴻昶,于洪濤

(國(guó)家數(shù)字交換系統(tǒng)工程技術(shù)研究中心,河南鄭州 450002)

?

基于霍克斯過程的社交網(wǎng)絡(luò)用戶關(guān)系強(qiáng)度模型

于巖,陳鴻昶,于洪濤

(國(guó)家數(shù)字交換系統(tǒng)工程技術(shù)研究中心,河南鄭州 450002)

社交網(wǎng)絡(luò)節(jié)點(diǎn)之間的關(guān)系強(qiáng)度建模是研究信息傳播、實(shí)現(xiàn)推薦服務(wù)等社交網(wǎng)絡(luò)服務(wù)的關(guān)鍵.傳統(tǒng)關(guān)系強(qiáng)度模型主要研究簡(jiǎn)單二元關(guān)系與靜態(tài)關(guān)系,未考慮用戶交互影響及其動(dòng)態(tài)衰減.本文提出一種基于霍克斯過程的社交網(wǎng)絡(luò)用戶關(guān)系強(qiáng)度模型,將用戶關(guān)系強(qiáng)度視為潛在因子,用戶相似性與歷史交互行為分別視為潛在因子誘因與表象,并使用霍克斯過程刻畫歷史交互行為與用戶關(guān)系強(qiáng)度之間的關(guān)系,解決了已有模型未考慮用戶歷史交互影響及其動(dòng)態(tài)衰減的問題.采用微博社交網(wǎng)絡(luò)數(shù)據(jù)對(duì)模型進(jìn)行的評(píng)估表明,本模型可以提高用戶關(guān)系強(qiáng)度預(yù)測(cè)精度以及基于關(guān)系強(qiáng)度排序Top-N鄰居節(jié)點(diǎn)的覆蓋率.

社交網(wǎng)絡(luò);霍克斯過程;關(guān)系強(qiáng)度預(yù)測(cè);微博

1　引言

人際關(guān)系將人們現(xiàn)實(shí)生活連成一個(gè)真實(shí)的社交網(wǎng)絡(luò),同時(shí)也限定著我們每天信息交互范圍.而在線社交網(wǎng)絡(luò)中的朋友關(guān)系、關(guān)注關(guān)系等也限定著我們信息交互對(duì)象.現(xiàn)有研究表明利用用戶關(guān)系強(qiáng)度可以提高對(duì)用戶社交結(jié)構(gòu)和用戶行為預(yù)測(cè)效果.文獻(xiàn)[1,2]研究用戶屬性相似度與交互相似度,對(duì)用戶之間的關(guān)系進(jìn)行建模,并在真實(shí)網(wǎng)絡(luò)中進(jìn)行推薦服務(wù)實(shí)踐,獲得了較高的推薦效率與用戶滿意度.文獻(xiàn)[3]提出一種潛在變量模型,將用戶之間的關(guān)系強(qiáng)度視為引起交互行為的潛在變量,利用概率生成模型與判別式模型得出交互行為與用戶關(guān)系強(qiáng)度之間的數(shù)學(xué)關(guān)系,并在Facebook與LinkedIn數(shù)據(jù)集進(jìn)行算法評(píng)估,取得了較高的分類準(zhǔn)確率與自相關(guān)系數(shù).文獻(xiàn)[4]提出一種隱含變量混合模型,檢測(cè)用戶之間的弱關(guān)系強(qiáng)度,并分析關(guān)系強(qiáng)度對(duì)網(wǎng)絡(luò)結(jié)構(gòu)以及信息傳播的影響.

但是,現(xiàn)有的研究主要集中二元關(guān)系[5,6](如:是否是朋友關(guān)系,關(guān)系強(qiáng)弱等等)和靜態(tài)交互[2,7](未考慮歷史交互事件影響).簡(jiǎn)單的二元關(guān)系模型已不能較好滿足針對(duì)社交網(wǎng)絡(luò)的應(yīng)用:商品與服務(wù)的推薦、詐騙的防范與追蹤、謠言的預(yù)防與管控等.這些社交網(wǎng)絡(luò)應(yīng)用都需要準(zhǔn)確、動(dòng)態(tài)地量化用戶之間關(guān)系強(qiáng)度,以便保證信息傳播效果的準(zhǔn)確性與時(shí)效性.

在社交網(wǎng)絡(luò)中,用戶的一些屬性信息與交互信息是公開的,為研究用戶之間的關(guān)系強(qiáng)度提供了便利.本文提出一種基于霍克斯過程社交網(wǎng)絡(luò)用戶關(guān)系強(qiáng)度模型,以便更為準(zhǔn)確地預(yù)測(cè)用戶關(guān)系強(qiáng)度.首先,模型將用戶之間的關(guān)系強(qiáng)度視為潛在因子,用戶之間的相似性與歷史交互事件是潛在因子的決定因素,而用戶之間發(fā)生的交互事件是潛在因子的表象;其次,利用判別式模型與生成模型定量分析三者之間的數(shù)學(xué)關(guān)系;最后,在利用騰訊微博公開API接口爬取的數(shù)據(jù)進(jìn)行了模型的評(píng)估.

2　霍克斯模型分析

該部分主要介紹霍克斯模型應(yīng)用范圍,闡述其物理含義以及解釋其對(duì)用戶關(guān)系強(qiáng)度的適應(yīng)性,并分析用戶關(guān)系強(qiáng)度的影響因素,提出計(jì)算用戶關(guān)系強(qiáng)度公式.

2.1霍克斯模型

(1)

(2)

霍克斯過程可以表示為如圖1所示.

其中序列{ti}為順序事件集合,序列中每一項(xiàng)是一個(gè)事件集合,由P個(gè)事件組成.

2.2霍克斯模型的適應(yīng)性分析

由式(2)可知,霍克斯過程是I維點(diǎn)過程經(jīng)過線性疊加構(gòu)成的一種特殊的線性自激過程,其物理含義可以理解為:考察當(dāng)前事件(點(diǎn)過程)的發(fā)生概率(強(qiáng)度),認(rèn)為當(dāng)前事件發(fā)生概率受歷史該類事件的影響,因而可以通過建立歷史事件與當(dāng)前事件的某種關(guān)系,進(jìn)而預(yù)測(cè)當(dāng)前事件發(fā)生的概率(強(qiáng)度).

對(duì)于本文研究的用戶關(guān)系強(qiáng)度,可理解為用戶之間歷史交互強(qiáng)度與屬性信息相似度的加權(quán)和,概率形式表示為式(3),其中a,b分別為用戶i與j的交互強(qiáng)度和其屬性相似度的權(quán)重.

p(z(i,j))=abp(y(i,j))p(s(i,j))

∝p(y(i,j))p(s(i,j))

(3)

用戶之間的發(fā)生交互行為可以理解成點(diǎn)過程,交互強(qiáng)度即為點(diǎn)過程發(fā)生強(qiáng)度,故使用霍克斯過程刻畫用戶關(guān)系強(qiáng)度模型,進(jìn)行關(guān)系強(qiáng)度的預(yù)測(cè)以及后續(xù)的應(yīng)用.

3　基于霍克斯模型的用戶關(guān)系強(qiáng)度模型

在社會(huì)學(xué)中,存在同質(zhì)相似性原理,在社交網(wǎng)絡(luò)中該原理同樣適用,本模型正是基于這樣的假設(shè).該模型包括三部分:屬性相似度、用戶交互行為與用戶關(guān)系強(qiáng)度.

3.1用戶相似度

用戶之間的相似度可以分成文本相似度與背景相似度.

基于同質(zhì)相似性的假設(shè),得出以下兩個(gè)結(jié)論:

(1)如果兩個(gè)用戶具有相似的屬性信息,那么他們具有較強(qiáng)的關(guān)系強(qiáng)度,且屬性信息越相似,屬于同一“圈子”的概率越大,關(guān)系強(qiáng)度越強(qiáng);

(2)如果兩個(gè)用戶發(fā)布相似的微博內(nèi)容,那么他們具有較強(qiáng)的關(guān)系強(qiáng)度,且內(nèi)容越相似,關(guān)系強(qiáng)度越強(qiáng);

基于以上兩條結(jié)論,本文使用文本相似與屬性相似作為影響用戶關(guān)系強(qiáng)度的兩個(gè)因素.其中用戶的屬性信息相對(duì)穩(wěn)定,而微博內(nèi)容主題變化較大.

3.2用戶交互行為

用戶之間的交互行為可分為轉(zhuǎn)發(fā)、回復(fù)與提及.

用戶之間的交互行為是用戶關(guān)系強(qiáng)度的表象,用戶之間的關(guān)系強(qiáng)度越大,用戶之間的交互行為越頻繁.同時(shí),用戶的歷史交互行為也增強(qiáng)了用戶之間的關(guān)系強(qiáng)度.故用戶之間的交互行為即是用戶關(guān)系強(qiáng)度的表象,也是影響用戶關(guān)系強(qiáng)度的重要因素.

用戶之間交互行為不同于相對(duì)靜態(tài)的屬性信息,與文本相似同屬于動(dòng)態(tài)影響因素,故本文將微博內(nèi)容的相似也歸為用戶交互行為的一種,同樣使用霍克斯過程刻畫其與用戶關(guān)系強(qiáng)度之間的關(guān)系.

3.3用戶關(guān)系強(qiáng)度模型構(gòu)建

文獻(xiàn)[3]中提出的一種潛在因子關(guān)系強(qiáng)度模型(Latent Factor Relationship Strength Model,LRS)(圖2右半部分),預(yù)測(cè)結(jié)果具有較高的自相關(guān)性與分類準(zhǔn)確性,但是其未考慮用戶歷史交互行為對(duì)用戶關(guān)系強(qiáng)度的影響,針對(duì)這一問題本文提出一種基于霍克斯過程的社交網(wǎng)絡(luò)用戶關(guān)系強(qiáng)度模型(A Social Networks User Relationship Strength Model Based on Hawkes Process,HP-URS),將影響用戶之間關(guān)系強(qiáng)度的因素增加為兩類:歷史交互事件與屬性相似度;模型使用霍克斯過程刻畫歷史交互事件對(duì)當(dāng)前研究用戶之間的關(guān)系強(qiáng)度的影響,高斯過程刻畫屬性相似度對(duì)用戶之間關(guān)系強(qiáng)度的影響,并將歷史事件與用戶相似度看成相互獨(dú)立影響用戶關(guān)系強(qiáng)度的兩個(gè)因素;將歷史事件按時(shí)間段提取,而不是按傳統(tǒng)方式,不區(qū)分歷史時(shí)間內(nèi)的事件,以此將時(shí)間處理粒度變小,增強(qiáng)模型的實(shí)時(shí)評(píng)估效果.

根據(jù)3.1節(jié)、3.2節(jié)的分析,將影響用戶關(guān)系強(qiáng)度的因素分成兩類,即用戶之間的屬性相似度與歷史交互事件.故模型結(jié)構(gòu)表示為圖2所示.

關(guān)系強(qiáng)度與交互行為之間表示為生成模型p(z(i,j),y(i,j)).故聯(lián)合概率密度可寫成

(4)

其中,假設(shè)當(dāng)前用戶之間的屬性相似性與歷史交互事件無關(guān),事實(shí)上,用戶的屬性一般是固定的,并不隨著用戶之間的交互行為而改變,例如用戶住址、教育背景、標(biāo)簽等等.因此可以認(rèn)為用戶之間的屬性相似性與歷史交互事件無關(guān),故式(4)可以寫成

(5)

在式(5)中,對(duì)于用戶屬性相似度與用戶關(guān)系強(qiáng)度之間的概率模型采用普遍的條件概率模型:高斯分布,即

p(z1(i,j)|s(i,j))=N(ωTs(i,j),v)

(6)

其中,為了方便計(jì)算令v=0.5,ω為用戶屬性中各屬性對(duì)相似度貢獻(xiàn)的比重.

對(duì)于用戶歷交互行為與用戶關(guān)系強(qiáng)度之間的概率模型則使用霍克斯過程模型表示,即

(7)

其中,M表示用戶交互行為種類總數(shù),參數(shù)αm表示第m項(xiàng)交互行為的權(quán)重,βm表示第m項(xiàng)交互行為的時(shí)間調(diào)節(jié)因子(αm>0,βm>0).

(8)

(9)

在階段Tk的取樣空間為S={(i1,j1),(i2,j2),…,(iN,jN)},Z={z(i,j)|(i,j)∈S},首先得出聯(lián)合分布為

(10)

其次,將z(i,j)視為參數(shù),對(duì)式(10)求對(duì)數(shù)得

(z(i,j),ω,θk)

(11)

式(11)的立方項(xiàng)與對(duì)數(shù)項(xiàng)皆為凹函數(shù),故函數(shù)有極值,使用最大似然函數(shù)方法,得出如下式

(12)

(13)

(14)

(15)

(16)

對(duì)于z(i,j),ω,θk直接采用最大似然估計(jì)方法,令式(12)～(14)為0,由式(15)、(16)可以看出,其無法直接為0,故考慮整個(gè)研究區(qū)間[0,Tk]的最大似然估計(jì).發(fā)生強(qiáng)度為λ的點(diǎn)過程的N(t)的最大似然估計(jì)可以寫成

ln

(17)

故與此相對(duì)應(yīng)的霍克斯過程的似然函數(shù)可以寫成

=tk-Λ(0,tk)

(18)

其中

(19)

(20)

(21)

4　仿真實(shí)驗(yàn)

4.1實(shí)驗(yàn)環(huán)境及數(shù)據(jù)

4.1.1實(shí)驗(yàn)平臺(tái)

實(shí)驗(yàn)硬件環(huán)境:Core(TM) i7雙核處理器,主頻3.4GHz,內(nèi)存16GB;實(shí)驗(yàn)仿真軟件:Matlab2008b,eclipse4.4.

4.1.2實(shí)驗(yàn)數(shù)據(jù)獲取及預(yù)處理

2013年中國(guó)社交網(wǎng)絡(luò)排名中,QQ空間與騰訊微博用戶分列2、3位,總量超過第一的新浪微博.用戶通過該平臺(tái)發(fā)表狀態(tài)、聯(lián)系好友、獲取信息等等,是目前活躍度較大的社交網(wǎng)絡(luò)平臺(tái).

本文數(shù)據(jù)是利用騰訊微博提供的公開API接口,通過網(wǎng)絡(luò)爬蟲獲取,主要步驟是:

(1)選取種子節(jié)點(diǎn),并獲取種子節(jié)點(diǎn)微博信息;

(2)采用廣度優(yōu)先策略獲取種子節(jié)點(diǎn)隊(duì)列中節(jié)點(diǎn)的微博信息,并將種子節(jié)點(diǎn)的關(guān)注列表中的用戶作為待獲取信息節(jié)點(diǎn),加入種子節(jié)點(diǎn)隊(duì)列;

(3)待獲取的節(jié)點(diǎn)數(shù)達(dá)到設(shè)定的閾值或者種子節(jié)點(diǎn)中無節(jié)點(diǎn).

4.2實(shí)驗(yàn)內(nèi)容及結(jié)果分析

采用騰訊微博作為數(shù)據(jù)源,使用P@N以折扣累計(jì)利潤(rùn) (Discounted Cumulative Gain,DCG)[15]評(píng)價(jià)指標(biāo)評(píng)價(jià)通過HP-URS模型得出的基于用戶關(guān)系強(qiáng)度排序的用戶Top-N鄰居節(jié)點(diǎn)序列,實(shí)驗(yàn)表明該序列相比其他方法得到的序列,具有較高的覆蓋率及排序準(zhǔn)確率.

4.2.1實(shí)驗(yàn)數(shù)據(jù)處理

實(shí)驗(yàn)數(shù)據(jù)來源2014年06月28日至2014年10月28日騰訊微博公開數(shù)據(jù).

考慮降低實(shí)驗(yàn)的復(fù)雜度,本文將分段時(shí)間長(zhǎng)度定為5天,并且最多考慮10段時(shí)間內(nèi)的歷史交互事件.

通過對(duì)微博網(wǎng)絡(luò)進(jìn)行分析,確定用戶之間的屬性相似項(xiàng)為所在地、學(xué)校、簡(jiǎn)介、性別、教育信息與標(biāo)簽信息;用戶之間的交互行為包括轉(zhuǎn)發(fā)、回復(fù)、提及以及微博文本相似性.將這兩種影響用戶之間關(guān)系強(qiáng)度的因素及計(jì)算方法分別表示為表1與表2.

表1　用戶屬性相似度以及度量方法

本文選取50個(gè)種子用戶節(jié)點(diǎn),考察其一跳范圍內(nèi)的鄰居用戶節(jié)點(diǎn),由于用戶關(guān)系強(qiáng)度的直接體現(xiàn)為用戶之間的交互行為,故以用戶之間的交互頻次作為標(biāo)準(zhǔn),得出用戶鄰居節(jié)點(diǎn)的有序序列S(u),作為基準(zhǔn)序列,將HP-URS模型、屬性相似度、微博文本相似度以及LRS模型[3]得出的鄰居節(jié)點(diǎn)序列作為對(duì)比序列,其中,屬性相似度只考慮用戶之間的屬性相似性;微博文本相似度只考慮用戶之間的文本相似度,LRS模型考慮了用戶之間的微博文本相似度與屬性相似度,但未考慮用戶之間的歷史交互行為;HP-URS考慮以上所述三種因素.

表2　用戶交互行為以及度量方法

為了進(jìn)一步驗(yàn)證該模型的有效性,采用[2]中相似性度量模型(Similarity Measure between microblog Users,SMU)作為對(duì)比算法,該篇文獻(xiàn)將用戶關(guān)系強(qiáng)度定義為用戶之間的相似度,通過分析用戶的各種信息,最后得出能反映其社交信息的關(guān)注信息與粉絲信息作為度量用戶關(guān)系強(qiáng)度指標(biāo)效果最好.本文采用SMU作為對(duì)比模型,檢驗(yàn)HP-URS模型的有效性.

4.2.2實(shí)驗(yàn)結(jié)果評(píng)價(jià)

按照表1與表2的方法計(jì)算用戶在各階段的交互向量以及在所考察階段的用戶與其鄰居節(jié)點(diǎn)之間的用戶相似性,利用3.3節(jié)中的最大似然公式計(jì)算各參數(shù),預(yù)測(cè)用戶與鄰居節(jié)點(diǎn)之間的關(guān)系強(qiáng)度,并使用兩種評(píng)價(jià)指標(biāo)P@N、DCG對(duì)實(shí)驗(yàn)結(jié)果評(píng)價(jià).

(1)P@N評(píng)價(jià)方法

該評(píng)價(jià)方法是覆蓋率評(píng)價(jià)指標(biāo),評(píng)價(jià)對(duì)比序列表中包含的基準(zhǔn)序列中用戶數(shù)量占基準(zhǔn)序列中總用戶數(shù)量的比重,采用五種序列作為對(duì)比序列,分別屬性相似度序列、微博文本相似度序列、通過LRS得到的序列、通過SMU模型得到序列以及通過HP-URS得到的序列,結(jié)果如圖3所示(N=10,20,30,40,50)

由圖3可以看出,基于屬性相似度得出的用戶關(guān)系強(qiáng)度Top-N列表的P@N值最小,而基于文本相似度、LRS與 SMU模型得出P@N值相差不大,HP-URS的P@N值最大.由除SMU曲線外,四條曲線之間的關(guān)系可以得出影響用戶關(guān)系強(qiáng)度的因素主要是用戶之間的交互行為以及用戶微博文本之間的相似度;由SMU模型與HP-URS模型之間的對(duì)比證明與SMU模型相比,本模型在覆蓋率上具有一定的優(yōu)勢(shì),但穩(wěn)定性略遜與SMU模型.該模型相比于實(shí)驗(yàn)表明HP-URS模型可以提高基于用戶關(guān)系強(qiáng)度排序的Top-N序列的預(yù)測(cè)覆蓋率.

(2)DCG評(píng)價(jià)方法

針對(duì)P@N評(píng)價(jià)方法未能考慮對(duì)比序列元素之間的排序缺點(diǎn),引入推薦系統(tǒng)中排序準(zhǔn)確率評(píng)價(jià)方法:DCG,其主要思想是與關(guān)系強(qiáng)度用戶喜歡的商品被排在推薦列表前面比排在后面會(huì)更大程度上增加用戶體驗(yàn),定義為:

(22)

式中,ri表示排在對(duì)比序列第i位的鄰居節(jié)點(diǎn)是否在基準(zhǔn)序列中;ri=1表示在;ri=0表示不在;b是自由參數(shù)多設(shè)為2;L為推薦列表長(zhǎng)度.結(jié)果如圖4所示(N=10,20,30,40,50)

由圖4可以看出,五種預(yù)測(cè)序列的DCG值排序與P@N值排序大體一致,HP-URS模型與SMU模型在預(yù)測(cè)排序準(zhǔn)確性效果最好,原因是在本質(zhì)上,SMU模型考慮的核心是用戶之間的社交信息,是用戶交互行為的一種體現(xiàn),但是由于其未考慮隨著時(shí)間社交關(guān)系的變化,無論從覆蓋率還是排序準(zhǔn)確率上都略遜HP-URS模型.進(jìn)一步證實(shí)影響用戶關(guān)系強(qiáng)度的因素主要是用戶之間交互行為與微博文本的相似度,而微博文本的本質(zhì)即為用戶的興趣.

5　總結(jié)

本文利用騰訊微博的數(shù)據(jù),提出基于一種基于霍克斯過程社交網(wǎng)絡(luò)用戶關(guān)系強(qiáng)度模型,考慮用戶之間的歷史交互行為、微博文本相似度與屬性相似度對(duì)用戶之間的關(guān)系強(qiáng)度進(jìn)行建模,實(shí)驗(yàn)結(jié)果表明影響用戶之間的關(guān)系強(qiáng)度的因素主要是用戶的交互行為與微博文本相似度,屬性相似度只能在一定程度上表征用戶之間的關(guān)系強(qiáng)度.實(shí)驗(yàn)結(jié)果還表明,HP-URS模型在預(yù)測(cè)用戶關(guān)系強(qiáng)度上能提高預(yù)測(cè)Top-N序列覆蓋率與排序準(zhǔn)確性.

本文中關(guān)于高斯分布的參數(shù)選擇了經(jīng)典的、具有代表性的值,取得了顯著的實(shí)驗(yàn)效果,但并不是最優(yōu)解;模型對(duì)數(shù)據(jù)的完整性與有效性要求較高,魯棒性與健壯性有待進(jìn)一步加強(qiáng).下一步的工作針對(duì)以上不足,對(duì)模型進(jìn)一步優(yōu)化.

[1]榮輝桂,火生旭,胡春華,等.基于用戶相似度的協(xié)同過濾推薦算法[J].通信學(xué)報(bào),2014,35(2):16-24.

Rong Hui-gui,Huo Sheng-xu,Hu Chun-hua,et al,User similarity based collaborating filtering recommendation algorithm[J].Journal on Communications,2014,35(2):16-24.(in Chinese)

[2]徐志明,李棟,劉挺,等.微博用戶的相似性度量及其應(yīng)用[J].計(jì)算機(jī)學(xué)報(bào),2014,37(1):207-218.

Xu Zhi-ming,Li Dong,Liu Ting,et al,Measuring similarity between microblog users and its application[J].Chinese Journal of Computers,2014,37(1):207-218.(in Chinese)

[3]Xiang R,Neville J,Rogati M.Modeling relationship strength in online social networks[A].Proceedings of the 19th International Conference on World Wide Web[C].Raleigh,North Carolina,USA:ACM,2010.981-990.

[4]Zhang S.Influence of relationship strengths to network structures in social network[A].2014 14th International Symposium on Communications and Information Technologies[C].Incheon,South Korea:IEEE,2014.279-283.

[5]Gilbert E,Karahalios K.Predicting tie strength with social media[A].Proceedings of the SIGCHI Conference on Human Factors in Computing Systems[C].Monterey,California,USA:ACM,2009.211-220.

[6]Panovich K,Miller R,Karger D.Tie strength in question & answer on social network sites[A].Proceedings of the ACM 2012 Conference on Computer Supported Cooperative Work[C].Seattle,Washington,USA:ACM,2012.1057-1066.

[7]He Y,Zhang C,Ji Y.Principle features for tie strength estimation in micro-blog social network[A].2012 IEEE 12th International Conference on Computer and Information Technology[C].Chengdu,Sichuan,China:IEEE,2012.359-367.

[8]Liniger TJ.Multivariate Hawkes Processes[D].Zurich:Swiss Federal Institute of Technology Zurich,2009.

[9]Filimonov V,Bicchetti D,Maystre N,et al.Quantification of the high level of endogeneity and of structural regime shifts in commodity markets[J].Journal of International Money and Finance,2014,42:174-192.

[10]Bowsher C G.Modelling security market events in continuous time:Intensity based,multivariate point process models[J].Journal of Econometrics,2007,141(2):876-912.

[11]Hawkes A G,Adamopoulos L.Cluster models for earthquakes:Regional comparisons[J].Journal of the International Association for Mathematical Geology,1976,8(4):463-475.

[12]Juncen L,Sheng G,Yu Z,et al.Inferring links in cascade through Hawkes process based diffusion model[A].2014 4th IEEE International Conference on Network Infrastructure and Digital Content[C].Beijing,China:IEEE,2014.471-475.

[13]Ozaki T.Maximum likelihood estimation of Hawkes′ self-exciting point processes[J].Annals of the Institute of Statistical Mathematics,1979,31(1):145-155.

[14]Guo C,Luk W.Accelerating maximum likelihood estimation for Hawkes point processes[A].2013 23rd International Conference on Field Programmable Logic and Applications[C].Porto,Portugal:IEEE,2013.1-6.

[15]朱郁筱,呂琳媛.推薦系統(tǒng)評(píng)價(jià)指標(biāo)綜述[J].電子科技大學(xué)學(xué)報(bào),2012,41(2):163-175.

Zhu Yu-xiao,Lv Lin-yuan.Evaluation metrics for recommender systems[J].Journal of Electronic Science and Technology.2012,41(2):163-175.(in Chinese)

于巖男,1989年6月生于吉林白城.現(xiàn)為國(guó)家數(shù)字交換系統(tǒng)工程技術(shù)研究中心碩士研究生.主要研究方向?yàn)閿?shù)據(jù)挖掘與電信網(wǎng)信息關(guān)防.

E-mail:yuyneil@gmail.com

陳鴻昶男,1964年4月生于河南新密.現(xiàn)為國(guó)家數(shù)字交換系統(tǒng)工程技術(shù)研究中心教授、博士生導(dǎo)師.主要研究方向?yàn)殡娦啪W(wǎng)信息關(guān)防與信息通信安全.

E-mail:chenhongchang@ndsc.com.cn

A Social Networks User Relationship Strength Model Based on Hawkes Process

YU Yan,CHEN Hong-chang,YU Hong-tao

(ChinaNationalDigitalSwitchingSystemEngineering&TechnologicalR&DCenter,Zhengzhou,Henan450002,China)

The relationship strength model between social network nodes is the key of social networks service such as information dissemination researches and recommendation system.The traditional researches focus on modeling simple binary relations and static relations,without considering dynamic attenuation of user interaction effects.Aiming at this problem,this paper proposes a social networks user relationship strength model based on Hawkes process(HP-URS),which takes the relationship strength,similarity and history interaction behavior between users as a latent factor,latent factor incentive and presentation respectively.This model uses Hawkes process to characterize relationship between history interaction behavior and user relationship strength.This model provides a solution of the disadvantages of the original model without considering user history interaction effects and their attenuation.This paper uses the data from microblog social networks evaluating HP-URS model,and the experimental results show that this model can improve relationship strength prediction accuracy and coverage rate of the Top-Nneighbor nodes based on relationship strength.

social networks;Hawkes process;relationship strength prediction;microblog

2014-11-15;修回日期:2015-03-30;責(zé)任編輯:覃懷銀

2014年國(guó)家科技支撐計(jì)劃(No.2014BAH30B01)

TP393

A

0372-2112 (2016)06-1362-07