基于模糊分區(qū)聚類的社交網(wǎng)絡(luò)用戶情景模式預(yù)測(cè)

張創(chuàng)基

摘 要：為了提高社交網(wǎng)絡(luò)用戶行為分析和情景模式預(yù)測(cè)能力，優(yōu)化社交網(wǎng)絡(luò)建設(shè)，結(jié)合數(shù)據(jù)挖掘和行為分析方法進(jìn)行社交網(wǎng)絡(luò)的用戶特征分析和用戶情景模式的優(yōu)化挖掘，發(fā)現(xiàn)社交網(wǎng)絡(luò)用戶行為特征。提出一種基于模糊分區(qū)聚類的社交網(wǎng)絡(luò)用戶情景模式預(yù)測(cè)方法，構(gòu)建社交網(wǎng)絡(luò)用戶情景模式分布的關(guān)聯(lián)拓?fù)浣Y(jié)構(gòu)模型，采用Parallel Sets變?cè)S排序方法進(jìn)行社交網(wǎng)絡(luò)用戶情景模式存儲(chǔ)結(jié)構(gòu)分區(qū)調(diào)度，結(jié)合分段特征提取方法進(jìn)行社交網(wǎng)絡(luò)用戶情景模式的關(guān)聯(lián)數(shù)據(jù)挖掘，采用自適應(yīng)尋優(yōu)方法求取社交網(wǎng)絡(luò)用戶的情景模式的分布信息，利用模糊分區(qū)聚類方法發(fā)現(xiàn)用戶情景模式數(shù)據(jù)集中的隱含模式，根據(jù)數(shù)據(jù)模糊分區(qū)聚類和挖掘結(jié)果，實(shí)現(xiàn)社交網(wǎng)絡(luò)用戶情景模式的自適應(yīng)預(yù)測(cè)。仿真結(jié)果表明，采用該方法進(jìn)行社交網(wǎng)絡(luò)用戶情景模式預(yù)測(cè)的準(zhǔn)確性較高，提高了對(duì)社交網(wǎng)絡(luò)用戶情景模式特征配準(zhǔn)的精度，算法處理的實(shí)時(shí)性較好。

關(guān)鍵詞： 數(shù)據(jù)聚類;社交網(wǎng)絡(luò);用戶情景模式;特征提取

文章編號(hào)： 2095-2163（2019）03-0176-04 中圖分類號(hào)： TP393 文獻(xiàn)標(biāo)志碼： A

0 引 言

隨著Web2.0快速的發(fā)展，社交網(wǎng)絡(luò)得到快速發(fā)展，社交網(wǎng)絡(luò)逐漸變成人們情感交流、關(guān)系維護(hù)和信息溝通的主要平臺(tái)和方式。社交網(wǎng)絡(luò)為用戶建立在線社交關(guān)系，通過互動(dòng)交流實(shí)現(xiàn)對(duì)具有共同特征愛好的用戶聚類處理，在不同的情景模式下構(gòu)建社交網(wǎng)絡(luò)模塊，提高信息資源的自適應(yīng)分配和調(diào)度能力。在社交網(wǎng)絡(luò)平臺(tái)中，需要對(duì)用戶的情景模式進(jìn)行自動(dòng)預(yù)測(cè)，結(jié)合大數(shù)據(jù)分析方法，進(jìn)行用戶的行為特征分析和用戶的關(guān)系分析，根據(jù)用戶的社交搜索和偏好，實(shí)現(xiàn)情景模式預(yù)測(cè)和調(diào)度，提高社交網(wǎng)絡(luò)的服務(wù)功能，結(jié)合數(shù)據(jù)挖掘和行為分析方法進(jìn)行社交網(wǎng)絡(luò)的用戶特征分析和情景模式預(yù)測(cè)，發(fā)現(xiàn)社交網(wǎng)絡(luò)用戶的規(guī)律性[1]。研究社交網(wǎng)絡(luò)用戶情景模式預(yù)測(cè)方法在社交網(wǎng)絡(luò)的構(gòu)建和行為特征分析中具有重要意義。

當(dāng)前，常見的聚類方法有K-means算法、模糊C均值算法和層次分割聚類挖掘方法[2-3]。模糊C均值聚類方法在進(jìn)行社交網(wǎng)絡(luò)用戶情景模式數(shù)據(jù)挖掘的聚類處理中容易陷入局部最優(yōu)解，而層次分割聚類方法進(jìn)行大數(shù)據(jù)關(guān)聯(lián)挖掘受到分割閾值的影響[4]，導(dǎo)致對(duì)初始的聚類中心具有較大的敏感性，針對(duì)上述問題，本文提出一種基于模糊分區(qū)聚類的社交網(wǎng)絡(luò)用戶情景模式預(yù)測(cè)方法，構(gòu)建社交網(wǎng)絡(luò)用戶情景模式分布的關(guān)聯(lián)拓?fù)浣Y(jié)構(gòu)模型，采用分段特征提取方法進(jìn)行社交網(wǎng)絡(luò)用戶情景模式的關(guān)聯(lián)特征提取，采用模糊C均值聚類方法進(jìn)行數(shù)據(jù)挖掘，實(shí)現(xiàn)社交網(wǎng)絡(luò)用戶情景模式預(yù)測(cè)。最后通過仿真實(shí)驗(yàn)進(jìn)行性能測(cè)試，展示本文方法在提高用戶情景模式預(yù)測(cè)準(zhǔn)確性方面的優(yōu)越性能。

1.1 社交網(wǎng)絡(luò)用戶情景模式拓?fù)浣Y(jié)構(gòu)模型

社交網(wǎng)絡(luò)信息資源傳輸系統(tǒng)設(shè)計(jì)中，用矩陣C表示社交網(wǎng)絡(luò)的用戶拓?fù)浣Y(jié)構(gòu)，其中，C是N×N的二維矩陣。N為在網(wǎng)絡(luò)中的節(jié)點(diǎn)個(gè)數(shù)。對(duì)于用戶節(jié)點(diǎn)i，假設(shè)N1i為第一個(gè)相鄰節(jié)點(diǎn)，得到社交網(wǎng)絡(luò)用戶情景模式分布的多元鄰節(jié)點(diǎn)為：

將數(shù)據(jù)用戶節(jié)點(diǎn)α（i， j）輸入數(shù)據(jù)到鏈路層中，得到關(guān)鍵路徑節(jié)點(diǎn)采集的社交網(wǎng)絡(luò)用戶情景模式時(shí)間序列為xn，期望響應(yīng)為dn，由此構(gòu)建社交網(wǎng)絡(luò)的用戶情景模式分布軌跡拓?fù)浣Y(jié)構(gòu)圖如圖1所示。

1.2 用戶情景模式跟蹤的特征提取

在構(gòu)建社交網(wǎng)絡(luò)用戶情景模式分布的關(guān)聯(lián)拓?fù)浣Y(jié)構(gòu)模型的基礎(chǔ)上，進(jìn)行用戶情景模式的特征提取，采用分段特征提取方法進(jìn)行社交網(wǎng)絡(luò)用戶情景模式的關(guān)聯(lián)特征提取[6]，用戶情景模式傳輸樹中任意一個(gè)非根節(jié)點(diǎn)的情景模式社交網(wǎng)絡(luò)用戶情景模式預(yù)測(cè)的步進(jìn)值為：

社交網(wǎng)絡(luò)用戶情景模式預(yù)測(cè)的QoS控制加權(quán)自適應(yīng)學(xué)習(xí)系數(shù)表示為：

其中，CW0min為社交網(wǎng)絡(luò)用戶情景模式拓?fù)浣Y(jié)構(gòu)傳輸樹中最底層根節(jié)點(diǎn)的預(yù)測(cè)初始化值;而CWlimin為第li步的社交網(wǎng)絡(luò)用戶情景模式拓?fù)淇刂浦?，在情景模式預(yù)測(cè)過程中，每一步之間加權(quán)控制構(gòu)成是相同的，假設(shè)混合云環(huán)境下社交網(wǎng)絡(luò)用戶情景模式簇頭節(jié)點(diǎn)上的信息導(dǎo)碼表達(dá)為：

設(shè)U是一個(gè)用精確數(shù)值表示的定量論域，C是U上的定性概念，采用無向圖模型結(jié)構(gòu)表示原始感知的社交網(wǎng)絡(luò)用戶情景模式，對(duì)社交網(wǎng)絡(luò)用戶情景模式進(jìn)行自適應(yīng)調(diào)度中，融合模型由一個(gè)參數(shù)未知多重假設(shè)檢驗(yàn)問題構(gòu)成[7]，采用Parallel Sets變?cè)S排序方法進(jìn)行社交網(wǎng)絡(luò)用戶情景模式存儲(chǔ)結(jié)構(gòu)分區(qū)調(diào)度，調(diào)度模型為：

其中，K表示加權(quán)調(diào)節(jié)系數(shù)，根據(jù)社交網(wǎng)絡(luò)中用戶層和層之間的平均子節(jié)點(diǎn)數(shù)目，進(jìn)行特征提取和分布式的網(wǎng)絡(luò)組網(wǎng)設(shè)計(jì)[8]，此時(shí)社交網(wǎng)絡(luò)用戶情景模式多源節(jié)點(diǎn)中形成新的映射，可得：

根據(jù)社交網(wǎng)絡(luò)用戶情景模式的分區(qū)信息熵的信息流特征，進(jìn)行特征分解，定義特征值的受限條件關(guān)聯(lián)規(guī)則挖掘量為：

其中，該過程的k階累積量ckx（τ1，τ2，…，τk-1），提取任務(wù)信息流的特征尺度，在社交網(wǎng)絡(luò)用戶情景模式分區(qū)自適應(yīng)調(diào)度的受限條件下，提取關(guān)聯(lián)規(guī)則特征量，為社交網(wǎng)絡(luò)的用戶情景模式跟蹤提供數(shù)據(jù)輸入基礎(chǔ)。

2 預(yù)測(cè)算法優(yōu)化

2.1 社交網(wǎng)絡(luò)用戶情景模式的關(guān)聯(lián)數(shù)據(jù)挖掘

在構(gòu)建社交網(wǎng)絡(luò)用戶情景模式分布的關(guān)聯(lián)拓?fù)浣Y(jié)構(gòu)模型和特征提取的基礎(chǔ)上，進(jìn)行用戶情景模式預(yù)測(cè)算法的改進(jìn)設(shè)計(jì)，本文提出一種基于模糊分區(qū)聚類的社交網(wǎng)絡(luò)用戶情景模式預(yù)測(cè)方法，采用分段特征提取方法進(jìn)行社交網(wǎng)絡(luò)用戶情景模式的關(guān)聯(lián)數(shù)據(jù)挖掘，根據(jù)用戶情景模式特征取小取大后的比值描述社交網(wǎng)絡(luò)用戶情景模式的相似程度，得到社交網(wǎng)絡(luò)用戶情景模式的互信息特征的熵函數(shù)可以表示為：

采用自適應(yīng)尋優(yōu)對(duì)Hi（x）求取社交網(wǎng)絡(luò)用戶的情景模式的分布信息最大值max（Hi（x）），由此得到社交網(wǎng)絡(luò)用戶情景模式的熵融合特征提取最優(yōu)化的約束條件為：

2.2 模糊聚類及用戶情景模式預(yù)測(cè)實(shí)現(xiàn)

結(jié)合模糊分區(qū)聚類方法發(fā)現(xiàn)數(shù)據(jù)集中的隱含模式，得到用戶情景模式挖掘的異步遞進(jìn)加權(quán)系數(shù)為：

因此，得社交用戶情景模式預(yù)測(cè)的模糊分區(qū)聚類中心調(diào)整系數(shù)為：

綜上分析，利用模糊分區(qū)聚類方法發(fā)現(xiàn)用戶情景模式數(shù)據(jù)集中的隱含模式，根據(jù)數(shù)據(jù)模糊分區(qū)聚類和挖掘結(jié)果，實(shí)現(xiàn)社交網(wǎng)絡(luò)用戶情景模式的自適應(yīng)預(yù)測(cè)。

3 仿真實(shí)驗(yàn)與結(jié)果分析

為了測(cè)試本文方法在實(shí)現(xiàn)社交網(wǎng)絡(luò)用戶情景模式預(yù)測(cè)中的性能，進(jìn)行仿真實(shí)驗(yàn) 實(shí)驗(yàn)的軟件環(huán)境為Matlab 7，社交網(wǎng)絡(luò)的用戶節(jié)點(diǎn)數(shù)為100，分區(qū)的大小為1 000M， 用戶的分布層數(shù)為12，嵌入維數(shù)為3，關(guān)聯(lián)系數(shù)0.23，對(duì)用戶軌跡位置采樣的離散采樣率為fs=10*f0 Hz=10 KHz，訓(xùn)練樣本規(guī)模為12 000，根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，進(jìn)行社交網(wǎng)絡(luò)的用戶情景模式分布的關(guān)聯(lián)數(shù)據(jù)挖掘，得到挖掘結(jié)果如圖2所示。

根據(jù)圖2的數(shù)據(jù)挖掘結(jié)果進(jìn)行用戶情景模式預(yù)測(cè)，得到預(yù)測(cè)輸出如圖3所示。

分析圖3得知，采用本文方法進(jìn)行社交網(wǎng)絡(luò)的用戶情景模式預(yù)測(cè)具有很好的抗干擾能力，特征聚類性較好。采用不同方法進(jìn)行預(yù)測(cè)精度對(duì)比，得到對(duì)比結(jié)果如圖4所示，分析圖4得知，采用本文方法進(jìn)行社交網(wǎng)絡(luò)的用戶情景模式預(yù)測(cè)的精度較高。

4 結(jié)束語

對(duì)用戶的情景模式進(jìn)行自動(dòng)預(yù)測(cè)，結(jié)合大數(shù)據(jù)分析方法，進(jìn)行用戶的行為特征分析和用戶的關(guān)系分析，提高社交網(wǎng)絡(luò)的服務(wù)功能，本文提出一種基于模糊分區(qū)聚類的社交網(wǎng)絡(luò)用戶情景模式預(yù)測(cè)方法，構(gòu)建社交網(wǎng)絡(luò)用戶情景模式分布的關(guān)聯(lián)拓?fù)浣Y(jié)構(gòu)模型，采用分段特征提取方法進(jìn)行社交網(wǎng)絡(luò)用戶情景模式的關(guān)聯(lián)特征提取，采用Parallel Sets變?cè)S排序方法進(jìn)行社交網(wǎng)絡(luò)用戶情景模式存儲(chǔ)結(jié)構(gòu)分區(qū)調(diào)度，結(jié)合模糊分區(qū)聚類方法發(fā)現(xiàn)數(shù)據(jù)集中的隱含模式，采用模糊C均值聚類方法進(jìn)行數(shù)據(jù)挖掘，實(shí)現(xiàn)社交網(wǎng)絡(luò)用戶情景模式預(yù)測(cè)。研究得知，采用本文方法進(jìn)行社交網(wǎng)絡(luò)用戶情景模式預(yù)測(cè)的準(zhǔn)確性較高，數(shù)據(jù)挖掘精度較高，在社交網(wǎng)絡(luò)用戶情景模式挖掘和行為分析中具有很好的實(shí)踐價(jià)值。

參考文獻(xiàn)

[1]曹玖新，董丹，徐順，等. 一種基于k-核的社會(huì)網(wǎng)絡(luò)影響最大化算法[J]. 計(jì)算機(jī)學(xué)報(bào)，2015，38（2）：238-248.

[2]曹玖新， 陳高君， 吳江林， 等. 基于多維特征分析的社交網(wǎng)絡(luò)意見領(lǐng)袖挖掘[J]. 電子學(xué)報(bào)， 2016， 44（4）： 898-905.

[3]劉亞州， 王靜， 潘曉中， 等. 社交網(wǎng)絡(luò)中考慮節(jié)點(diǎn)度的演化博弈[J]. 計(jì)算機(jī)應(yīng)用， 2018， 38（4）： 1029-1035.

[4]朱冠樺， 蔣國平， 夏玲玲. 社交網(wǎng)絡(luò)上從眾現(xiàn)象對(duì)謠言傳播影響的研究[J]. 計(jì)算機(jī)科學(xué)， 2016， 43（2）：135-139，143.

[5]張付志，劉賽，李忠華，等. 融合用戶評(píng)論和環(huán)境信息的協(xié)同過濾推薦算法[J]. 小型微型計(jì)算機(jī)系統(tǒng)，2014， 35（2）：228-232.

[6]郭磊，馬軍，陳竹敏，等. 一種結(jié)合推薦對(duì)象間關(guān)聯(lián)關(guān)系的社會(huì)化推薦算法[J]. 計(jì)算機(jī)學(xué)報(bào)， 2014， 37（1）：219-228.

[7]孟祥武，劉樹棟，張玉潔，等. 社會(huì)化推薦系統(tǒng)研究[J]. 軟件學(xué)報(bào)， 2015，26（6）：1356-1372.

[8]吳錚， 于洪濤， 劉樹新， 等.? 基于信息熵的跨社交網(wǎng)絡(luò)用戶身份識(shí)別方法[J]. 計(jì)算機(jī)應(yīng)用， 2017， 37（8）： 2374-2380.