基于社交网络及地理位置用户关系预测【摘要】为了解决社交网络用户关系预测的不精确问题，通过采用时空分析方法对移动通信用户的轨迹和通话关系数据进行分析，研究了结合地理和时间的重合度以及基于用户时空特征权重赋值算法，并提出了基于社交网络和地理位置相似度的用户关系预测方案。经过实验证明，提出的算法能够改善社交网络预测的精度。【关键词】社交网络地理位置用户关系相似度doi：10.3969/j.issn.1006-1010.2017.08.004中图分类号：TP391.4文献标志码：A文章编号：1006-1010(2017)08-0021-03引用格式：杜翠凤，陈少权.基于社交网络和地理位置的用户关系预测[J]・移动通信，2017,41(8)：21-23.ThePredictionofUserRelationshipBasedonSocialNetworkandGeographicLocationDUCuifeng,CHENShaoquan[Abstract]Inordertosolvetheproblemofin-accuratepredictionoftheuserrelationshipinso-cialnetworks,thetrajectoryofmobileuserandcom-municationrelationdatawereanalyzedbasedontime-spaceanalysismethod・Theweightassignmentalgo-rithmcombinedwiththegeographicalandtemporalconsistencyanduserstemporal-spatialcharacteris-ticswasinvestigated.Apredictionschemeonuserrelationshipbasedonthesimilarityofthesocialnetworkandgeographicallocationwasproposed・Experimentsdemonstratethattheproposedalgorithmcanimprovethepredictionaccuracyofsocialnetworks・［Keywords］socialnetworkgeographicallocationuserrelationshipsimilarity1引言随着移动应用的发展，以QQ、微信为代表的基于社交网络和位置融合的移动应用已经成为用户在现实世界活动的镜像。用户通过相互通信形成了一种复杂的社会网络，该网络在一定程度上体现了用户的交友偏好、用户之间的关系和用户的行为模式。基于社交网络的用户关系的预测方法成为当今社交网络的一个热点，如：Newman通过用户间的相似度证明了用户共同好友的个数与他们在将来会成为好友的可能性存在正相关的关系［1］;Adamic和Adar通过统计共同好友的情况来分析用户关系，采用Adamic-Adar系数来衡量用户之间社交关系［2］；Lu考虑到用户关系的差异性，提出一种结合用户关系权重的用户关系分析方法［3］。然而上述方法仅仅使用社交网络或者地理位置从单一的角度来挖掘用户之间的关系，没有综合现实世界和虚拟世界两方面的特性来考虑问题，从而导致挖掘出来的用户关系精确度不高。因此，本文考虑现实世界的用户在地理和时间的重合度基础上，引入社交网络和地理位置相似度进行用户社交关系的计算，以提高用户关系预测的精度。2用户关系的研究2.1问题定义用户关系是用户行为动力学的一个关键性问题，它实质上是通过描述用户之间的紧密程度来确定用户的人际关系，包括血缘、地缘、业缘等关系，因此在用户关系的定义中包括家庭关系、朋友关系、同事关系等。本文将主要关注用户关系中的朋友关系，结合社交网络和地理位置特征的最佳权重赋值，提出基于社交网络和地理位置相似性的预测用户关系预测模型。2.2用❷艄叵翟厅夥椒❷(1)共同邻居以共同邻居来衡量用户的关系起源于社交网络的链接预测。链接预测最常见的方法就是基于节点相似度的算法[4]。在无向网络中，设任意节点u和v,节点u的邻居集合为F(u),节点v的邻居集合为F(v),则u、v的共同邻居为F(u)和F(v)的交集，记为F(u)AF(v)oAdamic和Adar在考虑社交关系的基础上，对上述公式进行改进并提出A-A系数，他们认为在链接预测中，一个兴趣被越少的人拥有，则拥有此兴趣的人越可能成为朋友，而大众兴趣的人之间成为朋友的可能性要低一些，因此该系数给度数较少的节点分配较高的相似度值［4］。(2)地理位置和时间的重合度与基于社会网络研究社交关系类似，可基于地理位置相似度来研究空间位置的相似性，以描述用户关系的紧密程度。一般来说，在地理轨迹上相似程度高的用户成为好友的可能性也非常高［5］。设用户u的轨迹可以用时间戳和基站ID的组合来表示,如：，，…，。其中，n表示发生语音业务或者数据业务的次数；t表示时间戳；1表示基站的ID。其中，r的集合为基站Loco当r=li(u)时，6(r,li(u)...