移动通信网络位置群体关联用户挖掘.docVIP

移动通信网络位置群体关联用户挖掘 　　摘 要：当前用户网络关系分析主要是研究用户之间的关联关系或群体关系，对于网络中用户与群体之间关联关系的研究相对较少。鉴于移动通信网络用户之间存在多样的特征关联，用户与群体之间也存在多样的关联关系。基于移动通信网络中具有一定通信相关性和位置规律相似性的特定群体，将位置预测引入位置项相关性度量，建立用户位置轨迹相关性度量标准，并提出了特定群体位置关联用户挖掘算法。仿真结果表明，所提出的方法能够实现对用户与群体之间关联关系的度量，能够利用位置相关性发现与特定群体具有潜在关联的用户。 　　关键词：网络关系分析；群体关系；位置轨迹；通信距离；关联关系 　　中图分类号： TP393.02 　　文献标志码：A 　　0 引言 　　用户网络关系分析主要是基于用户在网络中的属性或行为特征挖掘用户在网络中的隐含关系。当前的研究方法主要通过对用户之间某些属性进行相似性度量或对用户网络关系特征进行分类、聚类，发现用户之间的相关性或群体关系。然而，对于用户与群体之间关联关系的研究相对较少。用户之间存在多样的网络关系，基于一定特征聚类发现的群体与其他用户之间也必然存在着各样的网络关系。因此，本文提出了基于已知群体对用户与群体之间的关联关系进行研究，挖掘群体关联用户。 　　网络群体关系发现在许多领域都具有相关的研究，已产生了许多成熟的研究方法。文献[1-3]提出了相似的群体关系发现方法，利用用户的网络连接关系建立用户通信相似性度量标准，通过对用户通信相似性进行聚类实现用户群体的划分。文献[4-5]提出了利用用户的网络属性研究用户关系的方法，通过计算用户之间网络属性的相似性，利用分类的方法实现对用户网络属性关系的划分。 　　关联关系分析是数据挖掘研究领域的重要分支，传统的研究方法主要基于支持度和信任度进行兴趣度度量[6]，存在会产生大量冗余和错误关联的缺陷。文献[7]定义了新的关联度量标准并将其引入关联规则挖掘算法之中，实现了对正、负模式关联规则的挖掘。文献[8]提出了一种因果关联度量方法，实现了对稀有因果关联关系的挖掘。文献[9]提出了将目标群体关系和目标位置信息相结合研究目标数据关联的方法，将目标的分类信息加入目标数据关联度量中提高数据关联的准确性。现有位置轨迹关联方法主要是通过计算位置序列之间的距离度量位置轨迹的相关性，存在度量灵敏度低、不能反映轨迹变化特征的缺陷。 　　本文建立了新的位置轨迹关联度量方法，提出了基于已知群体关系的群体位置关联用户挖掘算法，研究用户与群体之间的关联关系。基于已知群体关系发现群体关联用户，对于了解移动通信网络中的用户关系和网络中的组织关系与结构具有重要意义。 　　1 移动通信网用户关联关系度量 　　1.1 通信关联度量 　　通信相关性是指用户在网络中通信连接的紧密性，能够体现用户之间的熟悉程度，尤其是移动通信网络中更能够反映用户的真实相识关系。通信相关性的度量方法主要有三种。第一种为基于边介数的度量方法，利用通过连接边的最短路径数作为衡量节点相关性的标准；第二种为相似性度量方法，考虑节点间所有可能连接，以概率大小度量节点的相关性，主要包括全局相似性和局部相似性度量方法[10]；第三种为基于数据场的度量方法[11]，利用物理场理论势能量函数值来表示节点间的相关性。 　　本文采用基于局部相似性的通信距离相似性度量方法。通信距离相似性度量将用户的连接关系分为直接连接关系和间接连接关系，直接连接关系对通信距离相似性度量的作用不受间接连接的数目影响，反映用户之间相识关系不随用户相识用户的数量发生变化。通信距离相似性度量定义如下： 　　此外，当实际测量值不存在时，可利用位置估计值作为实际测量值计算位置项修正相关性，减小位置项缺失对用户位置项相关性度量准确性的影响，从而增强度量方法的适应性。 　　在用户当前位置关联的计算中，本文认为位置项相关性对用户位置关联度量的影响具有一定时效性，即最新时刻位置项相关性更能体现用户当前的位置关联关系。文献[15]在时间序列不同时间间隔之间关系的研究中，提出了艾伦间隔逻辑，为不同间隔的序列项在时间上赋予定性的关联关系。本文借鉴艾伦间隔逻辑思想，研究不同时刻位置项相关性对用户当前位置关联度量的影响，对不同时刻位置项相关性赋予不同权重计算用户当前的位置关联。在利用用户位置轨迹序列度量用户的位置关联中，定义k长度位置轨迹序列与当前位置关联度量具有定性关系如下： 　　2 群体位置关联用户挖掘算法 　　特定群体是社会生活中联系密切、具有相似位置规律的用户群体，在一定程度上能够体现用户在现实社会生活中参与社会活动的群体关系。用户位置轨迹一般具有一定的规律性，频繁出现的位置轨迹称为位置规律。位置轨迹与位置规律相关性较弱的用户称为位置轨迹异常