数据挖掘技术在社交关系分析中应用.docVIP

数据挖掘技术在社交关系分析中应用 　　摘要：该文对社交关系和数据挖掘的方法进行了介绍和分析，同时也结合具体实例说明了数据挖掘技术在社交关系分析中的应用。 　　关键词：数据挖掘、社交关系 　　中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2016）04-0029-03 　　1 概述 　　我们生活在一个信息过量的数据时代。每天来自各行各业的数据都会不断地注入到我们的计算机网络或各种存储设备中，而我们要做的就是从这些海量的数据里发现有价值的信息，并把这些信息转换成有用的知识，从而提高信息利用率。 　　早期的数据收集由于受到种种方面的限制，通常收集范围仅局限在一个很小的范围内，而分析时一般只会采用人工的方式仅借助一些图和概率的知识从中分析一些很简单的信息，在数据量小的同时，信息有效性并不高。而现如今随着科技的发展，数据挖掘技术自然进化而来，它可以帮助我们更加便捷的分析更为庞大的数据。 　　现如今的社会上存在着这样的一种现象，每个个体之间都存在着相互的联系和依赖，并且这种关系对于个体有着很重要的影响。可以形象一点的说，社交关系中的个体就像互联网中的节点一样互相连接。所以，我们可以通过一种网络模型来描绘当前的社交关系，网络中的节点表示个体，连接则表示两个节点之间的关系。 　　本文结合具体实例，通过分析社交关系，挖掘出某个时间段内，两个人之间相遇、交友、兴趣、生活规律等相遇的概率，将这些数据记录下来进行研究，从而说明数据挖掘在社交关系分析中的应用。 　　2 数据挖掘方法 　　数据挖掘，通常又称为数据库中发现知识（Knowledge Discovery in Databases， KDD），就是从大量的、不完全的、模糊的、随机的实际应用数据中，提取隐含在其中的，人们事先不知道的，但是又潜在有用的信息和知识的过程[1]。 　　常用的数据挖掘方法有四种：关联规则分析（Associations）、聚类分析（Clustering）、分类分析（Classifiers）、序列模式分析（Sequential Patterns）。这里主要介绍前两种方法。 　　1） 关联规则分析（Associations）[1] 　　关联规则是形如X→Y的蕴涵式，其中X和Y分别称为关联规则的先导和后继，关联规则XY存在支持度和置信度。而且，挖掘关联规则的问题也可以归结为挖掘频繁项集。 　　一般而言，关联规则的挖掘分为两步：一是找出所有的频繁项集，这些项集的每一个频繁出现的次数至少与预定义的最小支持计数一样；二是由频繁项集产生强关联规则，这些规则必须满足最小支持度和最小置信度。 　　关联规则的主要算法是Apriori算法，通过限制候选产生发现频繁项集。其利用循环渐进的方式，找出数据库中项目的关系，以形成规则。过程大致分为两步，一为连接步（类似于矩阵运算），二为剪枝步（去掉没用的中间结果）。 　　2） 聚类分析（Clustering）[1] 　　聚类分析简称聚类，是一个把数据对象（或观测）划分成子集的过程。每个子集是一个簇（cluster），使得簇中的对象彼此相似，但与其他簇中的对象不相似。由聚类分析产生的簇的集合称作一个聚类。此种语境下，相同的数据集上，不同的聚类方法可能产生不同的聚类。 　　聚类的方法通常有K均值算法、凝聚层次聚类、DBSCAN。K均值算法是基于原型的，划分的聚类技术，它试图发现用户指定个数（K）的簇。凝聚层次聚类，首先将每一个点作为单点簇，然后重复的合并两个最近的簇，直到产生单个的，包含所有点的簇。DBSCAN是一种产生划分聚类的基于密度的聚类算法，簇的个数由算法自动地确定。低密度区域中的点被视为噪音而忽略，因此，DBSCAN不产生完全聚类。 　　3 社交关系分析 　　1）用户和用户之间的关系 　　在社交关系中，可以把每个用户看作一个节点，用户之间在某种条件下只要相遇过就算作有联系，这种联系作为节点之间的连线。用户之间的联系可以是多次的，也可以是零次的，并且一个用户可以与多个用户进行联系。 　　图1是由5个用户构成的一个简单示意图，由图中可以看出，结点v1到v2有一条单向弧，值为3，说明v1用户与v2用户有3次联系。结点v2到v3是一条双向弧，值为1和2，说明v2用户和v3用户有1次联系，v3用户和v2用户有2次联系，等等。 　　入度是指所有指向该结点的弧上的值的和。而在一个有向带值的联系图中，一个结点的入度与所有结点的入度和的比值α越高，就说明该用户与其他用户的联系越密切，该用户所处的地位就越重要。如图1中，结点v1的入度为0，则α为0/12=0；结点v4的入度为1，则α为1/12=0.083；结点v2的入度为7，则α为7/12=0.583，等等。 　　出度是指所有该结点指向其他结点