论文部分内容阅读
随着手机的普及以及手机中传感器的多样化,手机传感器产生了大量的无意识数据,基于这些传感器数据的关系推断在模式识别以及普适计算领域逐渐成为一个热点研究问题。现有的基于手机传感器数据的社会关系推断模型中,大多利用监督的机器学习方法,需要大量的社会关系标签信息,但是在实际中这些关系标签是难以获得的或者获得的代价是非常昂贵的。因此,如何利用手机通讯网络中少量的关系标签,结合大量的传感器数据来推断社会关系是关系推断中一个非常具有现实意义的问题。通过对传感器数据特征的分析,提出了一种基于手机数据的半监督社会关系推断模型,利用少量的标签信息、以及大量的手机传感器数据信息实现关系推断。在基于手机的通讯社交网络中,关系推断面临的最大的问题就是关系标签的稀疏性和关系类别间的不平衡性。通过挖掘手机传感器数据定义合适的属性是提高关系推断精度的方法之一;建立合适的关系推断模型也可以改善关系推断的精度。通过具体分析传感器的数据类型,定义了96个属性。为了解决关系标签稀疏问题和类别不平衡性,建立了结合支持向量机(Support Vector Machine,SVM)和朴素贝叶斯(naive Bayes,NB)的协同训练风范的半监督推断模型,为了进一步提高对社会关系推断的精度,在社会关系标签推断过程中引入了社交平衡理论。最后利用MIT实验室的Reality Mining数据集验证了提出的模型。通过对94个用户的手机数据进行分析,在已知关系标签为5%、关系标签严重不平衡的情况下,提出方法的类平均准确度可以达到85%的精度,与监督的SVM和NB相比类平均准确率分别有20%和5%的提升,与半监督的直推式支持向量机(Transductive Support Vector Machine,TSVM)相比有10%的提升。