论文部分内容阅读
随着互联网技术的蓬勃发展,包括Facebook、Twitter、微信、微博等社交网络已然成为每个人生活中重要的社交媒介。与此同时,伴随着GPS技术的不断提升,传统的在线社交网络与基于位置的服务充分结合,基于位置的社交网络即LBSN(Location-based Social Network)也就应运而生。基于位置的社交网络通过用户的签到行为,把线上虚拟社交环境与线下真实位置环境充分结合在一起。在对社交网络的研究中,通过社区发现可以了解用户间联系的密切程度,获取用户之间的社交关系及社交角色,有助于理解社交网络拓扑结构特点从而进行社区内个体关系行为的演化分析。在基于位置的社交网络中,用户的好友关系体现为社交网络的拓扑结构,受到用户间交互行为的影响,而用户签到行为所产生的地理位置信息则是线下真实的社交行为的体现。通过加入地理位置属性,在进行社区发现时,真实的地理位置信息可以作为一个重要的影响因素,加入到社区发现方法中,从而提升划分结果的准确性,使得社区发现的结果更加准确。现有的社区发现方法大多根据社交网络的拓扑结构或用户间交互进行研究,这些方法不能很好地适用于具有多模异构特性的基于位置的社区网络。考虑到以上情况,本文设计了一种适用于基于位置的社区网络特性的社区发现方法:首先根据基于位置的社交网络的网络特性,对基于位置的社交网络进行建模处理,除了社交网络中最基本的用户-用户的网络结构,根据用户在基于位置的社交网络中的签到行为还形成了用户-地理位置信息的网络结构,由此引申开来在社交网络中还存在着地理位置信息-地理位置信息的网络结构。之后根据动态数据场中用户互相影响作用的特性,提出了融合签到情境信息的情境轨迹的概念。随后针对情境轨迹建立以“时间”、“位置”、“情境”三种对象的三元关系矩阵,利用矩阵中的“位置”信息和“情境”信息来计算签到记录的位置相似度和主题相似度,结合位置相似度和主题相似度及用户间关系可以获得情境轨迹的相似度。最后,基于获得的用户间情境轨迹的相似度采用k-means聚类算法在完成初始化社区后,进行多次聚类处理,最终完成社区发现。最后,通过实验对本文提出的基于动态数据场的位置社交网络社区发现方法进行分析与评价。