基于时空大数据的社交关系分析系统

发布时间：2021-08-20 07:17

　　当今社会,人们很乐意在社交网络上分享自己的感受,这些推送里面有很大一部分是带有位置标签的数据。在这些社交网络上发生的时间和空间的交互,包含了大量的可以表示人与人之间关系的信息,对这些数据的分析挖掘是非常有价值的工作。随着移动设备的使用越来越多,可以更加方便地采集用户的位置数据,如GPS,Wifi和手机信号塔。本研究设计了基于时空大数据的社交关系分析系统,这个系统可以根据从基于位置的社交网络（LBSNs）上采集的时空数据对用户之间的社交强度和好友概率进行分析。该系统基于MARS模型,这个模型可以根据人与人之间的位置关系,距离和时间关系来度量两个人之间的社交强度。由于隐私位置和公共场所具有不同的位置权重,不同的时间段也有不同的时间权重,系统将这些因素考虑到模型中。同时会对系统中设计到的关键技术进行阐述。本研究还根据用户在不同位置的打卡情况定义了空间相似度和时间相似度,用户出现在相同地点的次数越多,用户的轨迹越相似,用户之间的交互越频繁,说明用户之间的关系越密切,进而提出了一个预测用户之间好友关系的概率模型。在模型验证和实验评估部分,本文使用四个真实的时空数据集,来评估提出的MARS和概率模... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：54 页

【学位级别】：硕士

【部分图文】：

用户轨迹

图 3.2 用户详细共现情况想确定每个位置的权重，以便可以量化发生在不同位置用的方法是一种基于位置熵的度量方式。 (k) = ( )∑ ( ) = (k) × (k) = exp ( ) 公式 3.4 来度量每个位置的位置权重。在公式 3.2 中 数， 是数据集中的所有的用户的数量。本文使用公式 3，可以看到，如果在 只发生了一次打卡， = 1 × 发生了打卡，每个人在 的打卡概率为 ，则 如果越多的人在 打卡，位置熵会越大。公式 3.4 使用的位置权重， 位置越私密，这个位置的位置权重会更

图 4.1 用户的轨迹描述4.1 中红色的线和蓝色的线分别表示两个用户的轨迹，每一个圆度的地点，圆柱体的高度表示用户在这个位置的打卡次数，每同的轨迹组成。例如，轨迹向量 (1,2,1,0,0,0)显示用户 去 , )，而没有去过后三个位置，用户 去过 和 一次，个用户去的位置相似，说明这两个用户有一些潜在的联系，如的工作，所以本文考虑将用户的轨迹相似度表示为两个用户义两个轨迹向量的 cosin 值表示两条轨迹的相似度，即用户间 ,= · × （越大，两个用户之间的关系越紧密，从之前的工作和本文后面 ,越大，用户间是好友的概率会更大。由于大多数用户之

【参考文献】：
期刊论文
[1]融入网络结构与社交习惯的不对称用户关系强度计算[J]. 琚春华,陈彦,鲍福光.  系统工程理论与实践. 2018(08)
[2]基于用户轨迹数据的移动推荐系统研究[J]. 孟祥武,李瑞昌,张玉洁,纪威宇.  软件学报. 2018(10)

硕士论文
[1]基于手机定位数据的居民出行特征分析与推荐研究[D]. 牟桐.西南交通大学 2018
[2]基于时空数据的城市行为可视画像[D]. 滕致遥.电子科技大学 2018
[3]Android平台下基于地理位置信息的购物系统的设计与实现[D]. 李峰.南京邮电大学 2017
[4]交通系统时空数据组织管理与应用[D]. 黄梨力.重庆交通大学 2017
[5]基于LBS的商业银行APP客户端设计与实现[D]. 张惠.湖南大学 2016



本文编号：3353067