CN104182422B - 统一通讯录信息处理方法和*** - Google Patents
统一通讯录信息处理方法和*** Download PDFInfo
- Publication number
- CN104182422B CN104182422B CN201310202471.6A CN201310202471A CN104182422B CN 104182422 B CN104182422 B CN 104182422B CN 201310202471 A CN201310202471 A CN 201310202471A CN 104182422 B CN104182422 B CN 104182422B
- Authority
- CN
- China
- Prior art keywords
- user
- users
- contact
- node
- contact person
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种统一通讯录信息处理方法和***，涉及移动互联网技术领域。该方法将统一通讯录抽象为多层图模型结构，将用户间的联系人、好友等关系叠加为一个统一的网络图，通过连通的多层图结构解决了传统的向量空间模型无法表达的友关系的传递性；本发明的技术方案利用联系人关联因子去除联系人关系图中可能存在的噪音信息，提出的改进的重启型随机游走算法，可以有效的挖掘用户社交关系，进而为业务交叉营销推广和衍生其他服务提供帮助。
Description
技术领域
本发明涉及移动互联网技术领域，特别涉及一种统一通讯录信息处理方法和***。
背景技术
随着互联网的***式发展，与用户联系人、社交关系相关的业务越来越多，随之而来无论是好友关系拓展、用户群组划分等业务需求都需要对用户社交关系进行挖掘；当前互联网用户个人社交关系信息分散，同时缺乏有效手段对用户个人社交关系进行深度挖掘，统一通讯录中蕴含了丰富的用户社交关系，对统一通讯录建模并进行数据挖掘势在必行。
当前的社交关系挖掘方法大多通过向量空间模型构造用户的特征向量，再计算两个用户之间的相似度；还有一些方法利用一度好友进行关系拓展。现有的社交关系挖掘技术存在以下一些问题：向量空间模型仅仅计算两个用户之间的相似度，没有考虑社交关系的传递性；如QQ圈子等对社交关系的挖掘仅仅限于一度好友，没有做更深的分析，导致推荐的好友与用户实际上并无社交关系，关系挖掘的结果出现大量噪音信息。
发明内容
本发明的发明人发现上述现有技术中存在问题，并因此针对所述问题中的至少一个问题提出了一种新的技术方案。
本发明的一个目的是提供一种用于统一通讯录信息处理的技术方案。
根据本发明的第一方面，提供了一种统一通讯录信息处理方法，包括：
根据统一通讯录中用户、用户的联系人、用户的好友信息构建多层关系图，其中各个用户、用户的联系人、用户的好友分别作为多层关系图的节点；
在多层关系图中，在用户节点与用户的联系人属性节点和用户的好友属性节点之间分别生成边；将互为好友的用户的好友属性节点间生成边；将互为联系人的用户的联系人属性节点之间根据联系人关联因子确定在用户的联系人属性节点间生成边；
根据多层关系图的连接关系生成邻接矩阵；
根据初始概率矩阵基于邻接矩阵通过重启型随机游走算法确定稳定状态的概率矩阵。
可选地，联系人关联因子根据如下公式确定：
其中，A、B为用户节点，C(A∩B)为A和B的共同联系人的数量，C(A)、C(B)为A、B各自的联系人数目，N为统一通讯录中总共的联系人数目。
可选地，将互为联系人的用户的联系人属性节点之间根据联系人关联因子确定在用户的联系人属性节点间生成边包括：
确定互为联系人的用户的联系人属性节点间的联系人关联因子；
如果联系人关联因子大于设定阈值，则在将互为联系人的用户的联系人属性节点之间生成边。
可选地，根据多层关系图的连接关系生成邻接矩阵包括：
根据多层关系图的连接关系生成邻接矩阵，其中，对于用户节点与用户的联系人属性节点以及用户的好友属性节点之间的边的权重为1，对于好友属性节点之间的边的权重为1，对于联系人属性节点之间的边的权重为归一化的联系人关联因子；
将邻接矩阵按列进行归一化。
可选地，根据初始概率矩阵基于邻接矩阵通过重启型随机游走算法确定稳定状态的概率矩阵包括：
生成初始矩阵μ0为N*1阶矩阵，令种子用户节点初始值为1，其他结点初始值为0；
初始化μ=μ0；
进行如下迭代：
μt+1=(1-λ)Mμt+λμ0，其中0<λ<1，M为邻接矩阵
直到稳定退出迭代;
获得稳定状态的概率矩阵μ*。
可选地，该方法还包括：根据稳定状态的概率举证计算种子用户和其他用户之间的紧密程度。
根据本发明的另一方面，提供一种统一通讯录信息处理***，包括：
关系图节点生成模块，用于根据统一通讯录中用户、用户的联系人、用户的好友信息构建多层关系图，其中各个用户、用户的联系人、用户的好友分别作为多层关系图的节点；
关系图边生成模块，用于在多层关系图中，在用户节点与用户的联系人属性节点和用户的好友属性节点之间分别生成边；将互为好友的用户的好友属性节点间生成边；将互为联系人的用户的联系人属性节点之间根据联系人关联因子确定在用户的联系人属性节点间生成边；
邻接矩阵生成模块，用于根据多层关系图的连接关系生成邻接矩阵；
概率矩阵确定模块，用于根据初始概率矩阵基于邻接矩阵通过重启型随机游走算法确定稳定状态的概率矩阵。
可选地，联系人关联因子根据如下公式确定：
其中，A、B为用户节点，C(A∩B)为A和B的共同联系人的数量，C(A)、C(B)为A、B各自的联系人数目，N为统一通讯录中总共的联系人数目。
可选地，关系图边生成模块包括：
特征边生成单元，用于在用户节点与用户的联系人属性节点和用户的好友属性节点之间分别生成边；
好友边生成单元，用于将互为好友的用户的好友属性节点间生成边；
联系人边生成单元，用于确定互为联系人的用户的联系人属性节点间的联系人关联因子，如果联系人关联因子大于设定阈值，则在将互为联系人的用户的联系人属性节点之间生成边。
可选地，邻接矩阵生成模块根据多层关系图的连接关系生成邻接矩阵，其中，对于用户节点与用户的联系人属性节点以及用户的好友属性节点之间的边的权重为1，对于好友属性节点之间的边的权重为1，对于联系人属性节点之间的边的权重为归一化的联系人关联因子；将邻接矩阵按列进行归一化。
可选地，概率矩阵确定模块用于生成初始矩阵μ0为N*1阶矩阵，令种子用户节点初始值为1，其他结点初始值为0；初始化μ=μ0，进行如下迭代：
μt+1=(1-λ)Mμt+λμ0，其中0<λ<1，M为邻接矩阵
直到稳定退出迭代，获得稳定状态的概率矩阵μ*。
本发明的一个优点在于，将统一通讯录抽象为多层图模型结构，将用户间的联系人、好友等相互关系叠加为一个统一的网络图，通过连通的多层图结构解决了传统的向量空间模型无法表达的好友关系的传递性；利用联系人关联因子去除联系人关系图中可能存在的噪音信息，通过重启型随机游走算法获得稳定的概率矩阵。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
构成说明书的一部分的附图描述了本发明的实施例，并且连同说明书一起用于解释本发明的原理。
参照附图，根据下面的详细描述，可以更加清楚地理解本发明，其中：
图1示出根据本发明的统一通讯录信息处理方法的一个实施例的流程图。
图2示出根据本发明基于多层图模型的统一通讯录建模的一个例子的示意图。
图3示出根据本发明的统一通讯录信息处理方法的另一个实施例的流程图。
图4示出根据本发明的统一通讯录信息处理***的一个实施例的结构图。
图5示出根据本发明的统一通讯录信息处理***的另一个实施例的结构图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
图1示出根据本发明的统一通讯录信息处理方法的一个实施例的流程图。
如图1所示，步骤102，根据统一通讯录中用户、用户的联系人、用户的好友信息构建多层关系图，其中各个用户、用户的联系人、用户的好友分别作为多层关系图的节点。
步骤104，在多层关系图中，在用户节点与该用户的联系人属性节点和该用户的好友属性节点之间分别生成边；对好友类节点，将互为好友的用户的好友属性节点之间生成边；对于联系人特征节点，将互为联系人的用户的联系人属性节点之间根据联系人关联因子确定在用户的联系人属性节点间生成边。
步骤106，根据多层关系图的连接关系生成邻接矩阵。
步骤108，根据初始概率矩阵基于邻接矩阵通过重启型随机游走算法确定稳定状态的概率矩阵。
上述实施例中，将统一通讯录抽象为多层图模型结构，将用户间的联系人、好友等相互关系叠加为一个统一的网络图，通过连通的多层图结构解决了传统的向量空间模型无法表达的好友关系的传递性；利用联系人关联因子去除联系人关系图中可能存在的噪音信息，通过重启型随机游走算法获得稳定的概率矩阵。
对于多层关系图G，其中包含三类节点：用户节点I、用户的联系人属性节点C、用户的好友属性节点F。图2示出了多层关系图的样例。I1、I2、I3、I4是统一通讯录中的用户节点，其中I4是初始节点，要计算的是其他所有节点和I4的关联度，C1、C2、C3、C4分别是各个用户的的联系人属性节点，F1、F2、F3、F4分别是各个用户的好友属性节点。
图3示出根据本发明的统一通讯录信息处理方法的另一个实施例的流程图。
如图3所示，步骤301，生成多层关系图的节点。
每个用户节点记为V(Ii)，将联系人属性节点记为V(Ci)，好友特征节点记为V(Fi)。
步骤302，根据节点的类型构造多层关系图的边。
其中，步骤302a，对于实例Ii，将实例和它的各个特征之间直接构造一条边，即在V(Ii)和V(Ci)之间构造一条边，V(Ii)和V(Fi)之间构造一条边。
步骤302b，在实例节点之间建立关联，需要通过在实例的特征节点之间构建边来实现，对好友类节点V(Fi)如果两个节点互为社交好友则构建一条边。
步骤302c，对于联系人特征节点V(Ci)，传统算法中直接对互为联系人的节点构建一条边，实际上在现实生活中互为联系人的场景很复杂，有可能是关联度不高的人互相加为手机联系人，如果把这类关系建立边，则会产生很大的噪音。该实施例中通过联系人关联因子CR(A,B)来过滤掉此种噪音，联系人关联因子大于设定阈值的在A、B的联系人属性节点间构建一条边，其中
A、B为用户节点，C(A∩B)为A和B的共同联系人的数量，C(A)、C(B)为A、B各自的联系人数目，其中N为统一通讯录中总共的联系人数目。联系人关联因子利用共有联系人在用户间的权重过滤掉噪音的联系人关系。
最终得到多层关系图G，其中有三类边：
（1）用户节点与其特征节点之间的边；
（2）联系人特征节点之间的边；
（3）好友关系特征节点之间的边。
步骤303，为多层关系图设置权重。
多层关系图G是一个无向带权图，第一、三类边的权重为1，第二类边的权重为联系人关联因子归一化后的值。
对于关系图G，假设G中的节点有N个，则要得到稳定状态下的概率向量μ*=(μ*(1),…,μ*(N))。
下面给出了评价候选实例的算法：
步骤304，定义初始矩阵μ0，为N*1阶矩阵，对μ0进行归一化，令种子用户初始值为1（图2中为I4），其他类型结点初始值为0。
步骤305，生成邻接矩阵。对于关系图G，生成邻接矩阵M，对M按列进行归一化，使得M中的每个列相加之和为1。
步骤306，初始化μ=μ0，t=0;
步骤307，迭代：
μt+1=(1-λ)Mμt+λμ0，其中0<λ<1（2）
步骤308，判断μ是否达到稳定状态？如果否，t=t+1，继续步骤307，否则，继续步骤309。
步骤309，根据最终稳定状态的概率矩阵μ*，计算种子用户和其他用户之间的紧密程度。
图4示出根据本发明的统一通讯录信息处理***的一个实施例的结构图。如图4所示，该***包括：关系图节点生成模块41，用于根据统一通讯录中用户、用户的联系人、用户的好友信息构建多层关系图，其中各个用户、用户的联系人、用户的好友分别作为多层关系图的节点；关系图边生成模块42，用于在多层关系图中，在用户节点与用户的联系人属性节点和用户的好友属性节点之间分别生成边；将互为好友的用户的好友属性节点间生成边；将互为联系人的用户的联系人属性节点之间根据联系人关联因子确定在用户的联系人属性节点间生成边；邻接矩阵生成模块43，用于根据多层关系图的连接关系生成邻接矩阵；概率矩阵确定模块44，用于根据初始概率矩阵基于邻接矩阵通过重启型随机游走算法确定稳定状态的概率矩阵。
在一个实施例中，联系人关联因子根据如下公式确定：
其中，A、B为用户节点，C(A∩B)为A和B的共同联系人的数量，C(A)、C(B)为A、B各自的联系人数目，N为统一通讯录中总共的联系人数目。
在一个实施例中，邻接矩阵生成模块根据多层关系图的连接关系生成邻接矩阵，其中，对于用户节点与用户的联系人属性节点以及用户的好友属性节点之间的边的权重为1，对于好友属性节点之间的边的权重为1，对于联系人属性节点之间的边的权重为归一化的联系人关联因子；将邻接矩阵按列进行归一化；
在一个实施例中，概率矩阵确定模块用于生成初始矩阵μ0为N*1阶矩阵，令种子用户节点初始值为1，其他结点初始值为0；初始化μ=μ0，进行如下迭代：
μt+1=(1-λ)Mμt+λμ0，其中0<λ<1，M为邻接矩阵
直到稳定退出迭代，获得稳定状态的概率矩阵μ*。
图5示出根据本发明的统一通讯录信息处理***的另一个实施例的结构图。如图5所示，该实施例中包括：关系图节点生成模块41、关系图边生成模块52、邻接矩阵生成模块43和概率矩阵确定模块44。其中，关系图边生成模块52包括：特征边生成单元521，用于在用户节点与用户的联系人属性节点和用户的好友属性节点之间分别生成边；好友边生成单元522，用于将互为好友的用户的好友属性节点间生成边；联系人边生成单元523，用于确定互为联系人的用户的联系人属性节点间的联系人关联因子，如果联系人关联因子大于设定阈值，则在将互为联系人的用户的联系人属性节点之间生成边。
传统的向量空间模型默认要计算的两个用户之间有关联，并将用户的特征简单的组合，通过将一维空间的多维特征映射到多维空间的向量，并计算向量间的相似度，仅仅计算了两个用户表象上的关联度。
本公开中的实施例，多层图模型中默认用户之间没有直接通过边建立关联，而是通过将用户的联系人、好友关系等特征建立关联，充分利用好友关系的传递性，并通过联系人关联因子改进重启型随机游走算法，最终得到用户节点之间的关系。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过基于多层图模型的统一通讯录建模、改进的重启型随机游走算法来完成
基于上述技术方案，本发明在不需要改变现有网络的前提下，将统一通讯录抽象为多层图模型结构，将用户间的联系人、翼聊好友等社交关系叠加为一个统一的社交网络图，该方法提出改进的重启型随机游走算法，利用联系人关联因子去除联系人关系图中可能存在的噪音信息。可以有效的挖掘用户社交关系，进而为业务交叉营销推广和衍生其他服务提供帮助。
至此，已经详细描述了根据本发明的统一通讯录信息处理方法和***。为了避免遮蔽本发明的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
可能以许多方式来实现本发明的方法和***。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和***。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。
虽然已经通过示例对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。
Claims (8)
1.一种统一通讯录信息处理方法，其特征在于，包括：
根据统一通讯录中用户、用户的联系人、用户的好友信息构建多层关系图，其中各个用户、用户的联系人、用户的好友分别作为所述多层关系图的节点；
在所述多层关系图中，在用户节点与所述用户的联系人属性节点和所述用户的好友属性节点之间分别生成边；将互为好友的用户的好友属性节点间生成边；将互为联系人的用户的联系人属性节点之间根据联系人关联因子确定在用户的联系人属性节点间生成边；
根据所述多层关系图的连接关系生成邻接矩阵；
根据初始概率矩阵基于所述邻接矩阵通过重启型随机游走算法确定稳定状态的概率矩阵；
其中，所述方法还包括：
根据所述稳定状态的概率矩阵计算种子用户和其他用户之间的紧密程度；
其中，所述将互为联系人的用户的联系人属性节点之间根据联系人关联因子确定在用户的联系人属性节点间生成边包括：
确定互为联系人的用户的联系人属性节点间的联系人关联因子；
如果所述联系人关联因子大于设定阈值，则在将互为联系人的用户的联系人属性节点之间生成边。
2.根据权利要求1所述的方法，其特征在于，所述联系人关联因子根据如下公式确定：
<mrow>
<mi>C</mi>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>,</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>log</mi>
<mi>a</mi>
</msub>
<mfrac>
<mrow>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>A</mi>
<mo>&cap;</mo>
<mi>B</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mi>N</mi>
</mrow>
<mrow>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中，A、B为用户节点，C(A∩B)为A和B的共同联系人的数量，C(A)、C(B)为A、B各自的联系人数目，N为统一通讯录中总共的联系人数目，a为系数。
3.根据权利要求1所述的方法，其特征在于，所述根据所述多层关系图的连接关系生成邻接矩阵包括：
根据所述多层关系图的连接关系生成所述邻接矩阵，其中，对于用户节点与所述用户的联系人属性节点以及所述用户的好友属性节点之间的边的权重为1，对于好友属性节点之间的边的权重为1，对于联系人属性节点之间的边的权重为归一化的联系人关联因子；
将所述邻接矩阵按列进行归一化。
4.根据权利要求1或3所述的方法，其特征在于，所述根据初始概率矩阵基于所述邻接矩阵通过重启型随机游走算法确定稳定状态的概率矩阵包括：
生成初始矩阵μ0为N*1阶矩阵，令种子用户节点初始值为1，其他结点初始值为0，其中N为统一通讯录中总共的联系人数目；
初始化μ＝μ0；
进行如下迭代：
μt+1＝(1-λ)Mμt+λμ0，其中0<λ<1，M为邻接矩阵,t为迭代次数；
直到稳定退出迭代，获得稳定状态的概率矩阵μ*。
5.一种统一通讯录信息处理***，其特征在于，包括：
关系图节点生成模块，用于根据统一通讯录中用户、用户的联系人、用户的好友信息构建多层关系图，其中各个用户、用户的联系人、用户的好友分别作为所述多层关系图的节点；
关系图边生成模块，用于在所述多层关系图中，在用户节点与所述用户的联系人属性节点和所述用户的好友属性节点之间分别生成边；将互为好友的用户的好友属性节点间生成边；将互为联系人的用户的联系人属性节点之间根据联系人关联因子确定在用户的联系人属性节点间生成边；
邻接矩阵生成模块，用于根据所述多层关系图的连接关系生成邻接矩阵；
概率矩阵确定模块，用于根据初始概率矩阵基于所述邻接矩阵通过重启型随机游走算法确定稳定状态的概率矩阵；
其中，所述统一通讯录信息处理***还用于根据所述稳定状态的概率矩阵计算种子用户和其他用户之间的紧密程度；
其中，所述关系图边生成模块包括：
特征边生成单元，用于在用户节点与所述用户的联系人属性节点和所述用户的好友属性节点之间分别生成边；
好友边生成单元，用于将互为好友的用户的好友属性节点间生成边；
联系人边生成单元，用于确定互为联系人的用户的联系人属性节点间的联系人关联因子，如果所述联系人关联因子大于设定阈值，则在将互为联系人的用户的联系人属性节点之间生成边。
6.根据权利要求5所述的***，其特征在于，所述联系人关联因子根据如下公式确定：
<mrow>
<mi>C</mi>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>,</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>log</mi>
<mi>a</mi>
</msub>
<mfrac>
<mrow>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>A</mi>
<mo>&cap;</mo>
<mi>B</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mi>N</mi>
</mrow>
<mrow>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中，A、B为用户节点，C(A∩B)为A和B的共同联系人的数量，C(A)、C(B)为A、B各自的联系人数目，N为统一通讯录中总共的联系人数目，a为系数。
7.根据权利要求5或6所述的***，其特征在于，所述邻接矩阵生成模块根据所述多层关系图的连接关系生成所述邻接矩阵，其中，对于用户节点与所述用户的联系人属性节点以及所述用户的好友属性节点之间的边的权重为1，对于好友属性节点之间的边的权重为1，对于联系人属性节点之间的边的权重为归一化的联系人关联因子；将所述邻接矩阵按列进行归一化。
8.根据权利要求5或6所述的***，其特征在于，
所述概率矩阵确定模块用于生成初始矩阵μ0,为N*1阶矩阵，令种子用户节点初始值为1，其他结点初始值为0，其中N为统一通讯录中总共的联系人数目；初始化μ＝μ0，进行如下迭代：
μt+1＝(1-λ)Mμt+λμ0，其中0<λ<1，M为邻接矩阵,t为迭代次数；
直到稳定退出迭代，获得稳定状态的概率矩阵μ*。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310202471.6A CN104182422B (zh) | 2013-05-28 | 2013-05-28 | 统一通讯录信息处理方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310202471.6A CN104182422B (zh) | 2013-05-28 | 2013-05-28 | 统一通讯录信息处理方法和*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104182422A CN104182422A (zh) | 2014-12-03 |
| CN104182422B true CN104182422B (zh) | 2018-01-23 |
Family
ID=51963473
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310202471.6A Active CN104182422B (zh) | 2013-05-28 | 2013-05-28 | 统一通讯录信息处理方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104182422B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104580385B (zh) * | 2014-12-16 | 2018-04-03 | 腾讯科技（深圳）有限公司 | 一种拓展用户关系链的方法及装置 |
| CN105868447B (zh) * | 2016-03-24 | 2019-05-24 | 南京邮电大学 | 基于双层网络的用户通讯行为分析及模型仿真*** |
| CN107798125B (zh) * | 2017-11-10 | 2021-03-16 | 携程旅游网络技术（上海）有限公司 | 基于亲密度模型的准入判定方法、***、设备及存储介质 |
| KR102628042B1 (ko) * | 2017-12-22 | 2024-01-23 | 삼성전자주식회사 | 연락처 정보를 추천하는 방법 및 디바이스 |
| WO2019125082A1 (en) | 2017-12-22 | 2019-06-27 | Samsung Electronics Co., Ltd. | Device and method for recommending contact information |
| CN110489515B (zh) * | 2019-08-01 | 2021-12-17 | 卫盈联信息技术（深圳）有限公司 | 通讯录检索的方法、服务器及存储介质 |
| CN110727680B (zh) * | 2019-09-25 | 2023-07-14 | 武汉奥浦信息技术有限公司 | 一种数据关联存储方法、电子设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722566A (zh) * | 2012-06-04 | 2012-10-10 | 上海电力学院 | 社交网络中潜在好友查询方法 |
| CN103077247A (zh) * | 2013-01-17 | 2013-05-01 | 清华大学 | 一种社交网络中的朋友关系传递树的建立方法 |
-
2013
- 2013-05-28 CN CN201310202471.6A patent/CN104182422B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722566A (zh) * | 2012-06-04 | 2012-10-10 | 上海电力学院 | 社交网络中潜在好友查询方法 |
| CN103077247A (zh) * | 2013-01-17 | 2013-05-01 | 清华大学 | 一种社交网络中的朋友关系传递树的建立方法 |
Non-Patent Citations (2)
| Title |
|---|
| A Unified Framework for Link Recommendation Using Random Walks;Zhijun Yin 等;《2010 International Conference on Advances in Social Networks Analysis and Mining》;20101231;第152-159页 * |
| Automatic Multimedia Cross-modal Correlation Discovery;JiaYu Pan 等;《ACM SIGKDD》;20041231;第653-658页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104182422A (zh) | 2014-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104182422B (zh) | 统一通讯录信息处理方法和*** | |
| Pershina et al. | Personalized page rank for named entity disambiguation | |
| Liu et al. | Weighted graph clustering for community detection of large social networks | |
| RU2607621C2 (ru) | Способ, система и машиночитаемый носитель данных для группирования в социальных сетях | |
| US8706739B1 (en) | Joining user profiles across online social networks | |
| CN105808696B (zh) | 一种基于全局和局部特征的跨在线社交网络用户匹配方法 | |
| KR20180069867A (ko) | 타깃 객체의 소셜 계정을 발굴하는 방법, 서버 및 저장 매체 | |
| US9892532B2 (en) | Apparatus and method for generating a shortest-path tree in a graph | |
| US9147009B2 (en) | Method of temporal bipartite projection | |
| Wang et al. | Preserving privacy in social networks against connection fingerprint attacks | |
| CN102135983A (zh) | 基于网络用户行为的群体划分方法和装置 | |
| Chen et al. | Influence maximization on signed social networks with integrated pagerank | |
| CN110162637B (zh) | 信息图谱构建方法、装置及设备 | |
| Panigrahy et al. | How user behavior is related to social affinity | |
| Shi et al. | Prep: Path-based relevance from a probabilistic perspective in heterogeneous information networks | |
| CN104484616A (zh) | 一种MapReduce数据处理框架下的隐私保护方法 | |
| CN109062914A (zh) | 用户推荐方法和装置，存储介质和服务器 | |
| CN103838804A (zh) | 一种基于社团划分的社交网络用户兴趣关联规则挖掘方法 | |
| US20190197633A1 (en) | Social media account filtering method and apparatus | |
| JP6079270B2 (ja) | 情報提供装置 | |
| CN110932962B (zh) | 一种基于矩阵分解的网络结构去匿名化***及方法 | |
| Oppokhonov et al. | Current location-based next POI recommendation | |
| CN105447004B (zh) | 查询推荐词的挖掘、相关查询方法及装置 | |
| Hegde et al. | Semantic tagging of places based on user interest profiles from online social networks | |
| Choi et al. | Multimodal location estimation of consumer media: Dealing with sparse training data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |