基于关系圈与个体交互习惯的用户关系强度计算方法

doi:10.3772/j.issn.1000-0135.2019.09.009

情报学报

2019, Vol. 38

Issue (9): 974-987 DOI: 10.3772/j.issn.1000-0135.2019.09.009

情报分析方法与技术

本期目录 | 过刊浏览 | 高级检索

基于关系圈与个体交互习惯的用户关系强度计算方法

琚春华^1,2, 陶婉琼^1,2, 马希骜³

1.浙江工商大学管理工程与电子商务学院，杭州 310018
2.浙江工商大学工商管理学院，杭州 310018
3.浙江工商大学计算机与信息工程学院，杭州 310018

A Relationship Strength Calculation Method Based on the Relationship Circle and Individual Interaction Habits

Ju Chunhua^1,2, Tao Wanqiong^1,2, Ma Xi ao³

1.School of Management and E-business, Zhejiang Gongshang University, Hangzhou 310018
2.Business Administration College, Zhejiang Gongshang University, Hangzhou 310018
3.School of Computer Science and Information Engineering, Zhejiang Gongshang University, Hangzhou 310018

摘要
图/表
参考文献
相关文章 (0)

全文: PDF (3492 KB) HTML (181 KB)
输出: BibTeX | EndNote (RIS)

摘要目前对用户关系强度的研究多从用户个人信息和交互活动两方面进行，忽略了社交网络中的关系圈及个体交互习惯对交互行为的影响。本文提出了一种基于关系圈与个体交互习惯的用户关系强度计算方法（IRC-IH）。该方法首先采用基于完全子图的关系圈划分算法将用户划分到不同的关系圈，然后以划分好的关系圈为单位，利用标准化谷歌距离计算关系圈与主题领域间的相关度，为每个关系圈分配主题领域。其次，将交互习惯和交互频率融入交互活动强度的计算中。在此基础上，通过融合关系圈重叠率、关系圈相似度、交互活动强度以及公众账号相似度四个维度计算用户关系强度。在强关系社交网络（微信）和弱关系社交网络（微博）中的实验结果表明，本文提出的方法能够有效提高关系强度计算的准确性，且在强关系社交网络中的计算效果会更好。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	琚春华
	陶婉琼
	马希骜

关键词 ：关系圈, 交互习惯, 主题领域, 关系强度

收稿日期: 2019-02-28

基金资助:国家自然科学基金项目“电商环境下融入在线社会关系的消费者信贷价值度量研究”（71571162），“基于概率粗糙集模型的属性约简方法研究”（61502419）；浙江省软科学重点项目“基于DEA的网上技术市场运行效率评价研究”（2018C25030）。

作者简介: 琚春华，男，1962年生，博士，教授，博士生导师，主要研究领域为数据挖掘与商务智能

引用本文:

琚春华, 陶婉琼, 马希骜. 基于关系圈与个体交互习惯的用户关系强度计算方法[J]. 情报学报, 2019, 38(9): 974-987.
Ju Chunhua, Tao Wanqiong, Ma Xi ao. A Relationship Strength Calculation Method Based on the Relationship Circle and Individual Interaction Habits. 情报学报, 2019, 38(9): 974-987.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2019.09.009 或 https://qbxb.istic.ac.cn/CN/Y2019/V38/I9/974

1 GranovetterM S. The strength of weak ties[J]. American Journal of Sociology, 1973, 78(6): 1360-1380.
2 张子柯. 在线社交网络信息传播机制与动力学研究综述[J]. 情报学报, 2017, 36(4): 422-431.
3 LiuF K, LeeH J. Use of social network information to enhance collaborative filtering performance[J]. Expert Systems with Applications, 2010, 37(7): 4772-4778.
4 赵云龙, 李艳兵. 社交网络用户的人格预测与在关系强度计算中的应用[C]// 中国科学院数学与系统科学研究院. 第七届(2012)中国管理学年会——新经济环境下中国管理变革与范式探索论文集, 天津, 2012.
5 TraversJ, MilgramS. An experimental study of the small world problem[J]. Sociometry, 1969, 32(4): 425-443.
6 沈洪洲, 袁勤俭. 基于社交网络的社交关系强度分类研究[J]. 情报学报. 2014, 33(8): 846-859.
7 MurrayS O, RankinJ H, MagillD W. Strong ties and job information[J]. Sociology of Work and Occupations, 1981, 8(1): 119-136.
8 许燕. 关系强度、社会互动与农民购买商业养老保险意愿——基于修订的S-O-R模型[J]. 金融理论与实践, 2016(4): 84-89.
9 LinN, WoelfelM W, LightS C. The buffering effect of social support subsequent to an important life event[J]. Journal of Health and Social Behavior, 1985, 26(3): 247-263.
10 GilbertE, KarahaliosK. Predicting tie strength with social media[C]// Proceedings of the SIGCHI Conference on Human Factors in Computing Systems. New York: ACM Press, 2009: 211-220.
11 耿瑞利, 申静. 社交网络群组用户知识共享行为动机研究: 以Facebook Group和微信群为例[J]. 情报学报, 2018, 37(10): 1022-1033.
12 琚春华, 陶婉琼, 许翀寰. 基于活动领域分类与间接关系融合的社会化网络用户关系强度计算模型[J]. 情报学报, 2016, 35(5): 539-548.
13 KahandaI, NevilleJ. Using transactional information to predict link strength in online social networks[C]// Proceedigns of the Third International AAAI Conference on Weblogs and Social Media. Palo Alto: AAAI Press, 2009: 235-243.
14 JuC H, TaoW Q. A novel relationship strength model for online social networks[J]. Multimedia Tools & Applications, 2017, 76(16): 17577-17594.
15 ChenJ P, LiuY, ZouM. Home location profiling for users in social media[J]. Information & Management, 2016, 53(1): 135-143.
16 孙怡帆, 李赛. 基于相似度的微博社交网络的社区发现方法[J]. 计算机研究与发展, 2014, 51(12): 2797-2807.
17 ChulyadyoR, LerayP. A personalized recommender system from probabilistic relational model and users’ preferences [J]. Procedia Computer Science, 2014, 35: 1063-1072.
18 BurtR S. Structural holes: The social structure of competition[M]. Cambridge: Harvard University Press, 2009.
19 CannistraciC V, Alanis-LobatoG, RavasiT. From link-prediction in brain connectomes and protein interactomes to the local-community-paradigm in complex networks[J]. Scientific Reports, 2013, 3: 1613.
20 AlbaR D, KadushinC. The intersection of social circles: A new measure of social proximity in networks[J]. Sociological Methods & Research, 1976, 5(1): 77-102.
21 韩忠明, 谭旭升, 陈炎, 等. 基于隐回归的用户关系强度模型[J]. 计算机应用, 2016, 36(2): 336-341.
22 李旭军, 刘业政. 聚合群体中关系强度对观点采纳的影响[J]. 计算机工程, 2016, 42(4): 226-234.
23 AhmedJ, VillataS, GovernatoriG. Information and friend segregation for online social networks: A user study[OL/J]. AI & Society, 2017, https://doi.org/10.1007/s00146-017-0789-1.
24 LuarnP, KuoH C, ChiuY P, et al. Social support on facebook: The influence of tie strength and gender differences[J]. International Journal of Electronic Commerce Studies, 2015, 6(1): 37-50.
25 JonesJ J , SettleJ E , BondR M , et al. Inferring tie strength from online directed behavior[J]. PLoS ONE, 2013, 8(1): e52168.
26 琚春华, 陈彦, 鲍福光. 融入网络结构与社交习惯的不对称用户关系强度计算[J]. 系统工程理论与实践, 2018, 38(8): 2135-2146.
27 PallaG, DerényiI, FarkasI, et al. Uncovering the overlapping community structure of complex networks in nature and society[J]. Nature, 2005, 435(7043): 814-818.
28 ZhaoX J, YuanJ, LiG D, et al. Relationship strength estimation for online social networks with the study on Facebook[J]. Neurocomputing, 2012, 95: 89-97.
29 CilibrasiR L, VitanyiP M B. The Google similarity distance[J]. IEEE Transactions on Knowledge & Data Engineering, 2007, 19(3): 370-383.
30 de SantisG, MucciardiM. From euclidean distances to APC models[J]. Quality & Quantity, 2017, 51(2): 829-846.
31 WeiJ, BuB, GuoX M, et al. The process of crisis information dissemination: Impacts of the strength of ties in social networks[J]. Kybernetes, 2014, 43(2): 178-191.
32 LinX, ShangT, LiuJ W. An estimation method for relationship strength in weighted social network graphs[J]. Journal of Computer and Communications, 2014, 2(4): 82-89.
33 XiangR J, NevilleJ, RogatiM. Modeling relationship strength in online social networks[C]// Proceedings of the 19th International Conference on World Wide Web. New York: ACM Press, 2010: 981-990.