祝周　石琳　孔祥順

摘? ?要：社區(qū)發(fā)現(xiàn)和好友推薦算法一直是復(fù)雜網(wǎng)絡(luò)的研究熱點之一，在公安業(yè)務(wù)工作、網(wǎng)絡(luò)輿情控制、電子商務(wù)等領(lǐng)域具有重要的意義。為解決公安工作中防范恐怖主義事件、打擊易復(fù)發(fā)類犯罪、穩(wěn)控重點群體等突出難題，論文提出了一種基于核心種子節(jié)點擴展的啟發(fā)式社團發(fā)現(xiàn)算法。該算法通過有效融合多維信息形成混合圖，以種子節(jié)點作為初始社區(qū)，綜合考慮人物節(jié)點間不同交互行為和關(guān)聯(lián)行為的權(quán)重，依托實戰(zhàn)重點將協(xié)同過濾、Tanimoto系數(shù)、六度空間理論等算法相結(jié)合，最后把社區(qū)鄰接節(jié)點中的活躍節(jié)點降序排列作為重點社團目標(biāo)，得到了一種有核心節(jié)點的基于“人、事、地、網(wǎng)、組織”五維混合圖的社團發(fā)現(xiàn)數(shù)據(jù)模型，為警務(wù)大數(shù)據(jù)及其他應(yīng)用提供支撐。

關(guān)鍵詞：混合圖;核心節(jié)點;鏈接度;社團發(fā)現(xiàn)

中圖分類號：TP391? ? ? ? ? 文獻標(biāo)識碼：A

Community detection method based on multidimensional mixed graph and core nodes

Zhu Zhou， Shi Lin， Kong Xiangshun

（Anshan Public Security Bureau of Liaoning， LiaoningAnshan 114000）

Abstract： Community detection and friend recommendation algorithms have always been one of the research hotspots in complex networks. It is of great significance in the field of public security business， network public opinion control， electronic commerce and other fields. To solve the problems of preventing counter-terrorism， combating the recurrence of crime and stabilizing key groups， this paper presents a heuristic community detection method based on core seed nodes extension. The method effectively fuses multidimensional mixed graph， and it considers user interaction and association behavior weight comprehensively. Seed nodes are used as the initial community. Relying on the actual combat， we focus on the combination of collaborative filtering， Tanimoto coefficient， Six Degrees of Separation and other algorithms. Finally， the active nodes in the neighboring nodes of the community are ranked in descending order as the key community targets. A data model of community detection based on five-dimensional mixed graph of people， events， places， networks and organizations with core nodes is obtained. It provides support for police big data and other applications.

Key words： mixed graph; core nodes; link degree; community detection

1 引言

近年來，以手機[1]、微信、微博等社交網(wǎng)絡(luò)（Social Network）為代表的社會媒體逐漸成為人們?nèi)粘Ｉ钪兄匾慕涣髌脚_，呈現(xiàn)出獨特的網(wǎng)絡(luò)特征[2]，現(xiàn)實與網(wǎng)絡(luò)已難以分割。由于社交網(wǎng)絡(luò)平臺的多樣性、隱匿性和開放性等原因，導(dǎo)致公安機關(guān)在解決防范恐怖主義事件、打擊易復(fù)發(fā)類犯罪、穩(wěn)控重點群體等突出問題時難上加難。如何充分利用互聯(lián)網(wǎng)社交網(wǎng)絡(luò)關(guān)系數(shù)據(jù)，虛實結(jié)合、挖掘目標(biāo)、發(fā)現(xiàn)社團、獲取情報、查找重心，已成為當(dāng)前基層公安工作的一項非常重要的業(yè)務(wù)需求[3]。通過研究社團中已知人員目標(biāo)，分析其多種社交網(wǎng)絡(luò)工具產(chǎn)生的虛實數(shù)據(jù)，引入多維關(guān)系云圖、核心節(jié)點、鏈接度等概念，重點將協(xié)同過濾[4，5]、Tanimoto系數(shù)等好友推薦及社團發(fā)現(xiàn)算法相結(jié)合，以期得到一種有核心節(jié)點的基于“人、事、地、網(wǎng)、組織”五維混合圖的社團發(fā)現(xiàn)數(shù)據(jù)模型。

2? 相關(guān)研究

在基層警務(wù)工作中，通過已知目標(biāo)挖掘其重要關(guān)系人[6]，要面對多種社交網(wǎng)絡(luò)工具產(chǎn)生的具有稀疏性和多樣性的數(shù)據(jù)信息，分析過程極其復(fù)雜，受工作意識、技戰(zhàn)術(shù)水平等制約，個人需求難以得到滿足，因此如何利用多種社交網(wǎng)絡(luò)信息快速發(fā)現(xiàn)潛在的工作目標(biāo)成為巨大挑戰(zhàn)。在傳統(tǒng)的根據(jù)社交網(wǎng)絡(luò)圖計算用戶相似度的方法中， 或直接計算目標(biāo)相似度而較少考慮好友的影響，或者將所有好友賦予相同權(quán)重， 即考慮了關(guān)系數(shù)量卻沒有區(qū)分重要性。

目前，流行的推薦方法基于一個假設(shè)：兩個用戶越相似，則他們越有可能成為朋友。有三種主要的方法刻畫用戶的相似度：基于用戶的屬性特征、基于網(wǎng)絡(luò)結(jié)構(gòu)的局部特性和基于網(wǎng)絡(luò)結(jié)構(gòu)的全局特性。

（1）基于用戶屬性特征的方法進行朋友推薦[7]的思想是通過機器學(xué)習(xí)的手段，分析出不同類型的屬性對用戶的貢獻度不同，將其分類處理?；谠摲诸?，提出的算法可以在掌握用戶基本資料以及近期行為的基礎(chǔ)上，搜索出與之相關(guān)性更強的好友或能夠引發(fā)其興趣點的商品，用來快速、準確、全面地得到用戶與其好友之間親疏程度排序及分類的結(jié)果，如果兩個用戶具有相同的年齡、性別、學(xué)?；蛘叩攸c等，則他們更加相似，也就更加可能成為朋友。

（2）基于網(wǎng)絡(luò)結(jié)構(gòu)的局部特征的方法利用用戶朋友網(wǎng)絡(luò)結(jié)構(gòu)的局部結(jié)構(gòu)信息。有很多局部相似性測量指標(biāo)[8]，如共同鄰居（Common Neighbor，CN）、Jaccard和Adamic/Adar等。CN也叫FOAF算法，被很多流行的OSNs所采用。它考慮兩個頂點的共同鄰居的數(shù)量，如果兩個用戶的共同朋友越多，則他們越可能形成鏈接。設(shè)N（x）表示頂點x的鄰居的集合，則頂點x與y的相似性為：。Jaccard方法不僅考慮了共同鄰居的數(shù)量，還考慮到兩個用戶擁有的鄰居數(shù)量，即 。Adamic/Adar也考慮兩頂點共同鄰居的度信息，并且認為度小的共同鄰居節(jié)點的貢獻大于度大的共同鄰居節(jié)點，根據(jù)共同鄰居節(jié)點的度為每個頂點賦予一個權(quán)重值，該權(quán)重等于該頂點的度的對數(shù)的倒數(shù)，，一些研究表明，Adamic/Adar在局部特性指標(biāo)中具有最好的性能[9]。

（3）基于網(wǎng)絡(luò)全局特征方法偵測朋友社交網(wǎng)絡(luò)的所有路徑的結(jié)構(gòu)，其中Google網(wǎng)頁排序算法PageRank的拓展算法——重啟動隨機游走算法（Random Walk with Restart，RWR）吸引了很多研究領(lǐng)域?qū)W者的興趣。RWR算法[10，11]是一個基于圖的隨機游走馬爾科夫鏈模型。相比于其他的相似性算法，RWR方法具有捕捉圖形全局結(jié)構(gòu)以及頂點之間多側(cè)面關(guān)系等優(yōu)點。

上述方法僅利用社交網(wǎng)絡(luò)中用戶朋友網(wǎng)絡(luò)信息，而在社交網(wǎng)絡(luò)數(shù)據(jù)中常常包含多種對象和網(wǎng)絡(luò)關(guān)系[12]。本文以推薦算法來挖掘重要關(guān)系人，擴展了單項網(wǎng)絡(luò)關(guān)系，基于多子網(wǎng)復(fù)合復(fù)雜網(wǎng)絡(luò)[10]，融合了多種關(guān)系，引入鏈接度[13，14]來描述目標(biāo)的相似度，得到與核心節(jié)點的核心鏈接度來確定重點目標(biāo)。

3 基于多子網(wǎng)復(fù)合復(fù)雜網(wǎng)絡(luò)的社團發(fā)現(xiàn)算法

3.1 基本思想

社交關(guān)系網(wǎng)絡(luò)是多維網(wǎng)絡(luò)，包含多種對象與網(wǎng)絡(luò)關(guān)系，對象之間的網(wǎng)絡(luò)關(guān)系受多種因素的影響。本文將對象之間多種關(guān)聯(lián)行為劃分為交互類和關(guān)聯(lián)類，構(gòu)建各類型的單一關(guān)系網(wǎng)絡(luò)，以關(guān)系人物為節(jié)點將多個子網(wǎng)復(fù)合成復(fù)雜的關(guān)系網(wǎng)絡(luò)云圖，借用了社團發(fā)現(xiàn)的局部節(jié)點模型[13]、好友推薦的共同鄰居模型、文本分類的向量空間模型等數(shù)據(jù)模型，定義了關(guān)系云圖、核心節(jié)點、鏈接度等概念[13，14]，結(jié)合實戰(zhàn)對不同的邊設(shè)置了不同權(quán)重，再使用協(xié)同過濾、Tanimoto系數(shù)、六度空間[15，16]等理論算法計算鏈接度，最后分析與核心種子節(jié)點社區(qū)相鄰接的活躍節(jié)點鏈接度數(shù)值關(guān)系，鎖定重點目標(biāo)或劃出社團。

3.2 多子網(wǎng)關(guān)系云圖構(gòu)建

基于社交網(wǎng)絡(luò)全局特征來表達網(wǎng)絡(luò)中所有可能的結(jié)構(gòu)，定義一個以關(guān)系人物為節(jié)點的多子網(wǎng)關(guān)系云圖[10]，融合多種對象和多種關(guān)系，使結(jié)果能夠真實反映對象間的交互度和相似度，具體分為六個步驟。

（1）構(gòu)建核心節(jié)點的社交網(wǎng)絡(luò)數(shù)據(jù)倉庫。從互聯(lián)網(wǎng)多渠道抽取社交網(wǎng)絡(luò)工具數(shù)據(jù)信息、從電信運營商若干電信通訊基站抽取通訊記錄數(shù)據(jù)信息[1]、從公安管理以及其他方法獲取的虛實數(shù)據(jù)信息，清洗后作為數(shù)據(jù)源。

（2）利用數(shù)據(jù)源中人物與人物之間的關(guān)聯(lián)，組織與人物之間的關(guān)聯(lián)，位置與人物之間的關(guān)聯(lián)，考慮整個網(wǎng)絡(luò)中各節(jié)點之間的聯(lián)系，組建關(guān)系云圖G，以G=（V，A，E）表示。

（3）V表示節(jié)點集合，包含四種類型節(jié)點Vu、Vc、Vp、Vt。其中，Vu為人物節(jié)點集合，Vc為人物參加的組織節(jié)點集合，Vp為位置節(jié)點集合，Vt為各類型頂點集合，即V=Vu∪Vc∪Vp∪Vt。因數(shù)據(jù)來源不一，人物使用的各類社交網(wǎng)絡(luò)工具不具有唯一性，人物節(jié)點的各屬性并非齊備完整，人物節(jié)點的唯一標(biāo)識使用獨立的唯一標(biāo)識，而不使用身份證、社交網(wǎng)絡(luò)工具ID等屬性類標(biāo)識。

（4）A是人物節(jié)點的屬性集合，其中，A_Vi為人物節(jié)點V_i所擁有的屬性集合?，F(xiàn)主要包含六種類型頂點A_c、A_t、A_sn、A_id、A_xm、A_sfz。其中，A_c為組織屬性，A_t為手機號碼屬性，A_sn為社交網(wǎng)絡(luò)工具屬性，A_id為人物唯一標(biāo)識屬性，Axm為姓名屬性，A_sfz為身份證號碼屬性。各人物節(jié)點的社交工具種類及號碼、手機號碼等可能有多個，因而其屬性記錄的數(shù)據(jù)也并非唯一值，假設(shè)人物節(jié)點Vi有Numx種社交工具及相應(yīng)號碼，有Numy個手機號碼，參加了Numz個組織或圈子，則A_vi={A_id∪A_sfz∪A_xm∪A_cz∪A_snx∪A_ty，Num_x?|A_sn|，Num_y?|A_t|，Num_z?|Ac | }。

（5）E是邊的集合，主要邊的類型有Esnj、Ecj、Etk、Ep。其中，Esnj為社交網(wǎng)絡(luò)工具好友關(guān)系集合，如果人物Vu1和Vu2之間存在好友（含關(guān)注）聯(lián)系，每增加一種社交網(wǎng)絡(luò)工具好友則相應(yīng)增加一條關(guān)系邊。Ecj為關(guān)系人組織群體關(guān)系集合，如果人物Vu1和Vu2之間存在相同的組織群體（含圈子、群組）聯(lián)系，每增加一個相同的組織群體，則相應(yīng)在兩個人物節(jié)點與組織節(jié)點之間分別增加一條關(guān)系邊。Etk為關(guān)系人手機通訊關(guān)系集合，如果節(jié)點Vu1和Vu2之間存在手機通訊聯(lián)系，每增加一種（非一次）手機通訊關(guān)系則相應(yīng)增加一條關(guān)系邊。Ep為關(guān)系人位置交互關(guān)系集合，如果人物節(jié)點Vu1和Vu2之間存在相同的位置聯(lián)系，每增加一個相同的位置則相應(yīng)分別增加一條關(guān)系邊，Ep包含現(xiàn)實位置關(guān)系與虛擬位置關(guān)系兩種情形。

（6）關(guān)系云圖中有的關(guān)系邊是有向的，有的是無向的，因此統(tǒng)一成一個有向圖，將無向邊表示為兩條有向弧，各關(guān)系邊都是帶有權(quán)值的。

3.3? 關(guān)聯(lián)類相似度加權(quán)網(wǎng)絡(luò)構(gòu)建

關(guān)系云圖的拓撲結(jié)構(gòu)，僅表示個人在社會交往中的范圍，連接節(jié)點的邊越多表示這個人的交際范圍越廣，但是很難準確分析與其關(guān)系最密切的人是誰?，F(xiàn)實中各種社交網(wǎng)絡(luò)工具邊上的權(quán)重具有非常重要的意義，親密度不同的人物之間，所存在的社交網(wǎng)絡(luò)工具邊的數(shù)量及種類有很大區(qū)別，而邊權(quán)越大關(guān)系越密切。本文構(gòu)建了交互加權(quán)網(wǎng)絡(luò)作為基礎(chǔ)網(wǎng)絡(luò)，主要方法如下。

（1）歸一化處理每一條邊上的權(quán)值，使其取值范圍為（0，1）。

（2）結(jié)合工作實際，使用層次分析法創(chuàng)建各節(jié)點之間虛擬屬性邊的重要度矩陣，得出各虛擬邊弧的權(quán)值。

（3）主要計算各類社交網(wǎng)絡(luò)工具邊權(quán)、各類手機通訊邊權(quán)、各類組織圈子關(guān)系[17]邊權(quán)等關(guān)聯(lián)虛擬類邊權(quán)。

（4）Wij代表兩個人物節(jié)點Vi和Vj之間的各類虛擬邊（非位置類邊）的權(quán)重總值，即為兩個人物節(jié)點間各類虛擬非位置邊權(quán)的總和。

（5）位置類邊權(quán)值因作用特殊另行計算。

3.4? 交互類虛擬位置相似度計算

基于位置的社交網(wǎng)絡(luò)服務(wù)是利用GPS、蜂窩網(wǎng)、WLAN等技術(shù)獲得移動終端的地理位置信息，支持用戶隨時隨地自由記錄并分享地理位置等信息。而位置維度的社團發(fā)現(xiàn)，可根據(jù)社交網(wǎng)絡(luò)服務(wù)或其他方法獲取的地理位置信息，借用文本分類的向量空間模型[18]。即以位置向量來描述人物，將每個位置作為向量空間坐標(biāo)系的一維，人物被形式化為多維空間向量中的一個向量。在多維向量空間模型中，使用TF-IDF權(quán)重計算方法計算某一維向量值，而人物節(jié)點的位置相似度用Tanimoto系數(shù)進行計算，主要方法如下。

（1）位置向量包含基站位置和IP地址兩類數(shù)據(jù)，即以基站和IP地址作為核心數(shù)據(jù)。

（2）標(biāo)準化處理的傳統(tǒng)的TF，以nfiL表示人物i在位置L出現(xiàn)的頻數(shù)，以Pi表示人物i的位置集合，以表示人物i在所有位置中頻數(shù)的最大值，公式如下：

（3）修正并規(guī)范后的IDF，以表示人物i的位置集合中所有頻數(shù)的和，fiL表示人物i的位置L在人物i位置集合中的頻率，fjL表示人物j的位置L在人物j位置集合中的頻率，公式如下：

（4）為解決數(shù)據(jù)稀疏及單一性問題，結(jié)合實戰(zhàn)以提升位置頻數(shù)對實際相似度的影響準確率，本文對fiL=1時的頻數(shù)nfiL進行歸一化處理以hiL表示，以WiL表示人物i向量在位置L維度上的向量值，也是人物節(jié)點i與位置節(jié)點L間邊的權(quán)重，公式如下：

（5）使用Tanimoto系數(shù)計算人物節(jié)點i和j的虛擬位置相似度Psim （Vi，Vj），公式如下：

3.5? 交互類現(xiàn)實位置相似度計算

如果關(guān)系云圖中人物節(jié)點之間存在公安工作或其他方式獲取的現(xiàn)實位置數(shù)據(jù)邊Ep，要單獨計算其現(xiàn)實位置相似度?，F(xiàn)實位置相似度[19]是反映兩個人物節(jié)點相似性最重要的指標(biāo)，因為其代表了兩個人物曾在同一時間、同一地點發(fā)生過極為親密的行為。本文在此項計算中使用了指數(shù)函數(shù)，兩個人物如果僅有幾次交集，可能是偶然行為，但隨著近期內(nèi)現(xiàn)實交集行為的數(shù)量增多，就更有可能有著相似的工作生活圈，因此相似度應(yīng)該隨著交互行為數(shù)量的上升而上升，并且上升趨勢是先慢后快。人物i和j的現(xiàn)實位置交集頻數(shù)用Lij表示，將Lij+0.01作為分母視為收縮參數(shù)，對數(shù)據(jù)歸一化處理，利用指數(shù)函數(shù)算法，常數(shù)e約為2.71828，則人物節(jié)點i和j的現(xiàn)實位置相似度Lsim （Vi，Vj），公式如下：

3.6? 鏈接度的定義

在關(guān)系云圖中，綜合衡量拓撲結(jié)構(gòu)和各節(jié)點之間邊權(quán)，本文定義了兩個人物節(jié)點Vi和Vj間的鏈接度Vsim （Vi，Vj），來描述各人物之間的相似度。由于社交網(wǎng)絡(luò)具有小世界特性[20]，大部分節(jié)點可以從其他任一節(jié)點經(jīng)少數(shù)幾步到達。即使兩個節(jié)點沒有直接相連或者沒有共同鄰居節(jié)點，他們之間仍然存在某種聯(lián)系，這種聯(lián)系通過節(jié)點之間最短路徑進行傳遞。因此，對于直接相連的人物，他們的相似度與彼此之間路徑的權(quán)重以及與共同好友的權(quán)重相關(guān);對于不直接相連的人物，他們的相似度為他們之間的最短路徑上所有節(jié)點對的相似度的乘積，路徑越長，相似度越低。當(dāng)存在多條最短路徑時，取乘積較大者作為他們的相似度。根據(jù)六度分隔理論[15，16]，世界上任意兩人之間所間隔的人數(shù)平均不超過六人。因此，當(dāng)兩個人物節(jié)點之間路徑長度大于 6 時，則認為他們的緊密程度近似為零。以Ni和Nj分別代表人物節(jié)點i和節(jié)點j的鄰居節(jié)點集合，以pathij表示人物節(jié)點i和節(jié)點j之間的最短路徑。用戶節(jié)點之間的鏈接度Vsim （Vi，Vj）及用戶節(jié)點Vi與其他節(jié)點Vx（非人物節(jié)點）之間的權(quán)值Vsim （Vi，Vx）算法定義如下：

（1）Vi，Vj相鄰

（2）

（3）

（4）

3.7? 總鏈接度和核心鏈接度的定義

根據(jù)警務(wù)實戰(zhàn)，分別將人物節(jié)點i和j之間的位置等屬性邊權(quán)值與鏈接度賦予權(quán)重α進行計算，得到人物節(jié)點i和j的總鏈接度Tsim （Vi，Vj）。以Vk表示核心節(jié)點集，為獲取以核心節(jié)點為中心的社團，用核心鏈接度Csim （Vi）表示人物節(jié)點i到各不同權(quán)重β的核心節(jié)點的總鏈接度之和，如暫無經(jīng)驗權(quán)重則默認取1，可通過機器學(xué)習(xí)，逐步獲取各經(jīng)驗權(quán)重，具體公式如下：

（1）

（2）

3.8? 算法設(shè)計

輸入：關(guān)系云圖G=（V=Vu∪Vc∪Vp∪Vt，A=Ac∪At∪Asn∪Aid∪Axm∪Asfz，E=Esnj∪Ecj∪Etk∪Ep），核心節(jié)點集Vk，各類案事件權(quán)重調(diào)節(jié)參數(shù)α和各核心節(jié)點的權(quán)重調(diào)節(jié)參數(shù)β。

輸出：按核心鏈接度降序排名各關(guān)系人物列表。

方法：

（1）輸入待分析的核心節(jié)點集Vk及其對應(yīng)的關(guān)系云圖G，并設(shè)定好相關(guān)權(quán)重參數(shù);

（2）迭代計算每一個節(jié)點的相關(guān)屬性的關(guān)聯(lián)度，以增減節(jié)點;

（3）計算G中每一個人物節(jié)點的交互類虛擬位置相似度;

（4）計算G中每一個人物節(jié)點的交互類現(xiàn)實位置相似度;

（5）計算G中每一個人物節(jié)點的鏈接度;

（6）根據(jù)（3）（4）（5）的結(jié)果計算各人物節(jié)點的總鏈接度;

（7）根據(jù)（6）的總鏈接度計算各人物節(jié)點的核心鏈接度;

（8）將各節(jié)點的核心鏈接度降序排列，據(jù)此確定各人物節(jié)點與核心節(jié)點間的相互關(guān)系，劃分重點目標(biāo)與社團。

3.9? 算法實驗

本文對社交網(wǎng)絡(luò)工具數(shù)據(jù)、通訊記錄數(shù)據(jù)以及其他方法獲取的虛實數(shù)據(jù)信息進行了模擬，建立實驗數(shù)據(jù)集來測試算法的準確性和可操作性。實驗在Windows Server 2008 R2的環(huán)境下使用Python語言運行。

（1）實驗構(gòu)建了四次某犯罪團伙三個已知目標(biāo)的社交網(wǎng)絡(luò)虛實數(shù)據(jù)倉庫。

（2）利用層次分析法確定了社交網(wǎng)絡(luò)工具微信邊權(quán)Wsnwx=0.34，社交網(wǎng)絡(luò)工具微博邊權(quán)Wsnwb=0.16，手機通訊記錄邊權(quán)Wt1=0.34等。

（3）將數(shù)據(jù)倉庫內(nèi)的數(shù)據(jù)輸入算法形成關(guān)系云圖，并將權(quán)重調(diào)節(jié)參數(shù)α1、α2、α3、β均賦值為1。

（4）利用本文中多維混合圖和核心節(jié)點的社團發(fā)現(xiàn)算法對四次實驗數(shù)據(jù)進行了分析挖掘，與人工分析出的犯罪組織重點人員為參照，均成功的按核心鏈接度的高低挖掘出犯罪團伙中的重點人員，準確程度在88%以上。

4? 總結(jié)與展望

本文算法的實現(xiàn)包括模型構(gòu)建和算法設(shè)計。在闡述各個模塊構(gòu)建過程中，詳細介紹了關(guān)系云圖的構(gòu)建和各類權(quán)重計算及設(shè)置方法，在云圖的構(gòu)建中為了充分反映人物多種社交網(wǎng)絡(luò)工具的關(guān)系特征，精準預(yù)測其關(guān)聯(lián)性，綜合考慮了多種類虛實邊關(guān)系。在權(quán)重設(shè)置中，根據(jù)云圖中頂點的關(guān)聯(lián)度和交互度，借用好友推薦的共同鄰居模型、文本分類的向量空間模型等賦予人物社會化行為相應(yīng)的權(quán)重。最后利用核心鏈接度準確計算關(guān)系云圖中各人物節(jié)點的與初始核心節(jié)點間的關(guān)聯(lián)相似度，得出最終人物推薦列表以鎖定團伙目標(biāo)。

此模型研究是將多種傳統(tǒng)警務(wù)技戰(zhàn)法及大數(shù)據(jù)社會網(wǎng)絡(luò)分析研究領(lǐng)域進行深度融合的一種嘗試，需要緊緊依托于公安大數(shù)據(jù)的發(fā)展，存在不足之處。首先，混合圖中的節(jié)點包括人物、位置、圈子等多種類型，算法的空間消耗很高。其次，本文提出的基于混合圖的各綜合算法仍賦予了鏈接度大的人物過大的挖掘推薦強度，對于某些鏈接度小但更為重點的特殊人物節(jié)點挖掘多樣性不高。在今后的研究中，應(yīng)當(dāng)從數(shù)據(jù)挖掘角度進一步在發(fā)現(xiàn)社團、研究社團內(nèi)部交互模式以及預(yù)測社團的模型上進行深入廣泛的分析和探討，逐步探索擴展六度空間理論的多層次關(guān)系，積累各類案事件不同的權(quán)值，特別要提高一些鏈接度小的特殊關(guān)鍵目標(biāo)人物推薦強度，提高算法的準確性。

5? 結(jié)束語

針對目前社會網(wǎng)絡(luò)環(huán)境及各類個性化通訊服務(wù)現(xiàn)狀，結(jié)合警務(wù)工作實際，本文提出基于社交網(wǎng)絡(luò)及通訊痕跡中人物關(guān)聯(lián)關(guān)系視角下的分析模式，參考OSNs中主流的推薦算法，設(shè)計了一種基于復(fù)雜混合圖的社團挖掘算法模型，將各種社交網(wǎng)絡(luò)及通訊痕跡中的人物關(guān)系網(wǎng)絡(luò)和位置等社會化交互行為融入模型，更有效地解決了公安工作中快速挖掘重點目標(biāo)和社團問題。

參考文獻

[1] 高建強，譚劍，崔永發(fā).一種基于通訊痕跡的社會網(wǎng)絡(luò)團伙分析模型[J].計算機應(yīng)用與軟件，2012，29（3）：206-208.

[2] 劉小玲，譚宗穎.復(fù)雜網(wǎng)絡(luò)社團結(jié)構(gòu)劃分算法的情報學(xué)應(yīng)用研究[J].圖書館學(xué)研究，2011，（8）：20-25.

[3] 楊莉莉，楊永川.基于社會網(wǎng)絡(luò)的犯罪組織關(guān)系挖掘[J].計算機工程，2009，35（15）：91-93.

[4] Das A， Datar M， Garg A， et al. Google News Personalization： Scalable Online Collaborative Filtering[C].In： Proceedings of the 16th International World Wide Web Conference. New York： ACMPress， 2007， 272-280.

[5] Linden G， Smith B， York J. Amazon.com Recommendation： Item-to-Item Collaborative Filtering[J]. IEEE Internet Computing， 2003， 7（1）：76-80.

[6] 樊夢佳，鈕艷，杜翠蘭，等.一種基于聚集系數(shù)的社區(qū)發(fā)現(xiàn)算法[J].計算機工程與科學(xué)，2016，38（2）：363-369.

[7] 過云燕，王宏志，張瑋奇.社交網(wǎng)絡(luò)中基于分類屬性的好友推薦[J].計算機工程與應(yīng)用，2015，51（12）：99-106.

[8] 施少懷.一種基于用戶傾向的微博好友推薦算法[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2013.

[9] Liben-Nowell D， Kleinberg J. The Link-Prediction Problem for Social Networks [M]. John Wiley & Sons， Inc. 2007， 58， 1019-1031.

[10] 俞琰，邱廣華，陳愛萍.基于混合圖的在線社交網(wǎng)絡(luò)朋友推薦算法[J].現(xiàn)代圖書情報技術(shù)，2011，（11）：54-59.

[11] Tong Hanghang， Faloutsos Christos， Pan Jiayu. Fast Random Walk with Restart and Its Applications[C]. In： Proceedings of the 6th International Conference on Data Mining （ICDM06）. 2006， Washington， DC. USA： IEEE Computer Society， 2006： 613-622.

[12] 呂潤桃，趙金考，李鈺，等.異質(zhì)社交網(wǎng)絡(luò)中多通道特征融合的好友推薦模型[J].激光雜志，2014，35（12）：107-111.

[13] 張瑜，蔡國永.基于局部思想的在線社區(qū)劃分算法[J].微型機與應(yīng)用，2013，32（13）：76-79.

[14] 解，汪小帆.復(fù)雜網(wǎng)絡(luò)的一種快速局部社團劃分算法[J].計算機仿真，2007，24（11）：82-85.

[15] 朱亞麗.“六度分離”假說的信息學(xué)意義[J].圖書情報工作，2005，49（6）：59-61.

[16] 劉宏杰，陸浩，張楠，等.基于微博的六度空間理論研究[J].計算機應(yīng)用研究，2012，29（8）：2826-2829.

[17] 王玙，高琳.基于社交圈的在線社交網(wǎng)絡(luò)朋友推薦算法[J].計算機學(xué)報，2014，37（4）：801-808.

[18] 賀超波，湯庸，陳國華，等.面向大規(guī)模社交網(wǎng)絡(luò)的潛在好友推薦方法[J].合肥工業(yè)大學(xué)學(xué)報，2013，36（4）：420-424.

[19] 符饒.基于位置服務(wù)的潛在好友推薦方法[J].軟件，2015，36（1）：62-66.

[20] 許為，林柏鋼，林思娟，等.一種基于用戶交互行為和相似度的社交網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法研究[J].信息網(wǎng)絡(luò)安全，2015，（7）：77-83.