基于模糊分区聚类的社交网络用户情景模式预测

张创基

摘 要：为了提高社交网络用户行为分析和情景模式预测能力，优化社交网络建设，结合数据挖掘和行为分析方法进行社交网络的用户特征分析和用户情景模式的优化挖掘，发现社交网络用户行为特征。提出一种基于模糊分区聚类的社交网络用户情景模式预测方法，构建社交网络用户情景模式分布的关联拓扑结构模型，采用Parallel Sets变元轴排序方法进行社交网络用户情景模式存储结构分区调度，结合分段特征提取方法进行社交网络用户情景模式的关联数据挖掘，采用自适应寻优方法求取社交网络用户的情景模式的分布信息，利用模糊分区聚类方法发现用户情景模式数据集中的隐含模式，根据数据模糊分区聚类和挖掘结果，实现社交网络用户情景模式的自适应预测。仿真结果表明，采用该方法进行社交网络用户情景模式预测的准确性较高，提高了对社交网络用户情景模式特征配准的精度，算法处理的实时性较好。

关键词： 数据聚类;社交网络;用户情景模式;特征提取

文章编号： 2095-2163（2019）03-0176-04 中图分类号： TP393 文献标志码： A

0 引 言

随着Web2.0快速的发展，社交网络得到快速发展，社交网络逐渐变成人们情感交流、关系维护和信息沟通的主要平台和方式。社交网络为用户建立在线社交关系，通过互动交流实现对具有共同特征爱好的用户聚类处理，在不同的情景模式下构建社交网络模块，提高信息资源的自适应分配和调度能力。在社交网络平台中，需要对用户的情景模式进行自动预测，结合大数据分析方法，进行用户的行为特征分析和用户的关系分析，根据用户的社交搜索和偏好，实现情景模式预测和调度，提高社交网络的服务功能，结合数据挖掘和行为分析方法進行社交网络的用户特征分析和情景模式预测，发现社交网络用户的规律性[1]。研究社交网络用户情景模式预测方法在社交网络的构建和行为特征分析中具有重要意义。

当前，常见的聚类方法有K-means算法、模糊C均值算法和层次分割聚类挖掘方法[2-3]。模糊C均值聚类方法在进行社交网络用户情景模式数据挖掘的聚类处理中容易陷入局部最优解，而层次分割聚类方法进行大数据关联挖掘受到分割阈值的影响[4]，导致对初始的聚类中心具有较大的敏感性，针对上述问题，本文提出一种基于模糊分区聚类的社交网络用户情景模式预测方法，构建社交网络用户情景模式分布的关联拓扑结构模型，采用分段特征提取方法进行社交网络用户情景模式的关联特征提取，采用模糊C均值聚类方法进行数据挖掘，实现社交网络用户情景模式预测。最后通过仿真实验进行性能测试，展示本文方法在提高用户情景模式预测准确性方面的优越性能。

1.1 社交网络用户情景模式拓扑结构模型

社交网络信息资源传输系统设计中，用矩阵C表示社交网络的用户拓扑结构，其中，C是N×N的二维矩阵。N为在网络中的节点个数。对于用户节点i，假设N1i为第一个相邻节点，得到社交网络用户情景模式分布的多元邻节点为：

将数据用户节点α（i， j）输入数据到链路层中，得到关键路径节点采集的社交网络用户情景模式时间序列为xn，期望响应为dn，由此构建社交网络的用户情景模式分布轨迹拓扑结构图如图1所示。

1.2 用户情景模式跟踪的特征提取

在构建社交网络用户情景模式分布的关联拓扑结构模型的基础上，进行用户情景模式的特征提取，采用分段特征提取方法进行社交网络用户情景模式的关联特征提取[6]，用户情景模式传输树中任意一个非根节点的情景模式社交网络用户情景模式预测的步进值为：

社交网络用户情景模式预测的QoS控制加权自适应学习系数表示为：

其中，CW0min为社交网络用户情景模式拓扑结构传输树中最底层根节点的预测初始化值;而CWlimin为第li步的社交网络用户情景模式拓扑控制值，在情景模式预测过程中，每一步之间加权控制构成是相同的，假设混合云环境下社交网络用户情景模式簇头节点上的信息导码表达为：

设U是一个用精确数值表示的定量论域，C是U上的定性概念，采用无向图模型结构表示原始感知的社交网络用户情景模式，对社交网络用户情景模式进行自适应调度中，融合模型由一个参数未知多重假设检验问题构成[7]，采用Parallel Sets变元轴排序方法进行社交网络用户情景模式存储结构分区调度，调度模型为：

其中，K表示加权调节系数，根据社交网络中用户层和层之间的平均子节点数目，进行特征提取和分布式的网络组网设计[8]，此时社交网络用户情景模式多源节点中形成新的映射，可得：

根据社交网络用户情景模式的分区信息熵的信息流特征，进行特征分解，定义特征值的受限条件关联规则挖掘量为：

其中，该过程的k阶累积量ckx（τ1，τ2，…，τk-1），提取任务信息流的特征尺度，在社交网络用户情景模式分区自适应调度的受限条件下，提取关联规则特征量，为社交网络的用户情景模式跟踪提供数据输入基础。

2 预测算法优化

2.1 社交网络用户情景模式的关联数据挖掘

在构建社交网络用户情景模式分布的关联拓扑结构模型和特征提取的基础上，进行用户情景模式预测算法的改进设计，本文提出一种基于模糊分区聚类的社交网络用户情景模式预测方法，采用分段特征提取方法进行社交网络用户情景模式的关联数据挖掘，根据用户情景模式特征取小取大后的比值描述社交网络用户情景模式的相似程度，得到社交网络用户情景模式的互信息特征的熵函数可以表示为：

采用自适应寻优对Hi（x）求取社交网络用户的情景模式的分布信息最大值max（Hi（x）），由此得到社交网络用户情景模式的熵融合特征提取最优化的约束条件为：

2.2 模糊聚类及用户情景模式预测实现

结合模糊分区聚类方法发现数据集中的隐含模式，得到用户情景模式挖掘的异步递进加权系数为：

因此，得社交用户情景模式预测的模糊分区聚类中心调整系数为：

综上分析，利用模糊分区聚类方法发现用户情景模式数据集中的隐含模式，根据数据模糊分区聚类和挖掘结果，实现社交网络用户情景模式的自适应预测。

3 仿真实验与结果分析

为了测试本文方法在实现社交网络用户情景模式预测中的性能，进行仿真实验 实验的软件环境为Matlab 7，社交网络的用户节点数为100，分区的大小为1 000M， 用户的分布层数为12，嵌入维数为3，关联系数0.23，对用户轨迹位置采样的离散采样率为fs=10*f0 Hz=10 KHz，训练样本规模为12 000，根据上述仿真环境和参数设定，进行社交网络的用户情景模式分布的关联数据挖掘，得到挖掘结果如图2所示。

根据图2的数据挖掘结果进行用户情景模式预测，得到预测输出如图3所示。

分析图3得知，采用本文方法进行社交网络的用户情景模式预测具有很好的抗干扰能力，特征聚类性较好。采用不同方法进行预测精度对比，得到对比结果如图4所示，分析图4得知，采用本文方法进行社交网络的用户情景模式预测的精度较高。

4 结束语

对用户的情景模式进行自动预测，结合大数据分析方法，进行用户的行为特征分析和用户的关系分析，提高社交网络的服务功能，本文提出一种基于模糊分区聚类的社交网络用户情景模式预测方法，构建社交网络用户情景模式分布的关联拓扑结构模型，采用分段特征提取方法进行社交网络用户情景模式的关联特征提取，采用Parallel Sets变元轴排序方法进行社交网络用户情景模式存储结构分区调度，结合模糊分区聚类方法发现数据集中的隐含模式，采用模糊C均值聚类方法进行数据挖掘，实现社交网络用户情景模式预测。研究得知，采用本文方法进行社交网络用户情景模式预测的准确性较高，数据挖掘精度较高，在社交网络用户情景模式挖掘和行为分析中具有很好的实践价值。

参考文献

[1]曹玖新，董丹，徐顺，等. 一种基于k-核的社会网络影响最大化算法[J]. 计算机学报，2015，38（2）：238-248.

[2]曹玖新， 陈高君， 吴江林， 等. 基于多维特征分析的社交网络意见领袖挖掘[J]. 电子学报， 2016， 44（4）： 898-905.

[3]刘亚州， 王静， 潘晓中， 等. 社交网络中考虑节点度的演化博弈[J]. 计算机应用， 2018， 38（4）： 1029-1035.

[4]朱冠桦， 蒋国平， 夏玲玲. 社交网络上从众现象对谣言传播影响的研究[J]. 计算机科学， 2016， 43（2）：135-139，143.

[5]张付志，刘赛，李忠华，等. 融合用户评论和环境信息的协同过滤推荐算法[J]. 小型微型计算机系统，2014， 35（2）：228-232.

[6]郭磊，马军，陈竹敏，等. 一种结合推荐对象间关联关系的社会化推荐算法[J]. 计算机学报， 2014， 37（1）：219-228.

[7]孟祥武，刘树栋，张玉洁，等. 社会化推荐系统研究[J]. 软件学报， 2015，26（6）：1356-1372.

[8]吳铮， 于洪涛， 刘树新， 等.  基于信息熵的跨社交网络用户身份识别方法[J]. 计算机应用， 2017， 37（8）： 2374-2380.