本發(fā)明涉及一種人際關(guān)系畫像方法，屬于社會(huì)計(jì)算領(lǐng)域的一個(gè)重點(diǎn)研究問題。該方法利用人際間的會(huì)話信息對人際關(guān)系進(jìn)行自動(dòng)化畫像。

背景技術(shù)：

識別和了解人們之間的人際關(guān)系是社會(huì)計(jì)算中一個(gè)非常必要的問題，它是許多相關(guān)研究如社區(qū)發(fā)現(xiàn)、影響力分析、鏈接預(yù)測、個(gè)性化推薦等的基礎(chǔ)。要對一個(gè)關(guān)系進(jìn)行畫像，可以有兩個(gè)基本層次，分別是關(guān)系的特性和關(guān)系的內(nèi)涵。其中，關(guān)系的特性指的是關(guān)系較為簡單和易于量化的基本屬性；而關(guān)系的內(nèi)涵則指的是兩個(gè)人之間的關(guān)系的內(nèi)容。

在當(dāng)前研究中，關(guān)系的內(nèi)涵建模主要表現(xiàn)為關(guān)系的類型識別。多數(shù)情況，這些類型是已知的，例如敵友、師生、論文合作等。在更一般的情況，多數(shù)研究將關(guān)系類型抽象為簡單的正負(fù)二元化類別。在這種思路下，關(guān)系的內(nèi)涵分析，轉(zhuǎn)化為關(guān)系的類型識別，進(jìn)而轉(zhuǎn)化為經(jīng)典的分類問題。

但是，這種基于已知類型和分類方法的關(guān)系內(nèi)涵分析不能夠充分滿足關(guān)系內(nèi)涵分析的需要。一方面，已知的關(guān)系類型是十分有限的，人們之間的關(guān)系內(nèi)涵往往十分復(fù)雜，在實(shí)際經(jīng)驗(yàn)中，往往很難用一個(gè)簡單的類型名稱來準(zhǔn)確刻畫兩個(gè)人之間的關(guān)系，而需要用一系列具體的描述來更為準(zhǔn)確的刻畫一個(gè)關(guān)系的內(nèi)涵。另一方面，即使是已知的關(guān)系類型，往往也可以具有不同的內(nèi)涵。例如同樣是朋友關(guān)系，即可能是工作伙伴，也可能是具有相同的興趣愛好。

由此可見，需要一種信息量更加豐富的方法，來實(shí)現(xiàn)關(guān)系的內(nèi)涵的語義化的刻畫。要實(shí)現(xiàn)這一點(diǎn)，人際之間的會(huì)話信息是一個(gè)非常好的資源。

在社會(huì)語言學(xué)中，語言代碼不僅具有單純語言學(xué)上的符號意義，而且蘊(yùn)含著復(fù)雜的社會(huì)因素和深刻的文化意義，語言的符號體系既實(shí)現(xiàn)又控制著社會(huì)關(guān)系的結(jié)構(gòu)。社會(huì)語言學(xué)認(rèn)為社會(huì)結(jié)構(gòu)與語言結(jié)構(gòu)互相影響。薩丕爾-沃爾夫假設(shè)認(rèn)為語言結(jié)構(gòu)決定著人們對世界的看法，即語言影響思維，進(jìn)而思維決定行為與社會(huì)關(guān)系。

技術(shù)實(shí)現(xiàn)要素：

在本發(fā)明中，將嘗試通過提取會(huì)話信息中的頻繁項(xiàng)集，進(jìn)而挖掘頻繁項(xiàng)集中的主題來反映關(guān)系內(nèi)涵，來建立一種基于會(huì)話信息的人際關(guān)系自動(dòng)化畫像方法。

為了解決上述技術(shù)問題，本發(fā)明提出的一種基于人際間會(huì)話信息的人際關(guān)系自動(dòng)化畫像方法，包括以下步驟：

步驟一、定義會(huì)話雙方之間的會(huì)話信息集合：

P＝{P₁,P₂,...,P_n}，P是指會(huì)話雙方之間的會(huì)話信息集合；其中，P_i是指會(huì)話信息集合中的某一條會(huì)話信息；當(dāng)W_i.sup>＝min_sup時(shí)，將會(huì)話信息集合P中的一個(gè)單詞集合W_i稱為一個(gè)頻繁項(xiàng)；其中，W_i.sup表示會(huì)話信息集合P中一個(gè)單詞集合W_i的支持度，支持度為n表示在會(huì)話信息集合P中有n條信息包含單詞集合W_i；min_sup用來表示會(huì)話信息集合P中一個(gè)頻繁項(xiàng)的最小支持度；

步驟二、頻繁項(xiàng)集的挖掘：

采用FP-Growth算法在會(huì)話信息集合P中挖掘出一個(gè)頻繁項(xiàng)集。設(shè)會(huì)話信息集合P的大小為size，單位是kb，且會(huì)話集中共包含m條會(huì)話信息，則最小支持度的取值按照如下公式計(jì)算可得：

其中公式中的p可根據(jù)具體操作數(shù)據(jù)取0.2-0.5之間的值。除此之外，本發(fā)明還限制所述頻繁項(xiàng)集中頻繁項(xiàng)的長度為2到10。因?yàn)殚L度為1或者太長的頻繁項(xiàng)難以說明頻繁項(xiàng)的含義。

步驟三、提取會(huì)話信息中的主題，有下述兩種方法之一：

方法一是將步驟二挖掘出的頻繁項(xiàng)集中的頻繁項(xiàng)按照頻繁項(xiàng)的支持度進(jìn)行降序排列，然后提取前3-5個(gè)頻繁項(xiàng)作為主題，這些主題組合后即為會(huì)話信息中的主題；

方法二包括以下兩步驟：

步驟2-1、頻繁項(xiàng)集聚類：

首先，進(jìn)行相似頻繁項(xiàng)的過濾，過濾掉所述頻繁項(xiàng)集中的所有子集和頻繁項(xiàng)集中相似度很高的交叉項(xiàng)得到重要頻繁項(xiàng)集；其中，交叉項(xiàng)指的是頻繁項(xiàng)集中有相同單詞的頻繁項(xiàng)；F＝{F₁,F₂,...,F_m}為過濾前的頻繁項(xiàng)集，將重要頻繁項(xiàng)集初始化為Key_F＝Φ，重要頻繁項(xiàng)集記為Key_F；對于進(jìn)行下述處理過程：

對于如果F_i是F_j的一個(gè)子集，將F_i從F移除；如果F_i是F_j的交叉項(xiàng)，F(xiàn)_i與F_j之間的Jacard相似度J(F_i,F_j)用以下公式計(jì)算：

J(F_i,F_j)＝|F_i∩F_j|/|F_i∪F_j|

當(dāng)F_i與F_j之間的相似度大于0.5時(shí)，將F_i從F中移除；如果對于J(F_i,F_j)均小于等于0.5時(shí)，則將F_i添加至Key_F；

重復(fù)上述處理過程直至F＝Key_F；此時(shí)Key_F中的項(xiàng)集即為過濾后的重要頻繁項(xiàng)集；

然后，計(jì)算過濾后的重要頻繁項(xiàng)集Key_F中包含的全部單詞在會(huì)話雙方會(huì)話信息集合P中的逆向文本頻率即idf值；利用所述idf值計(jì)算重要頻繁項(xiàng)集Key_F中任意兩個(gè)頻繁項(xiàng)之間的相似度，兩個(gè)頻繁項(xiàng)之間的相似度等于兩個(gè)頻繁項(xiàng)的相關(guān)文本集之間的相似度；其中，相關(guān)文本集用以下方法求得：

通過計(jì)算過濾前的頻繁項(xiàng)集中的F_i與會(huì)話信息集合P中的某一條會(huì)話信息P_i之間的相似度，如果F_i與P_i之間的相似度大于c，c的取值范圍為0.05-0.2；則將P_i添加至F_i的相關(guān)文本集當(dāng)中，最終，F(xiàn)_i的相關(guān)文本集用R_i進(jìn)行表示，F(xiàn)_i與P_i之間的相似度由如下公式求得：

其中，tf_ij指的是F_i中的第j個(gè)單詞在P_i中出現(xiàn)的頻率，idf_ij指的F_i中的第j個(gè)單詞的逆向文本頻率，得到每個(gè)頻繁項(xiàng)的相關(guān)文本集之后，利用相關(guān)文本集計(jì)算頻繁項(xiàng)之間的相似度，計(jì)算公式如下：

得到任意兩個(gè)頻繁項(xiàng)之間的相似度之后，進(jìn)行聚類個(gè)數(shù)的估計(jì)。

設(shè)定有一頻繁項(xiàng)集簇，并將該頻繁項(xiàng)集簇初始化為C＝{C₁}，C₁＝{F₁}，F(xiàn)₁是從Key_F中隨機(jī)選擇的一個(gè)頻繁項(xiàng)；

對于比較F_i和C中當(dāng)前所有的簇之間的相似度，頻繁項(xiàng)F_i和簇C_k之間的相似度計(jì)算如下：

如果C_sim是與F_i相似度最高的那個(gè)簇而且sim(F_i,C_sim)>b，b＝0.2，則將F_i添加至C_sim；如果sim(F_i,C_sim)<＝b，則創(chuàng)建一個(gè)新的簇并把F_i添加至新簇；

然后，把C中的簇按照簇的大小進(jìn)行降序排列，即C_sort＝{C₍₁₎,C₍₂₎,...,C_(n)}；依次累加C_(i)中的頻繁項(xiàng)個(gè)數(shù)直至累加和超過Key_F中總的頻繁項(xiàng)個(gè)數(shù)的80％；如果k是最后一個(gè)在C_sort中累加的下標(biāo)，則k就是最終的預(yù)估聚類個(gè)數(shù)；得到預(yù)估的聚類個(gè)數(shù)，使用K-means算法對Key_F中的所有頻繁項(xiàng)進(jìn)行聚類；

步驟2-2、提取聚類后的主題：

通過抽取聚類之后的每個(gè)類中的主題詞，將這些主題詞組合作為該類的主題，抽取主題詞時(shí)，考慮的因素包括詞的tf值、簇內(nèi)支持度和簇間區(qū)分度；

對于每個(gè)類中的所有單詞，按照如下公式計(jì)算每一個(gè)詞的重要程度：

在此公式中，第一項(xiàng)、第二項(xiàng)、第三項(xiàng)分別表示詞的tf值、簇內(nèi)支持度和簇間區(qū)分度。其中，W_ki指的是第k個(gè)類中的第i個(gè)單詞，tf_ki指的是第k個(gè)類中的第i個(gè)單詞的的tf值；|F_ki|指的是在第k個(gè)類中包含單詞w_ki的頻繁項(xiàng)個(gè)數(shù)；|F_k|指的是第k個(gè)類中總的頻繁項(xiàng)個(gè)數(shù)；|F_i|指的是在Key_F中包含單詞W_ki的頻繁項(xiàng)個(gè)數(shù)；|F|指的是Key_F中總的頻繁項(xiàng)個(gè)數(shù)；|C_i|指的是包含單詞W_ki的類的個(gè)數(shù)；|C|指的是類的總數(shù)；

得到每個(gè)單詞的重要程度之后，把每個(gè)類中的單詞按照其重要程度進(jìn)行降序排列，然后選擇前3～6個(gè)的單詞作為主題詞，這些主題詞的組合即為該類中的主題；

步驟四、確定會(huì)話雙方的關(guān)系內(nèi)涵：

在本發(fā)明中，關(guān)系內(nèi)涵即定義為主題，通過對主題即關(guān)系內(nèi)涵的理解可以幫助理解會(huì)話雙方的關(guān)系。

附圖說明

圖1是本發(fā)明方法流程圖。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施例對本發(fā)明技術(shù)方案作進(jìn)一步詳細(xì)描述，所描述的具體實(shí)施例僅對本發(fā)明進(jìn)行解釋說明，并不用以限制本發(fā)明。

本發(fā)明一種基于人際間會(huì)話信息的人際關(guān)系自動(dòng)化畫像方法，主要是通過提取會(huì)話雙方會(huì)話信息中的頻繁項(xiàng)集，進(jìn)而挖掘頻繁項(xiàng)集中的主題來反映關(guān)系內(nèi)涵，具體步驟如下：

步驟一、定義會(huì)話雙方之間的會(huì)話信息集合：

P＝{P₁,P₂,...,P_n}，P是指會(huì)話雙方之間的會(huì)話信息集合；其中，P_i是指會(huì)話信息集合中的某一條會(huì)話信息；當(dāng)W_i.sup>＝min_sup時(shí)，將會(huì)話信息集合P中的一個(gè)單詞集合W_i稱為一個(gè)頻繁項(xiàng)；其中，W_i.sup表示會(huì)話信息集合P中一個(gè)單詞集合W_i的支持度，支持度為n表示在會(huì)話信息集合P中有n條信息包含單詞集合W_i；min_sup用來表示會(huì)話信息集合P中一個(gè)頻繁項(xiàng)的最小支持度；

步驟二、頻繁項(xiàng)集的挖掘：

采用FP-Growth算法在會(huì)話信息集合P中挖掘出一個(gè)頻繁項(xiàng)集。設(shè)會(huì)話信息集合P的大小為size，單位是kb，且會(huì)話集中共包含m條會(huì)話信息,則最小支持度的取值按照如下公式計(jì)算可得：

其中公式中的p可根據(jù)具體操作數(shù)據(jù)取0.2-0.5之間的值。除此之外，本發(fā)明還限制所述頻繁項(xiàng)集中頻繁項(xiàng)的長度為2到10。因?yàn)殚L度為1或者太長的頻繁項(xiàng)難以說明頻繁項(xiàng)的含義。

步驟三、提取會(huì)話信息中的主題，有下述兩種方法之一：

方法一是將步驟二挖掘出的頻繁項(xiàng)集中的頻繁項(xiàng)按照頻繁項(xiàng)的支持度進(jìn)行降序排列，然后提取前3-5個(gè)頻繁項(xiàng)作為主題，這些主題組合后即為會(huì)話信息中的主題；

方法二包括以下兩步驟：

步驟2-1、頻繁項(xiàng)集聚類：

首先，進(jìn)行相似頻繁項(xiàng)的過濾，過濾掉所述頻繁項(xiàng)集中的所有子集和頻繁項(xiàng)集中相似度很高的交叉項(xiàng)得到重要頻繁項(xiàng)集；其中，交叉項(xiàng)指的是頻繁項(xiàng)集中有相同單詞的頻繁項(xiàng)；F＝{F₁,F₂,...,F_m}為過濾前的頻繁項(xiàng)集，將重要頻繁項(xiàng)集初始化為Key_F＝Φ，重要頻繁項(xiàng)集記為Key_F；對于進(jìn)行下述處理過程：

對于如果F_i是F_j的一個(gè)子集，將F_i從F移除；如果F_i是F_j的交叉項(xiàng)，F(xiàn)_i與F_j之間的Jacard相似度J(F_i,F_j)用以下公式計(jì)算：

J(F_i,F_j)＝|F_i∩F_j|/|F_i∪F_j|

當(dāng)F_i與F_j之間的相似度大于0.5時(shí)，將F_i從F中移除；如果對于J(F_i,F_j)均小于等于0.5時(shí)，則將F_i添加至Key_F；

重復(fù)上述處理過程直至F＝Key_F；此時(shí)Key_F中的項(xiàng)集即為過濾后的重要頻繁項(xiàng)集；

然后，計(jì)算過濾后的重要頻繁項(xiàng)集Key_F中包含的全部單詞在會(huì)話雙方會(huì)話信息集合P中的逆向文本頻率即idf值；利用所述idf值計(jì)算重要頻繁項(xiàng)集Key_F中任意兩個(gè)頻繁項(xiàng)之間的相似度，兩個(gè)頻繁項(xiàng)之間的相似度等于兩個(gè)頻繁項(xiàng)的相關(guān)文本集之間的相似度；其中，相關(guān)文本集用以下方法求得：

通過計(jì)算過濾前的頻繁項(xiàng)集中的F_i與會(huì)話信息集合P中的某一條會(huì)話信息P_i之間的相似度，如果F_i與P_i之間的相似度大于c，c的取值范圍為0.05-0.2；則將P_i添加至F_i的相關(guān)文本集當(dāng)中，最終，F(xiàn)_i的相關(guān)文本集用R_i進(jìn)行表示，F(xiàn)_i與P_i之間的相似度由如下公式求得：

其中，tf_ij指的是F_i中的第j個(gè)單詞在P_i中出現(xiàn)的頻率，idf_ij指的F_i中的第j個(gè)單詞的逆向文本頻率，得到每個(gè)頻繁項(xiàng)的相關(guān)文本集之后，利用相關(guān)文本集計(jì)算頻繁項(xiàng)之間的相似度，計(jì)算公式如下：

得到任意兩個(gè)頻繁項(xiàng)之間的相似度之后，進(jìn)行聚類個(gè)數(shù)的估計(jì)。

設(shè)定有一頻繁項(xiàng)集簇，并將該頻繁項(xiàng)集簇初始化為C＝{C₁}，C₁＝{F₁}，F(xiàn)₁是從Key_F中隨機(jī)選擇的一個(gè)頻繁項(xiàng)；

對于比較F_i和C中當(dāng)前所有的簇之間的相似度，頻繁項(xiàng)F_i和簇C_k之間的相似度計(jì)算如下：

如果C_sim是與F_i相似度最高的那個(gè)簇而且sim(F_i,C_sim)>b，b＝0.2，則將F_i添加至C_sim；如果sim(F_i,C_sim)<＝b，則創(chuàng)建一個(gè)新的簇并把F_i添加至新簇；

然后，把C中的簇按照簇的大小進(jìn)行降序排列，即C_sort＝{C₍₁₎,C₍₂₎,...,C_(n)}；依次累加C_(i)中的頻繁項(xiàng)個(gè)數(shù)直至累加和超過Key_F中總的頻繁項(xiàng)個(gè)數(shù)的80％；如果k是最后一個(gè)在C_sort中累加的下標(biāo)，則k就是最終的預(yù)估聚類個(gè)數(shù)；得到預(yù)估的聚類個(gè)數(shù)，使用K-means算法對Key_F中的所有頻繁項(xiàng)進(jìn)行聚類；

步驟2-2、提取聚類后的主題：

通過抽取聚類之后的每個(gè)類中的主題詞，將這些主題詞組合作為該類的主題，抽取主題詞時(shí)，考慮的因素包括詞的tf值、簇內(nèi)支持度和簇間區(qū)分度；

對于每個(gè)類中的所有單詞，按照如下公式計(jì)算每一個(gè)詞的重要程度：

在此公式中，第一項(xiàng)、第二項(xiàng)、第三項(xiàng)分別表示詞的tf值、簇內(nèi)支持度和簇間區(qū)分度。其中，W_ki指的是第k個(gè)類中的第i個(gè)單詞，tf_ki指的是第k個(gè)類中的第i個(gè)單詞的的tf值；|F_ki|指的是在第k個(gè)類中包含單詞w_ki的頻繁項(xiàng)個(gè)數(shù)；|F_k|指的是第k個(gè)類中總的頻繁項(xiàng)個(gè)數(shù)；|F_i|指的是在Key_F中包含單詞W_ki的頻繁項(xiàng)個(gè)數(shù)；|F|指的是Key_F中總的頻繁項(xiàng)個(gè)數(shù)；|C_i|指的是包含單詞W_ki的類的個(gè)數(shù)；|C|指的是類的總數(shù)；

得到每個(gè)單詞的重要程度之后，把每個(gè)類中的單詞按照其重要程度進(jìn)行降序排列，然后選擇前3～6個(gè)的單詞作為主題詞，這些主題詞的組合即為該類中的主題；

步驟四、確定會(huì)話雙方的關(guān)系內(nèi)涵：

在本發(fā)明中，關(guān)系內(nèi)涵即定義為主題，通過對主題即關(guān)系內(nèi)涵的理解可以幫助理解會(huì)話雙方的關(guān)系。

本發(fā)明實(shí)驗(yàn)材料1：安然郵件數(shù)據(jù)集實(shí)驗(yàn)

首先采集了安然公司的郵件數(shù)據(jù)，共得到1078對用戶之間的郵件集合。該數(shù)據(jù)集的特點(diǎn)是：規(guī)范度較強(qiáng)、會(huì)話信息較長。

利用主題反映關(guān)系內(nèi)涵，利用本發(fā)明方法在用戶對的郵件集合中抽取主題，一些主題示例如下表1所示：

表1、利用安然數(shù)據(jù)集的交互郵件內(nèi)容主題進(jìn)行人際關(guān)系畫像

由于沒有關(guān)系內(nèi)涵的明確標(biāo)準(zhǔn)答案，因此，通過人工閱讀用戶對之間完整的郵件序列來理解他們的關(guān)系，進(jìn)而考察自動(dòng)抽取的主題是否與人的理解相符。比如，根據(jù)閱讀和理解第一對用戶對的郵件信息，推測他們是關(guān)于IT和網(wǎng)絡(luò)的工作關(guān)系，其中一個(gè)人是首席技術(shù)官。由實(shí)驗(yàn)結(jié)果可知，提取的主題基本上可以反應(yīng)這一關(guān)系內(nèi)涵。根據(jù)表格中的例子顯示，這個(gè)數(shù)據(jù)集上的人物關(guān)系大都是有一些特定區(qū)別的工作關(guān)系，本發(fā)明方法可以得到更多關(guān)于用戶關(guān)系內(nèi)涵的細(xì)節(jié)。然而，有一些主題詞是無意義的，比如‘cc’、‘Enron’。許多關(guān)系內(nèi)涵隱藏在互動(dòng)語言的深層語義中，不容易從主題詞中刻畫。為了描述更為豐富的社會(huì)關(guān)系，在微博數(shù)據(jù)集上再次做了實(shí)驗(yàn)。

本發(fā)明實(shí)驗(yàn)材料2：微博數(shù)據(jù)集實(shí)驗(yàn)

從新浪微博上爬取了2015.7.1-2016.7.15間的來自4296個(gè)用戶之間的2263對關(guān)系的互相評論和轉(zhuǎn)發(fā)內(nèi)容，并爬取了這4296個(gè)用戶的用戶屬性。將用戶對之間的互相評論和轉(zhuǎn)發(fā)內(nèi)容作為它們的交互語言集合并抽取了集合內(nèi)容多余15條的用戶對來做實(shí)驗(yàn)，共得到105對用戶對。該數(shù)據(jù)集的特點(diǎn)是：會(huì)話信息較短、關(guān)系類型豐富。

利用主題反映關(guān)系內(nèi)涵，利用本發(fā)明方法在用戶對的交互語言集合中抽取主題，一些主題示例如下表2所示：

表2、利用微博數(shù)據(jù)集的互相評論和轉(zhuǎn)發(fā)內(nèi)容主題進(jìn)行人際關(guān)系畫像

由于沒有關(guān)系內(nèi)涵的明確標(biāo)準(zhǔn)答案，因此通過人工閱讀用戶對之間完整的互評和轉(zhuǎn)發(fā)內(nèi)容來理解他們的關(guān)系，進(jìn)而考察自動(dòng)抽取的主題是否與人的理解相符。比如，根據(jù)閱讀和理解第二對用戶對的郵件信息，推測他們是有著同樣興趣的朋友關(guān)系，他們都是表的愛好者。由實(shí)驗(yàn)結(jié)果可知，提取的主題基本上可以反應(yīng)這一關(guān)系內(nèi)涵。根據(jù)表格中的例子顯示，本發(fā)明方法可以幫助得到更多關(guān)于用戶關(guān)系內(nèi)涵的細(xì)節(jié)。然而，有一些主題是有歧義的，比如第5對用戶，很難通過主題來分辨她們是剛生完孩子的母親和于嫂的關(guān)系還是兩位剛生完孩子的母親關(guān)系。

綜上，基于主題的人際關(guān)系畫像方法適合于作為人際關(guān)系畫像的輔助手段。盡管上面結(jié)合附圖對本發(fā)明進(jìn)行了描述，但是本發(fā)明并不局限于上述的具體實(shí)施方式，上述的具體實(shí)施方式僅僅是示意性的，而不是限制性的，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的啟示下，在不脫離本發(fā)明宗旨的情況下，還可以做出很多變形，這些均屬于本發(fā)明的保護(hù)之內(nèi)。