移动通信网络位置群体关联用户挖掘(2)

　　2.1算法描述

　　2.2算法分析

　　在位置项相关性的度量中，既要凸显位置轨迹的变化特性，又要顾及位置关联度量的稳定性。本文提出了利用修正距离计算位置项相关性的方法。该方法既能够根据位置变化对位置相关性进行调整，增强对位置轨迹变化特性的度量；同时，在位置项相关性较高或较弱的位置能够赋予位置相关性更小的调整，减弱位置修正对位置项相关性度量稳定性的影响。位置项相关性度量的修正增量随实际距离的变化关系如图3所示。

　　在位置项相关性度量中，本文利用位置预测和位置修正的方法，将用户位置的变化幅度考虑到位置项相关性度量之中。在一段度量时间内，位置异常用户的实际位置项相关性和修正位置项相关性度量结果如图5所示。从中可以看出，位置修正的方法在位置幅度的变化速率不断增强时能够放大位置相关性度量的变化特性，在位置轨迹的方向发生变化时能够缩小位置相关性度量的变化特性。该方法能够凸显位置的变化特性，提高位置相关性度量的稳定性。

　　4结语

　　本文针对移动通信网络中具有一定通信相关性和位置规律相似性的特定群体，建立了用户位置轨迹相关性度量标准，并提出了一种群体位置关联用户挖掘算法。为提高位置相关性度量的灵敏度和准确性，本文利用位置预测将位置变化特征引入位置项相关性度量，根据位置关联质量实现了对特定群体位置关联用户的挖掘。然而，该方法仅实现了对特定群体位置关联用户的挖掘，对于特定群体通信关联用户挖掘的问题尚未实现。因而，未来的工作将对用户与特定群体的通信关联关系进行分析，研究特定群体通信关联用户挖掘。

　　参考文献：

　　[1]NEWMANMEJ.Fastalgorithmfordetectingcommunitystructureinnetworks[J].PhysicalReviewE，2004，69（6）：066133.

　　[2]BRANDESU，DELLINGD，GAERTLERM，etal.Onmodularityclustering[J].IEEETransactionsonKnowledgeandDataEngineering，2008，20（2）：172-188.

　　[3]NGUYENNP，DINHTN，YINGX，etal.Adaptivealgorithmsfordetectingcommunitystructureindynamicsocialnetworks[C]//INFOCOM11：Proceedingsofthe2011IEEEINFOCOM.Piscataway：IEEE，2011：2282-2290.

　　[4]WANGX，MOHANTYN，MCCALLUMA.Groupandtopicdiscoveryfromrelationsandtext[C]//LinkKDD05：Proceedingsofthe3rdInternationalWorkshoponLinkDiscovery.NewYork：ACM，2005：28-35.

　　[5]ESTERM，GER，GAOBJ，etal.Jointclusteranalysisofattributedataandrelationshipdata：theconnectedkcenterproblem[C]//Proceedingsofthe6thSIAMInternationalConferenceonDataMining.Philadelphia：SIAM，2006：172-188.

　　ACMTransactionsonKnowledgeDiscoveryfromData（TKDD），2008，2（2）：No.7.

　　[6]AGRAWALR，SRIKANTR.Fastalgorithmsforminingassociationrulesinlargedatabases[C]//VLDB94：Proceedingsofthe20thInternationalConferenceonVeryLargeDataBases.SanFrancisco：MorganKaufmann，1994：487-499.

　　[7]PIAOXF，WANGZL，LIUG.Researchonminingpositiveandnegativeassociationrulesbasedondualconfidence[C]//ICICSE10：Proceedingsofthe2010FifthInternationalConferenceonInternetComputingforScienceandEngineering.Washington，DC：IEEEComputerSociety，2010：102-105.

　　[8]JIYQ，YINGH，TRANJ，etal.Amethodformininginfrequentcausalassociationsanditsapplicationinfindingadversedrugreactionsignalpairs[J].IEEETransactionsonKnowledgeandEngineering，2012，25（4）：721-733.

　　[9]BARSHALOMY，KIRUBARAJANT，GOKBERKC.Trackingwithclassificationaidedmultiframedataassociation[J].IEEETransactionsonAerospaceandElectronicSystems，2005，41（3）：868-878.

　　[10]刘旭，易东云.基于局部相似性的复杂网络社区发现方法[J].自动化学报，2011，37（12）：1520-1529.

　　[11]淦文燕，赫南，李德毅，等.一种基于拓扑势的网络社区发现方法[J].软件学报，2009，20（8）：2241-2254.

　　[12]SINHAA，DINGZ，KIRUBARAJANT，etal.Trackqualitybasedmultitargettrackingapproachforglobalnearestneighborassociation[J].IEEETransactiononKnowledgeandDataEngineering，2012，48（2）：1179-1191.

　　[13]LIN，LIXR.Targetperceivabilityanditsapplications[J].IEEETransactionsonSignalProcessing，2001，49（11）：2588-2604.

　　[14]MUSICKID，EVANSR，STANKOVICS.Integratedprobabilisticdataassociation[J].IEEETransationsonAutomaticControl，1994，39（6）：1237-1241.

　　[15]BOUANDASK，OSMANIA.Miningassociationrulesintemporalsequences[C]//CIDM2007：Proceedingsof2007IEEESymposiumonComputationalIntelligenceandDataMining.Piscataway：IEEE，2007：610-615.