本发明提供了基于关系网络的个体的传输管控方法，以各个个体为节点构建关系网络，获取关系网络中的各个节点的归属要素，根据各个节点的归属要素在关系网络中进行移动搜索，计算个体缠纠值，并筛选出目标群体，以目标群体对关系网络中的个体进行传输管控，实现了通过用户间的互相关注、访问的数据特征进行分析，以此根据个体间的关联程度进行消息的管控，达到了有效减少骚扰信息的有益效果。
1.一种基于关系网络的个体的传输管控方法，其特征在于，所述方法包括以下步骤：S100，获取各个个体，以各个个体为节点构建关系网络；
S300，根据各个节点的归属要素，在关系网络中进行移动搜索，计算个体缠纠值；
S500，根据目标群体，对关系网络中的个体进行传输管控；
其中，在S100中，获取各个个体，以各个个体为节点构建关系网络的方法为：从社交网站或社交软件上获取注册的多个不同的用户的数据，所述个体即为社交网站或社交软件上注册的用户，用户的数据包括：该用户的身份标识、该用户关注的其他的用户的身份标识、以及该用户对其关注的其他的用户的访问频率，其中，身份标识为一个数值，身份标识是一个用户的唯一标识，用户之间存在互相关注；
根据用户的数据，将各个不同用户的数据分别作为各个不同的节点，节点与用户互相对应，节点具有其对应的用户的身份标识；
访问频率为一周的各天之内一个用户访问另一个用户的次数的算术平均数；
对每一个节点，从该个节点出发向该个节点关注的各个节点分别作一条有向边，有向边的方向为从进行关注的节点指向被关注的节点， 则两个互相关注的节点之间存在一对方向相反的平行的有向边，由此通过作有向边而在节点之间建立边使得节点产生连接形成关系网络；
在S200中，获取关系网络中的各个节点的归属要素的方法为：一个节点的出度表示从该一个节点出发的有向边的数量，一个节点的入度表示指向该一个节点的有向边的数量；
记关系网络为Net，关系网络中节点的数量为n，记关系网络中节点的序号为i，i∈[1,n]，关系网络中各节点的序号分别为[1,n]中n个各不相同的常数；
关系网络中序号为i的节点记作Net(i)，序号i的数值即为Net(i)的身份标识；
函数in()表示通过在函数的括号内输入节点的序号进而获取对应序号的节点的入度，则in(i)表示关系网络中序号为i的节点的入度；
函数ex()表示通过在函数的括号内输入节点的序号进而获取对应序号的节点的出度，则ex(i)表示关系网络中序号为i的节点的出度；
记i1和i2分别为两个处于[1,n]中的数值不相等的变量，以i1和i2分别表示关系网络中两个不同的节点的序号，获取关系网络中序号为i1的节点Net(i1)，获取关系网络中序号为i2的节点Net(i2)；
函数fre()为获取一个节点代表的用户对另一个节点代表的用户的访问频率的函数，其中，使用函数fre()需要向函数中输入两个不同的节点的序号，输入的两个不同的节点的序号在括号内有顺序先后之分，在先的序号的节点对应的用户进行访问，在后的序号的节点对应的用户被访问，表示为在先的序号的节点对应的用户对在后的序号的节点对应的用户进行访问，则以fre(i1,i2)表示Net(i1)对Net(i2)的访问频率；
函数Focus()为获取输入的序号对应的节点所关注的其他节点的集合，Focus(i)表示序号为i的节点关注的其他节点的集合；
函数Fans()为获取输入的序号对应的节点被关注的其他节点的集合，Fans(i)表示序号为i的节点被关注的其他节点的集合；
定义节点的归属要素为一个由该节点的出度、该节点的入度、该节点对其他节点进行访问的访问频率、其他节点对该节点进行访问的访问频率、该节点所关注的其他节点的集合以及该节点被关注的其他节点的集合所组成的数组；
在S300中，根据各个节点的归属要素，在关系网络中进行移动搜索，计算个体缠纠值的方法具体为：S301，分别对关系网络中各个节点Net(i)，获取各Net(i)对应的Focus(i)，获取各Net(i)对应的Fans(i)，获取各Net(i)对应的ex(i)，获取各Net(i)对应的in(i)；
S302，计算在Focus(i)中的每个节点的访问频率并作累加求和得到freFocus(i)；计算在Fans(i)中的每个节点对相应的Net(i)的访问频率并作累加求和得到freFans(i)；
S303，对于序号为i的节点Net(i)，判断是否满足其对应的Focus(i)为空集或者Fans(i)为空集,并为各节点设置标示值，并为各节点计算分流值，具体为：序号为i的节点Net(i)对应的分流值记为up(i)；
若是仅满足其对应的Focus(i)为空集，则将节点Net(i)的标示值设置为0，并转到S304；
若是仅满足其对应的Fans(i)为空集，则将节点Net(i)的标示值设置为1，并转到S305；
若是同时满足其对应的Focus(i)为空集且其对应的Fans(i)亦为空集，则将节点Net(i)的标示值设置为‑1，并转到S306；
若是同时满足其对应的Focus(i)不为空集且其对应的Fans(i)亦不为空集，则转到S307对节点Net(i)的标示值进行设置；
S304，使用第一公式计算得到序号为i的节点Net(i)的分流值并记录保存，其中，以exp()表示计算以自然常数e为底的指数函数，第一公式的计算方法为：,
S305，使用第二公式计算得到序号为i的节点Net(i)的分流值并记录保存，其中，第二公式的计算方法为：,
S306，使用第三公式计算得到序号为i的节点Net(i)的分流值并记录保存，其中，第三公式的计算方法为：,
S307，使用第四公式计算得到序号为i的节点Net(i)的分流值并记录保存，其中，第四公式的计算方法为：,
并将up(i)的数值赋值予Net(i)的标示值，进而转到S308；
S308，在关系网络中进行移动搜索：判断标示值为0的节点组成的集合是否为空，若是转到S309，若否则以标示值为0的节点组成的集合作为起始集合并转到S312；
S309，判断标示值为1的节点组成的集合是否为空，若是转到S310，若否则以标示值为1的节点组成的集合作为起始集合并转到S312；
S310，判断标示值为‑1的节点组成的集合是否为空，若是转到S311，若否则以标示值为‑1的节点组成的集合作为起始集合并转到S312；
S311，将关系网络中的分流值不超过关系网络所有节点分流值的算术平均数的节点组成的集合作为起始集合并转到S312；
S312，选取起始集合中分流值最小的一个节点作为起始节点，记起始节点在关系网络中的序号为s，则起始节点即为Net(s)，Net(s)的分流值为up(s)，分别计算up(s)与起始集合中其他各个节点的分流值的比值，并对up(s)与起始集合中其他各个节点的分流值的比值取算术平均数，将该算术平均数作为个体缠纠值。
2.根据权利要求1所述的一种基于关系网络的个体的传输管控方法，其特征在于，在S400中，根据个体缠纠值，筛选出目标群体的方法具体为：在关系网络中，获取各个节点的分流值，分别对各个节点计算该个节点的分流值与关系网络中其他各个节点的分流值的比值；
设置集合Divg以收集存在异常情况的节点，令Divg的初始值为空集；
进而，判断各个节点是否存在异常情况，具体为：如果一个节点的分流值与关系网络中其他各个节点的分流值的比值的众数是大于等于个体缠纠值，则将该一个节点作为存在异常情况的节点，并将存在异常情况的节点加入集合Divg中；
3.根据权利要求1所述的一种基于关系网络的个体的传输管控方法，其特征在于，在S500中，根据目标群体，对关系网络中的个体进行传输管控的方法为：对目标群体中的个体，当目标群体中的个体要向关系网络中的其他个体发送消息，需要被发送消息的个体确认是否接受其发送的信息。
基于关系网络的个体的传输管控方法
技术领域
[0001] 本发明属于大数据处理领域，具体涉及一种基于关系网络的个体的传输管控方法。
背景技术
[0002] 在互联网社交平台上，存在着大规模的活跃用户，大量的用户在短时间内对多个不同的用户进行着数据的访问。不同用户之间存在着不同的访问活动，由于访问的频率和访问的对象各不相同，衡量个体间的访问的技术难度很高。在关系网络的个体之间，在某些情况下，收到陌生访客的消息会对互联网社交平台的用户体验产生不利的影响。因此，如何根据个体间的熟悉程度来管控消息的传输，是互联网社交平台运行的技术管控关键点。在申请号为CN201510377075.6的专利文献中公开了一种异常微博用户识别方法，尽管可以通过用户关系图和对微博内容的语义分析这两大特征相融合来检测异常用户，在识别异常用户方面取得了一定的正确率，但对语义进行分析的计算成本和时间成本大，没有将社交账号用户间的互相关注、访问的互动特征加入进去计算，仍不足以根据个体间的关联程度进行消息的管控。
发明内容
[0003] 本发明的目的在于提出一种基于关系网络的个体的传输管控方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
[0004] 本发明提供了一种基于关系网络的个体的传输管控方法及系统，以各个个体为节点构建关系网络，获取关系网络中的各个节点的归属要素，根据各个节点的归属要素在关系网络中进行移动搜索，计算个体缠纠值，并筛选出目标群体，以目标群体对关系网络中的个体进行传输管控。
[0005] 为了实现上述目的，根据本发明的一方面，提供一种基于关系网络的个体的传输管控方法，所述方法包括以下步骤：
[0006] S100，获取各个个体，以各个个体为节点构建关系网络；
[0007] S200，获取关系网络中的各个节点的归属要素；
[0008] S300，根据各个节点的归属要素，在关系网络中进行移动搜索，计算个体缠纠值；
[0009] S400，根据个体缠纠值，筛选出目标群体；
[0010] S500，根据目标群体，对关系网络中的个体进行传输管控。
[0011] 进一步地，在S100中，获取各个个体，以各个个体为节点构建关系网络的方法为：
[0012] 从社交网站或社交软件的数据库中获取已经注册或保存的多个不同的用户的数据，所述个体即为社交网站或社交软件上注册的用户，用户的数据包括：该用户的身份标识、该用户关注的其他的用户的身份标识、以及该用户对其关注的其他的用户的访问频率，其中，身份标识为一个数值，身份标识是一个用户的唯一标识，用户之间存在互相关注，即两个不同的用户之间可以相互进行关注，用户的数据中至少包括一对互相关注的用户；
[0013] 根据用户的数据，将各个不同用户的数据分别作为各个不同的节点，节点与用户互相对应，节点具有其对应的用户的身份标识；
[0014] 访问频率为一周的各天之内一个用户访问另一个用户的次数的算术平均数；
[0015] 对每一个节点，从该个节点出发向该个节点关注的各个节点分别作一条有向边，有向边的方向为从进行关注的节点指向被关注的节点， 则两个互相关注的节点之间存在一对方向相反的平行的等长的有向边，由此通过作有向边而在节点之间建立边使得节点产生连接形成关系网络，有向边的长度是从进行关注的节点指向被关注的节点进行数据传输的时间成本或者数据传输成本。
[0016] 进一步地，在S200中，获取关系网络中的各个节点的归属要素的方法为：
[0017] 一个节点的出度表示从该一个节点出发的有向边的数量，一个节点的入度表示指向该一个节点的有向边的数量；
[0018] 记关系网络为Net，关系网络中节点的数量为n，记关系网络中节点的序号为i，i∈[1,n]，关系网络中各节点的序号分别为[1,n]中n个各不相同的正整数；
[0019] 关系网络中序号为i的节点记作Net(i)，序号i的数值即为Net(i)的身份标识；
[0020] 函数in()表示通过在函数的括号内输入节点的序号进而获取对应序号的节点的入度，则in(i)表示关系网络中序号为i的节点的入度；
[0021] 函数ex()表示通过在函数的括号内输入节点的序号进而获取对应序号的节点的出度，则ex(i)表示关系网络中序号为i的节点的出度；
[0022] 记i1和i2分别为两个处于[1,n]中的数值不相等的变量，以i1和i2分别表示关系网络中两个不同的节点的序号，获取关系网络中序号为i1的节点Net(i1)，获取关系网络中序号为i2的节点Net(i2)；
[0023] 函数fre()为获取一个节点代表的用户对另一个节点代表的用户的访问频率的函数，其中，使用函数fre()需要向函数中输入两个不同的节点的序号，输入的两个不同的节点的序号在括号内有顺序先后之分，在先的序号的节点对应的用户进行访问，在后的序号的节点对应的用户被访问，表示为在先的序号的节点对应的用户对在后的序号的节点对应的用户进行访问，则以fre(i1,i2)表示Net(i1)对Net(i2)的访问频率；
[0024] 函数Focus()为获取输入的序号对应的节点所关注的其他节点的集合，Focus(i)表示序号为i的节点关注的其他节点的集合；
[0025] 函数Fans()为获取输入的序号对应的节点被关注的其他节点的集合，Fans(i)表示序号为i的节点被关注的其他节点的集合，即那些关注了序号为i的节点的所有节点组成的集合；
[0026] 定义节点的归属要素为一个由该节点的出度、该节点的入度、该节点对其他节点进行访问的访问频率、其他节点对该节点进行访问的访问频率、该节点所关注的其他节点的集合以及该节点被关注的其他节点的集合（即关注该节点的其他节点的集合）所组成的数组。
[0027] 进一步地，在S300中，根据各个节点的归属要素，在关系网络中进行移动搜索，计算个体缠纠值的方法具体为：
[0028] S301，分别对计算关系网络中各个节点Net(i)，获取各Net(i)对应的Focus(i)，获取各Net(i)对应的Fans(i)，获取各Net(i)对应的ex(i)，获取各Net(i)对应的in(i)；
[0029] S302，计算Net(i)对在Focus(i)中的每个节点的访问频率并作累加求和得到freFocus(i)；计算在Fans(i)中的每个节点对相应的Net(i)的访问频率并作累加求和得到freFans(i)；
[0030] S303，对于序号为i的节点Net(i)，判断是否满足其对应的Focus(i)为空集或者Fans(i)为空集,并为各节点设置标示值，设置变量biao(i)作为节点Net(i)的标示值，并为各节点计算分流值，具体为：
[0031] 序号为i的节点Net(i)对应的分流值记为up(i)；
[0032] 再进行如下条件判断；
[0033] 若是满足Net(i)对应的Focus(i)为空集且Fans(i)不为空集，则将节点Net(i)的标示值设置为0，并转到S304；
[0034] 若是满足Net(i)对应的Fans(i)为空集且Focus(i)不为空集，则将节点Net(i)的标示值设置为1，并转到S305；
[0035] 若是同时满足其对应的Focus(i)为空集且其对应的Fans(i)亦为空集，则将节点Net(i)的标示值设置为‑1，并转到S306；
[0036] 若是同时满足其对应的Focus(i)不为空集且其对应的Fans(i)亦不为空集，则转到S307对节点Net(i)的标示值进行设置；
[0037] S304，使用第一公式计算得到序号为i的节点Net(i)的分流值并记录保存，其中，以exp()表示计算以自然常数e为底的指数函数，第一公式的计算方法为：
[0038] ,
[0039] 进而转到S308；
[0040] S305，使用第二公式计算得到序号为i的节点Net(i)的分流值并记录保存，其中，第二公式的计算方法为：
[0041] ,
[0042] 进而转到S308；
[0043] S306，使用第三公式计算得到序号为i的节点Net(i)的分流值并记录保存，其中，第三公式的计算方法为：
[0044] ,
[0045] 或者为：
[0046] ,
[0047] 进而转到S308；
[0048] S307，使用第四公式计算得到序号为i的节点Net(i)的分流值并记录保存，其中，第四公式的计算方法为：
[0049] ,
[0050] 或者为：
[0051] ,
[0052] 并将up(i)的数值赋值予Net(i)的标示值，进而转到S308；
[0053] （其中，计算分流值的有益效果为，现有的区分的方法例如利用图网络进行嵌入或者利用聚类算法的方法，对关系网络中各个节点在对所用节点进行区分的时候计算的拟合是全局的，全局的拟合是节点在边和频率波动的数值计算成本大耗能的，因为全局的拟合节点在边和频率波动的数值灵敏度低，而依据对关系网络中各个节点在边和频率波动的数值上进行了有效的概率分布的拟合，可以使得关系网络中各个节点获得了各自区分的依据，使用分流值对各个节点进行区分可以快速筛选出存在边和频率波动的数值灵敏度低而被无法检测这样的异常的节点）。
[0054] S308，在关系网络中进行移动搜索：判断标示值为0的节点组成的集合是否为空，若是转到S309，若否则以标示值为0的节点组成的集合作为起始集合并转到S312；
[0055] S309，判断标示值为1的节点组成的集合是否为空，若是转到S310，若否则以标示值为1的节点组成的集合作为起始集合并转到S312；
[0056] S310，判断标示值为‑1的节点组成的集合是否为空，若是转到S311，若否则以标示值为‑1的节点组成的集合作为起始集合并转到S312；
[0057] S311，将关系网络中的分流值不超过关系网络所有节点分流值的算术平均数的节点组成的集合作为起始集合并转到S312；
[0058] S312，选取起始集合中分流值最小的一个节点作为起始节点，记起始节点在关系网络中的序号为s，则起始节点即为Net(s)，Net(s)的分流值为up(s)，分别计算up(s)与起始集合中其他各个节点的分流值的比值，并对up(s)与起始集合中其他各个节点的分流值的比值取算术平均数，将该算术平均数作为个体缠纠值；
[0059] （其中，在关系网络中进行移动搜索的有益效果为，通过在标示值预先进行了划分的各个子集合中进行动态的节点搜索，搜索出起始节点，再通过起始节点与其他不同节点的计算比较，得出了节点间正常状态下应有的相互差距，以此识别出超过正常状态下应有的相互差距的节点，于是在筛选出存在边和频率波动的数值灵敏度低而被无法检测这样的异常的节点的过程中，个体缠纠值基于其与起始集合中其他各个节点的分流值的对比程度，能够用于计量节点间互相的差距，这种差距不需要进一步的遍历计算所以是有利于节省进行传输管控的时间成本的）。
[0060] 进一步地，在S400中，根据个体缠纠值，筛选出目标群体的方法具体为：
[0061] 在关系网络中，获取各个节点的分流值，分别对各个节点计算该个节点的分流值与关系网络中其他各个节点的分流值的比值；
[0062] 设置集合Divg以收集存在异常情况的节点，令Divg的初始值为空集；
[0063] 进而，根据个体缠纠值判断各个节点是否存在异常情况，具体为：如果一个节点的分流值分别与关系网络中其他各个节点的分流值的比值的众数是大于等于个体缠纠值，则将该一个节点作为存在异常情况的节点，并将存在异常情况的节点加入集合Divg中；
[0064] 将集合Divg中的节点作为目标群体。
[0065] 进一步地，在S500中，根据目标群体，对关系网络中的个体进行传输管控的方法为：
[0066] 对目标群体中的个体，当目标群体中的个体要向关系网络中的其他个体发送消息，目标群体中的个体（存在异常情况的节点）一般是受有组织操作的注册用户例如诈骗号或水军号，这种关系网络中的异常节点是网络虚假信息和网络诈骗泛滥的源头，需要被发送消息的个体确认是否接受其发送的信息。
[0067] 本发明还提供了一种基于关系网络的个体的传输管控系统，所述一种基于关系网络的个体的传输管控系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基于关系网络的个体的传输管控方法中的步骤，所述一种基于关系网络的个体的传输管控系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群，所述处理器执行所述计算机程序运行在以下系统的单元中：
[0068] 网络构建单元，用于获取各个个体，以各个个体为节点构建关系网络；
[0069] 归属要素获取单元，用于获取关系网络中的各个节点的归属要素；
[0070] 移动搜索单元，用于根据各个节点的归属要素，在关系网络中进行移动搜索，计算个体缠纠值；
[0071] 筛选目标群体单元，用于根据个体缠纠值，筛选出目标群体；
[0072] 传输管控单元，用于根据目标群体，对关系网络中的个体进行传输管控。
[0073] 本发明的有益效果为：本发明提供了一种基于关系网络的个体的传输管控方法及系统，以各个个体为节点构建关系网络，获取关系网络中的各个节点的归属要素，根据各个节点的归属要素在关系网络中进行移动搜索，计算个体缠纠值，并筛选出目标群体，以目标群体对关系网络中的个体进行传输管控，实现了通过用户间的互相关注、访问的数据特征进行分析，以此根据个体间的关联程度进行消息的管控，达到了有效减少骚扰信息的有益效果。
附图说明
[0074] 通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：
[0075] 图1所示为一种基于关系网络的个体的传输管控方法的流程图；
[0076] 图2所示为一种基于关系网络的个体的传输管控系统的系统结构图。
具体实施方式
[0077] 以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0078] 在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
[0079] 如图1所示为根据本发明的一种基于关系网络的个体的传输管控方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种基于关系网络的个体的传输管控方法及系统。
[0080] 本发明提出一种基于关系网络的个体的传输管控方法，所述方法具体包括以下步骤：
[0081] S100，获取各个个体，以各个个体为节点构建关系网络；
[0082] S200，获取关系网络中的各个节点的归属要素；
[0083] S300，根据各个节点的归属要素，在关系网络中进行移动搜索，计算个体缠纠值；
[0084] S400，根据个体缠纠值，筛选出目标群体；
[0085] S500，根据目标群体，对关系网络中的个体进行传输管控。
[0086] 进一步地，在S100中，获取各个个体，以各个个体为节点构建关系网络的方法为：
[0087] 从社交网站或社交软件上获取注册的多个不同的用户的数据，所述个体即为社交网站或社交软件上注册的用户，用户的数据包括：该用户的身份标识、该用户关注的其他的用户的身份标识、以及该用户对其关注的其他的用户的访问频率，其中，身份标识为一个数值，身份标识是一个用户的唯一标识，用户之间存在互相关注；
[0088] 根据用户的数据，将各个不同用户的数据分别作为各个不同的节点，节点与用户互相对应，节点具有其对应的用户的身份标识；
[0089] 访问频率为一周的各天之内一个用户访问另一个用户的次数的算术平均数；
[0090] 对每一个节点，从该个节点出发向该个节点关注的各个节点分别作一条有向边，有向边的方向为从进行关注的节点指向被关注的节点， 则两个互相关注的节点之间存在一对方向相反的平行的有向边，由此通过作有向边而在节点之间建立边使得节点产生连接形成关系网络。
[0091] 进一步地，在S200中，获取关系网络中的各个节点的归属要素的方法为：
[0092] 一个节点的出度表示从该一个节点出发的有向边的数量，一个节点的入度表示指向该一个节点的有向边的数量；
[0093] 记关系网络为Net，关系网络中节点的数量为n，记关系网络中节点的序号为i，i∈[1,n]，关系网络中各节点的序号分别为[1,n]中n个各不相同的常数；
[0094] 关系网络中序号为i的节点记作Net(i)，序号i的数值即为Net(i)的身份标识；
[0095] 函数in()表示通过在函数的括号内输入节点的序号进而获取对应序号的节点的入度，则in(i)表示关系网络中序号为i的节点的入度；
[0096] 函数ex()表示通过在函数的括号内输入节点的序号进而获取对应序号的节点的出度，则ex(i)表示关系网络中序号为i的节点的出度；
[0097] 记i1和i2分别为两个处于[1,n]中的数值不相等的变量，以i1和i2分别表示关系网络中两个不同的节点的序号，获取关系网络中序号为i1的节点Net(i1)，获取关系网络中序号为i2的节点Net(i2)；
[0098] 函数fre()为获取一个节点代表的用户对另一个节点代表的用户的访问频率的函数，其中，使用函数fre()需要向函数中输入两个不同的节点的序号，输入的两个不同的节点的序号在括号内有顺序先后之分，在先的序号的节点对应的用户进行访问，在后的序号的节点对应的用户被访问，表示为在先的序号的节点对应的用户对在后的序号的节点对应的用户进行访问，则以fre(i1,i2)表示Net(i1)对Net(i2)的访问频率；
[0099] 函数Focus()为获取输入的序号对应的节点所关注的其他节点的集合，Focus(i)表示序号为i的节点关注的其他节点的集合；
[0100] 函数Fans()为获取输入的序号对应的节点被关注的其他节点的集合，Fans(i)表示序号为i的节点被关注的其他节点的集合；
[0101] 定义节点的归属要素为一个由该节点的出度、该节点的入度、该节点对其他节点进行访问的访问频率、其他节点对该节点进行访问的访问频率、该节点所关注的其他节点的集合以及该节点被关注的其他节点的集合所组成的数组。
[0102] 进一步地，在S300中，根据各个节点的归属要素，在关系网络中进行移动搜索，计算个体缠纠值的方法具体为：
[0103] S301，分别计算关系网络中各个节点Net(i)，获取各Net(i)对应的Focus(i)，获取各Net(i)对应的Fans(i)，获取各Net(i)对应的ex(i)，获取各Net(i)对应的in(i)；
[0104] S302，计算Net(i)对在Focus(i)中的每个节点的访问频率并作累加求和得到freFocus(i)；计算在Fans(i)中的每个节点对相应的Net(i)的访问频率并作累加求和得到freFans(i)；
[0105] S303，对于序号为i的节点Net(i)，判断是否满足其对应的Focus(i)为空集或者Fans(i)为空集,并为各节点设置标示值，并转到为各节点计算分流值，具体为：
[0106] 序号为i的节点Net(i)对应的上分流值记为up(i)；
[0107] 若是仅满足其对应的Focus(i)为空集，则将节点Net(i)的标示值设置为0，并转到S304；
[0108] 若是仅满足其对应的Fans(i)为空集，则将节点Net(i)的标示值设置为1，并转到S305；
[0109] 若是同时满足其对应的Focus(i)为空集且其对应的Fans(i)亦为空集，则将节点Net(i)的标示值设置为‑1，并转到S306；
[0110] 若是同时满足其对应的Focus(i)不为空集且其对应的Fans(i)亦不为空集，则转到S307对节点Net(i)的标示值进行设置；
[0111] S304，使用第一公式计算得到序号为i的节点Net(i)的分流值并记录保存，其中，第一公式的计算方法为：
[0112] ,
[0113] 进而转到S308；
[0114] S305，使用第二公式计算得到序号为i的节点Net(i)的分流值并记录保存，其中，第二公式的计算方法为：
[0115] ,
[0116] 进而转到S308；
[0117] S306，使用第三公式计算得到序号为i的节点Net(i)的分流值并记录保存，其中，第三公式的计算方法为：
[0118] ,
[0119] 进而转到S308；
[0120] S307，使用第四公式计算得到序号为i的节点Net(i)的分流值并记录保存，其中，第四公式的计算方法为：
[0121] ,
[0122] 并将up(i)的数值赋值予Net(i)的标示值，进而转到S308；
[0123] S308，在关系网络中进行移动搜索：判断标示值为0的节点组成的集合是否为空，若是转到S309，若否则以标示值为0的节点组成的集合作为起始集合并转到S312；
[0124] S309，判断标示值为1的节点组成的集合是否为空，若是转到S310，若否则以标示值为1的节点组成的集合作为起始集合并转到S312；
[0125] S310，判断标示值为‑1的节点组成的集合是否为空，若是转到S311，若否则以标示值为‑1的节点组成的集合作为起始集合并转到S312；
[0126] S311，将关系网络中的分流值不超过关系网络所有节点分流值的算术平均数的节点组成的集合作为起始集合并转到S312；
[0127] S312，选取起始集合中分流值最小的一个节点作为起始节点，记起始节点在关系网络中的序号为s，则起始节点即为Net(s)，Net(s)的分流值为up(s)，分别计算up(s)与起始集合中其他各个节点的分流值的比值，并对up(s)与起始集合中其他各个节点的分流值的比值取算术平均数，将该算术平均数作为个体缠纠值。
[0128] 进一步地，在S400中，根据个体缠纠值，筛选出目标群体的方法具体为：
[0129] 在关系网络中，获取各个节点的分流值，分别对各个节点计算该个节点的分流值与关系网络中其他各个节点的分流值的比值；
[0130] 设置集合Divg以收集存在异常情况的节点，令Divg的初始值为空集；
[0131] 进而，根据个体缠纠值，如果一个节点的分流值与关系网络中其他各个节点的分流值的比值的众数或者算术平均值在数值比较上是大于等于个体缠纠值，则将该一个节点作为存在异常情况的节点，并将存在异常情况的节点加入集合Divg中；
[0132] 将集合Divg中的节点作为目标群体。
[0133] 进一步地，在S500中，根据目标群体，对关系网络中的个体进行传输管控的方法为：
[0134] 对目标群体中的个体，当目标群体中的个体要向关系网络中的其他个体发送消息，需要被发送消息的个体确认是否接受其发送的信息。
[0135] 所述一种基于关系网络的个体的传输管控系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于关系网络的个体的传输管控方法实施例中的步骤，所述一种基于关系网络的个体的传输管控系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群。
[0136] 本发明的实施例提供的一种基于关系网络的个体的传输管控系统，如图2所示，该实施例的一种基于关系网络的个体的传输管控系统包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于关系网络的个体的传输管控方法实施例中的步骤，所述处理器执行所述计算机程序运行在以下系统的单元中：
[0137] 网络构建单元，用于获取各个个体，以各个个体为节点构建关系网络；
[0138] 归属要素获取单元，用于获取关系网络中的各个节点的归属要素；
[0139] 移动搜索单元，用于根据各个节点的归属要素，在关系网络中进行移动搜索，计算个体缠纠值；
[0140] 筛选目标群体单元，用于根据个体缠纠值，筛选出目标群体；
[0141] 传输管控单元，用于根据目标群体，对关系网络中的个体进行传输管控。
[0142] 所述一种基于关系网络的个体的传输管控系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中。所述一种基于关系网络的个体的传输管控系统包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种基于关系网络的个体的传输管控方法及系统的示例，并不构成对一种基于关系网络的个体的传输管控方法及系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种基于关系网络的个体的传输管控系统还可以包括输入输出设备、网络接入设备、总线等。
[0143] 所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field‑Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立元器件门电路或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种基于关系网络的个体的传输管控系统的控制中心，利用各种接口和线路连接整个一种基于关系网络的个体的传输管控系统的各个分区域。
[0144] 所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种基于关系网络的个体的传输管控方法及系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0145] 本发明提供了一种基于关系网络的个体的传输管控方法及系统，以各个个体为节点构建关系网络，获取关系网络中的各个节点的归属要素，根据各个节点的归属要素在关系网络中进行移动搜索，计算个体缠纠值，并筛选出目标群体，以目标群体对关系网络中的个体进行传输管控，实现了通过用户间的互相关注、访问的数据特征进行分析，以此根据个体间的关联程度进行消息的管控，达到了有效减少骚扰信息的有益效果。
[0146] 尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
