文摘
随机物联网(物联网)的沟通行为的进步世界极大影响社交网络。社交网络的增长有助于量化对社会的影响物联网(SIoT)。两个人在多个地理位置的多个存在在不同的时间框架提示预测社会联系。我们调查的人们之间的社会关系可以推断通过批判性评估社交网络。我们的研究使用中国telecommunication-based匿名来电数据记录(CDRs)和两个公开可用的基于位置的社交网络数据集,Brightkite和Gowalla。我们的研究发现社会关系基于移动通信数据,进一步利用通信基于地理位置的原因。本文提出一个推理框架,预测丢失的关系使用管道和过滤可疑的社会关系架构的推理框架中。它强调了用户的秘密关系,不存在在现实数据。拟议的框架包括两个主要部分。首先,用户的共存的基础上相互位置计算在一个特定的时间框架,作为社会关系推断。 Results are investigated based upon the cooccurrence count, the gap time threshold values, and mutual friend count values. Secondly, the detail about direct connections is collected and cross-related to the inferred results using Precision and Recall evaluation measures. In the later part of the research, we examine the false-positive results methodically by studying the human cooccurrence patterns to identify hidden relationships using a social activity. The outcomes indicate that the proposed approach achieves comprehensive results that further support the theory of suspicious ties.
1。介绍
社交网络是一个网络社会个体之间的关系。社会关系是一对一的通信链路在人类或社会物联网(1,2]。社会关系的形成取决于许多属性,如位置的生活,性格,年龄,性别,工作场所,活动,和更多的3,4]。这些关系是建立基于某种需要或关系。人们用电话等媒介进行通信,在社交网站上聊天,读和写评论的人,审查和建议一些采购移动应用程序5]。研究人类行为和机器性能,他们如何应对和参与社交网络关注的仍然是一个中心研究人员(2,6]。社会网络分析是计算机科学领域,量化评估,分析人类行为(7,8]。
一个概念提出的社会通信链路Granovetter [9]。根据他们的研究发现,两人之间的通信链路被认为是社会的领带。另外,每个通信链路的力量进一步分为强弱取决于沟通的频率,次数,情感依恋,相互关系,关系行为,这些提到的组合参数(5]。方程(1)量化社会关系的强度,用重量,这样更高的体重告诉更强关系,反之亦然(10]。代表社会的重量节点之间的联系和节点 ,而和代表节点的程度和节点 ; 相互之间的节点的数量吗和 。社区结构也发现社会联系强度的主要原因之一(11];这是发现人们从同一社区不同群体(相比有紧密的联系5]:
各种型号和技术开发基于不足方面推断出《社交网络》(7,12]。的一个特定类别属于这样的推理基于时间和地点决定了共存。尽管遇到许多措施,但仍然是一个缺乏获取精确和准确的推断。在我们的研究中,我们考虑几个阈值参数来量化更精确的推断。我们也开发一个框架,推断现有社会关系和隐藏在一个社交网络的关系。
最初,在我们的研究中,我们提出人们之间社会关系的推理相关的身体出现在一些网站和他们直接联系。如果两个人,我们定义一个社会联系和cooccur在细胞内人力资源时间框架,这样打电话的人当连接到一个基站和在同一时间内调用一个人从相同的基站。此外,我们清点的数量同现的和 。首先,我们发现社会关系取决于两个人之间直接调用的数量。确保正确的社会联系,我们国家一个阈值,这样直接调用的数量超过阈值。其次,我们评估两人之间的社会关系通过计算调用的数量和在一个特定的时间框架。图1州的一个例子,解释了量化的过程。每个六边形代表一个地区的一个基站。和在一起6乘以各基站,有一个变化要求的差距。在研究的第一部分,我们使用CDR数据集提供的电信公司和两个公开可用的基于位置的社交网络数据集,即。Brightkite和Gowalla [13]。所有数据集类似于声明示例图1。我们清点的数量赞成基于多个间隔时间阈值和共同的朋友。此外,我们关联结果与基于社会联系的直接调用使用精度和召回评估措施。
在第二阶段的研究中,我们探索形成的假阳性结果CDR-based社会领带推理模型。我们国家缺少领带作为怀疑两人之间的联系,如果他们没有任何直接调用,但发现在一起很多次。此外,他们有一定数量的共同的朋友。在文献中,缺失的关系被定义为nonresponse或者没有关系(12]。在一个活动,一个演员不给任何信息将视为nonresponse [14),而一个没有领带意味着当一个演员不给任何指示关于领带的细节。社会行为的调查监测男孩们和女孩们喜欢的模式。二进制数据是有限的,这样一个代表领带,0代表不打领带。图2显示可视化表示(邻接矩阵块建模)根据调查数据(14]。在图2,green-filled槽代表存在的领带,无论其强度,而白色槽表示没有关系或nonresponse关系。在我们的研究中,我们探索和失踪的子集关系归为可疑的关系。我们进行社会活动和模拟,生成一个数据集一样的CDR数据支持这一概念。此外,我们关联CDR-based社会领带推理模型和仿真结果的假阳性结果的活动。
本文的贡献如下:(1)我们开发了一个推理模型和分类器识别基于地理位置的社会关系。推理模型是测试CDR-based社交网络,Brightkite,和Gowalla,使用精度和召回措施。(2)我们确定一个类怀疑关系通过检查社会领带推理模型的假阳性结果。(3)我们开展了一项基于活动的调查和模拟演示了嫌疑人的关系和评价。
本文的其余部分组织如下:部分2描述了文献综述。第三节介绍了共存的描述计数正常化,推理算法,和社会联系推理。简要描述概念和可疑链接隐藏的关系第四节。拟议的框架和一个算法来推断可疑关系给出了第五节。第六节描述了数据集描述、结果和分析。最后,提出了本文的结论第七节。
2。相关工作
物理世界的社交网络表示为图,节点被当作人,边表示为两个人之间的社会联系(15]。在文献中,边缘重量是表示为特定社会的力量系(10,16]。Twitter等社交网络形成了一个双向图,例如,是一个名人,但名人粉丝很少遵循。使用双向图调查有影响力的网络和最屈折的人(17- - - - - -19]。建议和有针对性的市场营销的一些重要的目标探索社会关系(20.,21]。教案模型采用动态规划探索关键因素,例如,和是什么样的主题22]。社会关系耦合和预测用户的移动性研究通过观察物理和网络属性(地理属性)23,24]。发现的有效预测技术提出了两个用户的典型模式进行比较登记详细信息(24,25]。意义是衡量使用weight-assigning方法通过合并两个用户的共存为一个特定的区域。一个是一个更加重要的区域比一个普通的地方(26]。评分机制有助于社会关系的分类和标签(10]。推理对任何社交网络是不完整的,如果被忽视的相关特性。任何社交网络的基线是两个人之间的社会联系。在艺术的状态,社会关系一般分为(1)紧密联系,(2)弱关系,和(3)没有关系9,17),而领带的强度取决于()的时间,(b)的情感强度,(c)亲密关系变量,和社会距离(d) (3,10]。重复出现的两个人在一个特定的地理位置在有限时间内也推断一个社会联系7]。社会联系的强度成正比的发生如此高cooccurred事件。
物联网已经成为其中一个最强大的和令人印象深刻的技术研究领域2]。物联网提出了一个新颖的连通性概念,机器可以同样与人类合作基于作动器和传感器(27,28]。一项研究预测,智能设备(如电子医疗设备和智能手表将达到1600亿美元的价值在2026年底(28]。智能设备之间的通信网络和人类形成社会物联网(SIoT)和进一步的研究开辟了新的研究挑战。管理问题,如数据的可伸缩性、速度和新出现的问题的种类很少SIoT [29日]。理解人与人之间的社会关系,human-to-machines machines-to-machines有助于量化网络性能问题(30.]。
社会关系是任何社交网络的骨干(31日]。社会关系的形成和变形影响的社区网络中(32]。除了社会联系强度:位置等因素,情感,情况,年龄,性别,宗教,个性,和更多的对社会产生重大影响的连接(10,33]。Granovetter突显出强关系弱社会关系和找工作34]。在文献中,数据来源社会分析常用的通话记录(35,36)、电子邮件和社交网站(5]。在文献中,广泛的挑战与各种有形和无形的网络的集成(突出显示37]。调查犯罪社交网络使用有限的线索是一个新兴的研究领域的社会网络分析(SNA) [38,39]。
据统计,总有一些隐藏或可见cooccurred事件中相关参数。社会网络分析是进行探索这样的有趣的知识。在物质世界中,利用社会网络分析在找工作4),研究城市生活心理学,内疚协会调查(12),发现社区(40),传播新闻的41),和有影响力的网络(18,42]。在最近的信息和技术的时代,大规模日志生成对于每一个人,例如,电话记录,银行交易,网上购物记录,日常邮件,闭路电视摄像头,和更多的媒介7,43,44]。与物理世界,这种媒介进一步简洁的结果的准确性等突出特性有关。尽管大量的数据源,没有最优过程量化随机人性和社会网络演化[45]。
分组方法识别隐藏的社会群体,进一步探讨了朋友圈和集中在高隐私设置46]。另一个研究探讨了隐藏的社会关系被使用抽样(47]。在文献中,隐藏的社会关系是指人口,这是很难获得的。人口,试图躲避社交网络是隐藏在网络47]。在我们的研究中,怀疑关系意味着演员现在和可访问的一个社交网络,但是他们试图隐藏他们的社会关系。我们研究的第二部分探讨了可疑的关系在现有的网络,而不是一个隐藏的人口在一个社交网络。
3所示。数据集特征和评价措施
3.1。数据集描述
在我们的研究中,我们把三大定位数据集,即。CDR, Brightkite和Gowalla [13]。本研究中使用的CDR大数据集提供的中国移动电信运营商企业之一。数据集包含202000订阅和用户的人口统计信息。呼叫详细记录包含6个月(2014年6月- 2014年12月),和呼叫详细记录包含这202,000订阅,221,451,169条记录。每个记录的数据集以以下格式表示。
Brightkite和Gowalla公开可用的基于位置的社交网络数据集(13,48]。收集的数据集都是使用在线社交网站。网站维护用户签到数据抓取移动GPS定位数据。使用这些服务来帮助人们找到附近的用户和建立社会联系。Brightkite包含58228个节点和214078边,和Gowalla包含196591个节点和950327个边缘。除了社交网络数据,数据也包含直接社会领带数据集。
3.2。缩写和评估措施
图3社交网络的例子,有怀疑的演员和他们隐藏的关系。演员有几个共同的朋友但没有直接连接可能有秘密联系。这些信息有助于确定嫌疑人的领带。社交网络的发展,新的联系扩大社交网络的范围。一个社交网络的组合多个涉及不同的个体的社会网络(31日]。社交网络可以切片的基础上开始和结束时间。社交网络也可以分为subsocial网络monthwise如果已经开发了一年多49,50]。社交网络分割有助于我们的研究进一步探索失踪的朋友的朋友关系之间的关系。
下面的列表的缩写用于量化过程的精度和召回,也将用于论文的几个部分: 调用记录代表直接调用的实际数量,两个用户之间发生。的价值计算来确定两个用户之间的社会联系。 时间同现代表的存在两个用户在共同的基站。我们计算当两个用户连接到一个共同的基站,和任何其他用户。 时间框架的差距值表示两个用户的调用之间的时间间隔而连接到一个特定的基站。例如,用户电话有人在和用户要求别人在 ;在这种情况下,调用之间的差距 。量化结果和评估精度和召回的价值观,我们尝试在以下设置的差距值: 直接调用的门槛代表的阈值评估两个用户之间的直接调用。我们评估精度和召回后曲线的基础上设置的阈值 共存的门槛代表阈值的设定为两个用户在一个特定的基站。我们的性能测试阈值范围从1到40。
共同的朋友代表的门槛设置两个阈值的用户的共同的朋友。我们的性能测试阈值范围从1到100:
3.3。同现数归一化测量
同现计数值告诉两个用户在该地区的存在一个基站。相关的一个问题计数解释和解决使用两个用户的一个例子和 ,如图4。我们计算当两个用户连接到一个共同的基站,和他们叫其他用户在一个特定的时间框架。示例如图4用户的通话记录细节和聚集在一个时间框架 。
让 和 ,然后 在哪里 , ,
在图4,和次最近的通话时间调用。在这种情况下,计算的价值可以计算为2。然而,这样的计算可能会导致一个错误的推理。它是一样的,如果一个人调用一次,和另一个人的电话n次在一个特定的时间框架,=计数值。为了解决这个问题,我们提出一个归一化方程减少定期统计值。我们介绍β( )值作为一个周期规范因素。
让表示调用的一组用户和表示调用的一组用户 ; 。
根据示例图4,我们假设为集
第一场比赛的价值= 1。
第二匹配的值= 。
同样的,对nth匹配的价值= ,
在方程(9),是指调用由用户的总数X来Y,而是指调用由用户的总数Y来X。方程(9)发现简历中间值,即。,4。33,instead of maximum 6 or minimum 3 values.
4所示。社会将推理
我们最初调查直接社会关系形成的CDR数据集和比较他们的间接社会关系形成的基础上常见的位置使用算法1。通过直接联系,我们的意思是打电话或直接连接。例如,人一个调用B指算法A和B之间的直接联系1需要 , ,和CDR数据集(社交网络)作为输入。此外,该算法有两个部分;最初,它发现两个人根据之间的直接联系阈值。其次,它有两个人的存在基于几个参数。的计算同现数()函数发现的数量同现使用方程(9),在前一节中解释。推断出社会关系()发现社会关系取决于函数 , ,和并推断出他们的社会关系。
|
4.1。CDR-Based社会领带推理
两个人之间的社会联系是推断,如果他们被发现在无数次的几个网站。推理算法确定两组结果,即。、直接的社会关系和社会关系推断出来的。交叉验证的结果,我们将直接将结果与推断的。精度和召回评估措施用于检查结果。我们测试了所有的记录基于阈值,是直接调用,是共存的,是价值的时间差距。而直接调用计数显示友谊的程度,更多的价值表示友谊的力量。图5显示精度图,其中包含四组数据5(一个)- - - - - -5 (d)。整个数据集进行基于和的值和 。
(一)
(b)
(c)
(d)
在图5(一个)的价值,是15代表彼此之间的用户直接调用等于或大于15。的价值是两个不同的用户共存的数量。精度值相对更少在0到10的范围。相比之下,精密的价值成倍增加的价值在10到30的范围。的更高的价值显示更高的用户共存。可以观察值之间的正相关关系和精度。它推断共存是一个重要的属性,影响积极识别社会关系。所有的图在图5有六个不同的线;每一行代表了不同的时间差距范围。也可以看出差距值30分钟的值有更多精密其余行1小时,2小时、6小时、12小时、24小时有不是那么精确。这也的线索,关系都有一个特定的强度对精度的影响。用户具有强大的社会关系,大多数时候,发现在某些领域。这种模式是明确观察到同现的价值=(20 - 40)和时间的差距= 30分钟。找到另一个正相关程度之间的友谊和身体出现在一个特定的地方。
看到友谊的力量的影响,我们四个不同的评估结果值,即。,2,5,10,和15。一个典型的模式存在于所有的图形如图5。这表明精度少人的共同存在在不同的网站。有强大社会关系的同时,人们花了不到1小时的时间在一起在一个特定的位置。理解图的实际意义,我们量化和调和与实际直接的社会关系。观察到一个正相关的结果推断,有良好的社会关系的人经常在一起访问的地方。
图6(一)代表记忆的结果。我们测试和评估召回基于精度的措施,即。直接调用,共存,时间的差距。图6(一)州回忆的价值是在我们考虑的最大数量少的事物焕然一新。逆趋势是观察之间的回忆和的值 ,专门为值介于0和3。一样精确,回忆也是评估基于6个不同的时间间隔值。
(一)
(b)
(c)
(d)
这部分的研究发现人们的同现基于同一基站连接在一个特定的时间框架和推断他们是社会关系。此外,它交叉关系推断结果与直接调用的结果。
4.2。Brightkite和Gowalla-Based社会领带推理
Brightkite和Gowalla数据集包含直接的社会关系以及每个用户的登记信息。在我们的研究中,我们研究了基于多个维度的数据集和发现了一些非常有趣的事实。在分析过程中,我们观察到共同的朋友之间的正相关性计算值和用户登记的细节。Brightkite,6到40 Gowalla,25到90显示了积极的相关性与精度。我们还衡量时间价值差距的影响精度和召回和评估结果基于几个时间值的差距。
数据7(一)和7 (c)线图显示共同好友之间的关系的统计值和精度,而数字7 (b)和7 (d)显示共同好友数量值之间的关系和回忆。在图7,结果表明人们有一定数量的共同的朋友使用访问的地方或小差距的间隔。
(一)
(b)
(c)
(d)
社会领带推理框架推断一些没有关系的社会关系形式的假阳性结果。进一步提取的实际意义不正确的推断,我们进行了一次社会活动和模拟。的假阳性结果的第一部分为第二部分研究作为基础。活动在第一部分数据集,和假阳性结果研究了通过研究人类共存模式,在下一节中描述的可疑的关系。这一阶段的研究给了我们一个线索,进一步利用缺失关系的范畴。
5。可疑的关系
一个没有领带可以推断怀疑领带,如果它满足以下属性:(1)米,共同的朋友(2)C不同站点的共存在CDR数据集,每个细胞都被视为一个单一细胞的基站。我们的模型采用以下四个特点进行评估:(1)基站(2)用户ID(3)差距时间阈值(4)电话时间戳以下数学模型解释了问题及其配方:让表示一组的分,被称为不同的基站电池吗让表示一组的分,被称为作为不同的用户吗让表示一组的分,时间称为阈值吗让表示一组的分,被称为调用信息, 让表示一组的点,然后 让表示一组的点,然后 让表示一组的点,然后 在哪里是一组元素标识不同的调用者基于同一基站连接和调用的确切数量在一个特定的时间框架。
6。怀疑推理框架
我们研究的模式异常情况属于假阳性组和假阳性集的一个子集描述为怀疑关系。身体活动设计并进行了调查怀疑社会关系的形成。活动由50人组成的,在近4 - 5小时内生成一个数据集。篮球场是利用活动。九圈被吸引在篮球场上,假设基站电池。50人,九是作为基站。每个圆的边界被认为是一系列基站电池。休息的41人针对执行以下两个步骤。
6.1。选择步骤
最初,每个人从41人被要求选择两组的朋友。一组为明显的朋友和第二组隐藏朋友这样隐藏的朋友组的大小应该是最明显的1/5的朋友设置大小,例如,如果一个人有五人明显的朋友,他可以有不超过一个隐藏的朋友。两组的选择每个人后,信息共享与我们的一个代表。
6.2。操作步骤
在这个阶段,每个人都是遵循以下规则:(1)你不应该打电话给你的隐藏的朋友(2)你应该叫你的所有明显的朋友至少一次(3)你应该进行调用的最大数量接近第二个明显的朋友和第二最大水平同样明显的朋友和最的朋友(4)你必须设法满足你隐藏的朋友尽可能多的身体
调用的方法是,如果人一个想叫人B从基站B1、人有去基站B1,注册一个电话一个人表演,站在基站B1。各自的基站的人会写,让一个条目有5个参数,例如,调用者的名字,者的名字,时间,从基站名称,基站名称。数据集是聚集在以下格式。下面给出一个例子。
理解的变化和模式,相同的活动也使用仿真设计。整个仿真遵循了同样的条件,另一个数据集是使用一个随机生成的功能。基于活动的框架被设计成单独的怀疑关系的类。提出了推理框架的工作是设计和实现使用管道和过滤器体系结构,如图8。算法2显示了可疑的领带推理的实现框架,解释在图8。框架采用社交网络矩阵,计算阈值,时间价值的差距,共同的朋友计数值作为输入并过滤结果。最初,计算水平()函数发现五个层面深度信息为每个不同的用户。让我们说如果一个调用B,B调用C,C调用D,D调用E,它意味着一个= 0,B= 1,C= 2,D= 3,E= 4代表五个层次。这个步骤确保所有水平不同的用户。其次,发现犯罪嫌疑人()函数只选择那些集从1级和3级的用户,没有任何直接的调用和共同的朋友。此外,计算Subsocial网络()函数生成子图使用1级和3级细节取决于时间价值的差距。结果过滤这些基地的时间间隔值,例如,两个用户称为其他用户同时连接到同一个基站在给定的时间框架内,在前一节中解释。在那之后,推断出隐藏的关系()函数使用提出了归一化法找到的数量统计,定义在方程(9),然后所有的结果是根据共存计数过滤和共同的朋友阈值 。根据提到的参数和阈值算法2失踪的显著标识子类关系作为可疑的关系。
|
||||||||||||||||||||||||||
活动的结果和仿真计算和评估使用精度和召回措施。评价进行仿真和社会活动的结果如表所示1。精度、召回和F1分的措施被用来评估框架,进一步计算基于共存计数 ,共同的朋友数 ,和时间的差距参数设置值。F使用方程(1分计算5)。给出了相关参数的定义如下。
6.3。结果与讨论
我们测试和评估基于共存的所有记录数的值 ,共同的朋友 ,和时间值的差距时间的差距。数据9(一)-9(d)显示结果的评估活动,根据三个不同的价值观共存的计数值 ,也就是说,= 5、10和15日的共同的朋友和两个不同的值 ,也就是说, 和 。同样地,数据10(一)-10(d)的评价结果仿真数据集以及提到和值。结果生成四值的差距,例如,30.30.20,10。
(一)
(b)
(c)
(d)
(一)
(b)
(c)
(d)
在数据9(一)和9(b),回忆是最大和精度是更少的价值 , ,和 。隐藏系统获得最大数量的相关关系以及假阳性结果。通过 , ,和 ,这意味着两个调用之间的差距是30分钟或更多而cooccurred事件的计数保持最低5和共同的朋友算是两个或更少。系统的性能下降,当差距时间减少30.20,10。即使有真阳性值下降,显著降低假阳性值可以看到。结果变得简洁,与两个值的变化和 。有限的数据集收集使用活动突出了事件隐藏的关系。整个活动和模拟设计类似的数据字段CDR,拟议的框架兼容CDR数据集。
结果如图9和10表现出隐藏的存在关系。参数,如时间价值的差距 ,有助于识别时间选择,适合获得最优的性能差距值是什么?同样地,数据10(一)10(d)的精度和召回曲线代表收集仿真数据集。结果通过设置阈值参数的值相同 , ,和 。数据10(一)和10(d)给精度和召回的最小值,它告诉,如果阈值被收紧,那么计算相关检索结果获得低。所有结果的精度和召回值模拟和活动数据集显示最大,如果阈值 , ,和 集。我们发现了一些令人兴奋的结果之间的差异模拟和活动完成评估过程中数据集的结果。仿真结果不给更高的查全率和查准率价值相比,活动数据结果。我们的结论是,使用随机函数生成的模拟数据集在人类活动有隐藏的模式。这些结果有助于推断出人类心理建设隐藏的关系。模拟数据集发生器工作基于相同的约束提到规则的活动。然而,模拟的关键区别和活动的选择朋友,隐藏的朋友,打电话的模式。进行仿真时,微不足道的观察结果的变化随着随机选择随机模式。根据我们的调查结果,仿真和活动都表现出隐藏的关系模式。然而,活动结果更为明显,明显识别隐藏的关系。
有必要强调一些关键问题和因变量有助于发现隐藏的两个人之间的社会关系,例如,为什么两人隐藏他们的社会关系?这是故意或无意的动作吗?如果他们有意地隐藏他们的社会并列的目的?在这种情况下,提取一个社会并列的两个人是一种强烈的问题。是一种调查过程,探讨了线索画一些两人之间的关系。调查指定如果两人在社交媒体发布一张照片更谨慎,不确定他们的社会关系。如果他们做一些私人活动,他们将不再那么小心,例如,在Facebook上发布图片或Flickr相比打电话来是一个人从一个特定的位置。尽管提取隐藏的社会关系包括各种隐私问题。我们设计活动和模拟调用者生成的数据集的数据记录(CDR)的数据集,我们彻底调查的模式连接和建立了一个框架来推断出社会关系。这项研究开辟了一个新的方向进一步探索在社会物联网连接(SIoT),特别是机器对机器直接沟通和machine-to-human或human-to-machine隐藏的关系。 In many cases, several machines work together but they rarely have a direct connection.
7所示。结论和未来的工作
在这个研究中,我们研究了社会联系的发展模式基于物理聚集。在我们研究的第一部分,我们研究了直接沟通,两个人的身体之间的关系存在。检查系统的性能和评价,我们检查了所有的结果利用精度和召回评估措施。我们也提出一个周期共存数归一化方程。在第二阶段,我们提出了怀疑领带推理框架。假阳性结果的第一部分研究的第二部分研究地面。拟议的框架采用管道和过滤器体系结构,每个过滤阈值控制。框架的基本目标是把数据集等CDR(调用者数据记录)和推断怀疑社会关系,根据指定的阈值。批判性的分析结果,我们提出一个理论,识别可疑的社会关系。除此之外,对于比较和评价,我们进行了实时人性化活动和模拟。 Keeping in mind the structure of the actual CDR data set, the whole activity was designed and evaluated. In contrast to existing work, our research focus is on hidden ties instead of the hidden actors. In the future, we are aiming to explore the homophilic nature of suspect ties within the Social Internet of Things (SIoT).
数据可用性
使用的数据可以发现http://snap.stanford.edu/data/index.html locnet。
的利益冲突
作者宣称他们没有利益冲突有关的出版工作。
确认
这项工作是在沙特国王大学的支持下,沙特阿拉伯,通过研究支持项目RSP-2020/184数量。Nauman阿里汗承认中国政府的支持和中国奖学金委员会(CSC)博士学位研究科技大学,中国。这项研究工作是支持的部分关键程序中国国家自然科学基金(批准号。61631018)。