一种基于公安数据获取多维人员关系亲密度的方法及系统.pdf

本发明公开了一种基于公安数据获取多维人员关系亲密度的方法及系统，其实现过程为，首先获取关系人数据，计算相互之间的单一关系亲密度，即通过单一行为表示关系的亲疏程度；然后使用加权平均算法对多种单一关系亲密度计算得出多维组合关系亲密度，即通过多种行为表示关系的亲疏程度；对于关系人，得到以线性、指数或半衰期方式进行衰退的关系度衰退函数，重新计算关系人之间的关系亲密度，获取关系人之间的关系。该基于公安数据获取多维人员关系亲密度的方法及系统与现有技术相比，在原有基于行为次数计算关系亲密度方法的基础上作出改进，适用于多维关系亲密度界定，同时兼顾关系亲密度时间衰退问题的处理，实用性强，适用范围广泛，易于推广。

1.一种基于公安数据获取多维人员关系亲密度的方法，其特征在于，其实现过程为：
首先获取关系人的数据，计算相互之间的单一关系亲密度，即通过单一行为表示关系
的亲疏程度；
然后使用加权平均算法对多种单一关系亲密度计算得出多维组合关系亲密度，即通过
多种行为表示关系的亲疏程度；
对于关系人，如果一段时间内没有发现行为关系，则关系亲密度根据时间的推移逐渐
衰退直至消失，最后得到以线性、指数或半衰期方式进行衰退的关系度衰退函数，基于该衰
退函数，重新计算关系人之间的关系亲密度，从而准确获取关系人之间的关系。
2.根据权利要求1所述的一种基于公安数据获取多维人员关系亲密度的方法，其特征
在于，获取的关系人数据是从公安系统数据中获取的，该数据获取基于Zookeeper集群、
Hadoop集群、Spark集群架构实现：底层采用Spark on Yarn的架构模式，使用HDFS作为存
储，Spark作为计算框架，数据抽取工具使用Flume、Sqoop；然后将包括宾馆住宿、网吧上网、
常住人口、暂住人口、嫌疑人手机联系人的公安内部数据抽取到Hadoop的HDFS中，抽取过程
中进行初步清洗，处理空值、非法数据，从而得到关系人的数据信息。
3.根据权利要求1所述的一种基于公安数据获取多维人员关系亲密度的方法，其特征
在于，所述关系亲密度通过行为关系来衡量，该行为关系包括同住、伴住、同上网、同事、同
行、同族，其中，
同住：关系人同时住在同一家宾馆的同一房间；
伴住：关系人同时住在同一家宾馆的两个房间，同时开房、同时退房，即时间差在N分钟
以内，该N为小于等于10；
同上网：关系人同时在同一家网吧上网，同时上网、同时下网，即即时间差在N分钟以
内，该N为小于等于10；
同事：关系人有在同一时间段、同一企业或单位就职的经历；
同行：关系人同时从一地去另一地，路线相同且同时到达；
同族：关系人的户籍信息属于同一宗族。
4.根据权利要求3所述的一种基于公安数据获取多维人员关系亲密度的方法，其特征
在于，计算单一关系亲密度通过以下公式实现：

在该公式中，p1、p2代表两个关系人，r_i代表规则；
表示p1和p2在规则r_i下的关系度；
表示p1和p2在规则r_i下的行为次数；
α为本次计算单一关系亲密度时所针对行为次数占总体行为次数的百分比，当无法获
取总体行为次数时，该α取值为1；
a为的收缩量，其取值为0-1，用于控制行为次数对关系度的增长速
度；
b为的偏移量，控制行为次数对关系度的偏移量，当行为次数
时，才开始计算关系度，其取值为1到100之间的整数；
对于函数即亲密度d对行为次数c的函数，当行为次数
趋于无穷时，在规则r_i下，p1、p2的关系度趋于100％，即：

5.根据权利要求1-4任一所述的一种基于公安数据获取多维人员关系亲密度的方法，
其特征在于，所述多维组合关系亲密度通过以下公式计算：

p1、p2：代表两个关系人，r_i：代表规则；
表示p1和p2在的总关系度；
表示p1和p2在规则r_i下的关系度；
w_i：规则r_i的权重，w_i∈R⁺；
α：为本次计算多维组合关系亲密度时所针对行为次数占总体行为次数的百分比，当无
法获取总体行为次数时，α取值为1；
为p₁→p₂的所有关系规则集合；
对与p1同p2存在的所有规则当都趋于100％时，总关系度也
趋于100％，即：

6.根据权利要求5所述的一种基于公安数据获取多维人员关系亲密度的方法，其特征
在于，所述关系度衰退函数Weaken(d)为线性、指数或半衰期方式进行衰退，基于该关系度
衰退函数，对于有时间衰退属性的规则，p₁、p₂的关系度具体为：

其中为关系r_i的衰退函数，对于无衰退属性的规则
对于具有衰退属性的规则，通过以下算法实现：
线性衰退d′＝d(1-aT)，其中，
d：表示为原规则i的关系度；
a：表示指定的函数T的缩放量，其取值为0-1；
T：为对于当前规则d中的行为距离现在发生的最大时间的差值；
或，指数衰退d′＝a^T×d，其中，
d：表示为原规则i的关系度；
a：表示指定的函数T的缩放量，其取值为0-1；
T：为对于当前规则d中的行为距离现在发生的最大时间的差值。
7.根据权利要求1所述的一种基于公安数据获取多维人员关系亲密度的方法，其特征
在于，在获取关系度衰退函数，完成人员关系亲密度的界定后，还包括建立人员关系网的步
骤，该步骤为使用图形可视化工具对现有数据建立人员关系网络，即对历史数据进行关系
亲密度计算后，每天对增量数据计算关系亲密度，得到与该人员相关的人员列表，该人员列
表按亲密度从高到低排名。
8.一种基于公安数据获取多维人员关系亲密度的系统，其特征在于，其结构包括：
数据获取模块，用于从公安系统数据中获取相关关系人之间的数据，该数据是指包括
宾馆住宿、网吧上网、常住人口、暂住人口、嫌疑人手机联系人的公安内部数据，在数据获取
时，该模块还对数据进行初步清洗，处理空值、非法数据；
单一关系亲密度计算模块，用于将数据获取模块获取的数据进行单一关系亲密度计
算，即通过某一行为关系获取关系人之间的亲疏程度，该行为关系包括同住、伴住、同上网、
同 事、同行、同族；
多维组合关系亲密度计算模块，组合计算多种行为关系，然后综合查看关系人之间的
亲属程度；
关系度衰退计算模块，用于计算关系人之间根据时间的推移产生的衰退函数，并基于
该衰退函数计算关系人之间的关系度，所述衰退函数以线性、指数或半衰期方式进行衰退。
9.根据权利要求8所述的一种基于公安数据获取多维人员关系亲密度的系统，其特征
在于，所述单一关系亲密度计算模块通过以下公式进行计算：

在该公式中，p1、p2代表两个关系人，r_i代表规则；
表示p1和p2在规则r_i下的关系度；
表示p1和p2在规则r_i下的行为次数；
α为本次计算单一关系亲密度时所针对行为次数占总体行为次数的百分比，当无法获
取总体行为次数时，该α取值为1；
a为的收缩量，其取值为0-1，用于控制行为次数对关系度的增长速
度；
b为的偏移量，控制行为次数对关系度的偏移量，当行为次数
时，才开始计算关系度，其取值为1到100之间的整数；
对于函数即亲密度d对行为次数c的函数，当行为次数
趋于无穷时，在规则r_i下，p1、p2的关系度趋于100％，即：

所述多维组合关系亲密度计算模块通过以下公式计算：

p1、p2：代表两个关系人，r_i：代表规则；
表示p1和p2在的总关系度；
表示p1和p2在规则r_i下的关系度；
w_i：规则r_i的权重，w_i∈R⁺；
α：为本次计算多维组合关系亲密度时所针对行为次数占总体行为次数的百分比，当无
法获取总体行为次数时，α取值为1；
为p₁→p₂的所有关系规则集合；
对与p1同p2存在的所有规则当都趋于100％时，总关系度也
趋于100％，即：

所述关系度衰退计算模块计算关系度通过以下公式实现：

其中为关系r_i的衰退函数，对于无衰退属性的规则
对于具有衰退属性的规则，通过以下算法实现：
线性衰退d′＝d(1-aT)，其中，
d：表示为原规则i的关系度；
a：表示指定的函数T的缩放量，其取值为0-1；
T：为对于当前规则d中的行为距离现在发生的最大时间的差值；
或，指数衰退d′＝a^T×d，其中，
d：表示为原规则i的关系度；
a：表示指定的函数T的缩放量，其取值为0-1；
T：为对于当前规则d中的行为距离现在发生的最大时间的差值。
10.根据权利要求8或9所述的一种基于公安数据获取多维人员关系亲密度的系统，其
特征在于，所述系统还包括UI展示模块，该UI展示模块在获取关系度衰退函数，完成人员关
系亲密度的界定后，建立人员关系网，使用图形可视化工具对现有数据建立人员关系网络，
即对历史数据进行关系亲密度计算后，每天对增量数据计算关系亲密度，得到与该人员相
关的人员列表，该人员列表按亲密度从高到低排名，然后将该排名在UI界面上展示出来。

一种基于公安数据获取多维人员关系亲密度的方法及系统

技术领域

本发明涉及计算机应用技术领域，具体地说是一种实用性强、基于公安数据获取
多维人员关系亲密度的方法及系统。

背景技术

随着计算机和信息技术的迅猛发展和普及应用，在公安行业各应用系统中数据储
备越来越丰富，各类人员行为数据存在很大的价值，其中人员关系挖掘势在必行。

在人员关系挖掘方面比较流行的技术是基于关系网络的相关挖掘，无论是使用传
统关系型数据库还是使用新兴的大数据图计算方式都避免不了计算人员关系亲密度，在亲
密度的基础上得出一系列关系分析结果。

目前基于公安数据的人员关系亲密度计算采用的是行为次数界定法，依据行为次
数定义关系亲密度(例如：两个人共同住宿15次，则二人住宿行为的亲密度为15；共同上网
次数20次，则二人上网行为亲密度为20)。

但是在公安数据多维人员关系亲密度界定问题中，存在两大难点：

1、公安数据多维度，多种人员行为数据之间关系复杂，传统的基于关系行为次数
的关系亲密度计算方法，很难在多种关系亲密度合并时找到合理的权重；

2、公安数据时间跨度很大，在对人员历史行为数据计算关系亲密度时，忽略了关
系亲密度的时间衰退问题。

而且在基于公安数据的人员关系亲密度行为次数界定法中，虽然能够简单直观的
反映在某种行为关系中的亲密度，但却无法有效合理计算多维组合关系的亲疏程度(例如：
甲和乙的上网行为亲密度为20，甲和丙的住宿行为亲密度为20，无法判断甲与乙、丙谁更亲
密)。

人员关系是随着时间的推移而衰减的，但是在亲密度行为次数界定法中并未考虑
到，这样在准确度方面存在不足。

基于此，本发明提出一种基于公安数据获取多维人员关系亲密度的方法及系统，
在亲密度行为次数界定发的基础上进行改进，使之能够适用于多维关系亲密度计算，并兼
顾亲密度时间衰减问题。

发明内容

本发明的技术任务是针对以上不足之处，提供一种实用性强、基于公安数据获取
多维人员关系亲密度的方法及系统。

一种基于公安数据获取多维人员关系亲密度的方法，其实现过程为：

首先获取关系人的数据，计算相互之间的单一关系亲密度，即通过单一行为表示
关系的亲疏程度；

然后使用加权平均算法对多种单一关系亲密度计算得出多维组合关系亲密度，即
通过多种行为表示关系的亲疏程度；

对于关系人，如果一段时间内没有发现行为关系，则关系亲密度根据时间的推移
逐渐衰退直至消失，最后得到以线性、指数或半衰期方式进行衰退的关系度衰退函数，基于
该衰退函数，重新计算关系人之间的关系亲密度，从而准确获取关系人之间的关系。

获取的关系人数据是从公安系统数据中获取的，该数据获取基于Zookeeper集群、
Hadoop集群、Spark集群架构实现：底层采用Spark on Yarn的架构模式，使用HDFS作为存
储，Spark作为计算框架，数据抽取工具使用Flume、Sqoop；然后将包括宾馆住宿、网吧上网、
常住人口、暂住人口、嫌疑人手机联系人的公安内部数据抽取到Hadoop的HDFS中，抽取过程
中进行初步清洗，处理空值、非法数据，从而得到关系人的数据信息。

所述关系亲密度通过行为关系来衡量，该行为关系包括同住、伴住、同上网、同事、
同行、同族，其中，

同住：关系人同时住在同一家宾馆的同一房间；

伴住：关系人同时住在同一家宾馆的两个房间，同时开房、同时退房，即时间差在N
分钟以内，该N为小于等于10；

同上网：关系人同时在同一家网吧上网，同时上网、同时下网，即即时间差在N分钟
以内，该N为小于等于10；

同事：关系人有在同一时间段、同一企业或单位就职的经历；

同行：关系人同时从一地去另一地，路线相同且同时到达；

同族：关系人的户籍信息属于同一宗族。

计算单一关系亲密度通过以下公式实现：

在该公式中，p1、p2代表两个关系人，r_i代表规则；

表示p1和p2在规则r_i下的关系度；

表示p1和p2在规则r_i下的行为次数；

α为本次计算单一关系亲密度时所针对行为次数占总体行为次数的百分比，当无
法获取总体行为次数时，该α取值为1；

a为的收缩量，其取值为0-1，用于控制行为次数对关系度的增
长速度；

b为的偏移量，控制行为次数对关系度的偏移量，当行为次数
时，才开始计算关系度，其取值为1到100之间的整数；

对于函数即亲密度d对行为次数c的函数，当行为次数
趋于无穷时，在规则r_i下，p1、p2的关系度趋于100％，即：

所述多维组合关系亲密度通过以下公式计算：

p1、p2：代表两个关系人，r_i：代表规则；

表示p1和p2在的总关系度；

表示p1和p2在规则r_i下的关系度；

w_i：规则r_i的权重，w_i∈R⁺；

α：为本次计算多维组合关系亲密度时所针对行为次数占总体行为次数的百分比，
当无法获取总体行为次数时，α取值为1；

为p₁→p₂的所有关系规则集合；

对与p1同p2存在的所有规则当都趋于100％时，总关系度
也趋于100％，即：

所述关系度衰退函数Weaken(d)为线性、指数或半衰期方式进行衰退，基于该关系
度衰退函数，对于有时间衰退属性的规则，p₁、p₂的关系度具体为：

其中为关系r_i的衰退函数，对于无衰退属性的规则
对于具有衰退属性的规则，通过以下算法实现：

线性衰退d′＝d(1-aT)，其中，

d：表示为原规则i的关系度；

a：表示指定的函数T的缩放量，其取值为0-1；

T：为对于当前规则d中的行为距离现在发生的最大时间的差值；

或，指数衰退d′＝a^T×d，其中，

d：表示为原规则i的关系度；

a：表示指定的函数T的缩放量，其取值为0-1；

T：为对于当前规则d中的行为距离现在发生的最大时间的差值。

在获取关系度衰退函数，完成人员关系亲密度的界定后，还包括建立人员关系网
的步骤，该步骤为使用图形可视化工具对现有数据建立人员关系网络，即对历史数据进行
关系亲密度计算后，每天对增量数据计算关系亲密度，得到与该人员相关的人员列表，该人
员列表按亲密度从高到低排名。

一种基于公安数据获取多维人员关系亲密度的系统，其结构包括：

数据获取模块，用于从公安系统数据中获取相关关系人之间的数据，该数据是指
包括宾馆住宿、网吧上网、常住人口、暂住人口、嫌疑人手机联系人的公安内部数据，在数据
获取时，该模块还对数据进行初步清洗，处理空值、非法数据；

单一关系亲密度计算模块，用于将数据获取模块获取的数据进行单一关系亲密度
计算，即通过某一行为关系获取关系人之间的亲疏程度，该行为关系包括同住、伴住、同上
网、同事、同行、同族；

多维组合关系亲密度计算模块，组合计算多种行为关系，然后综合查看关系人之
间的亲属程度；

关系度衰退计算模块，用于计算关系人之间根据时间的推移产生的衰退函数，并
基于该衰退函数计算关系人之间的关系度，所述衰退函数以线性、指数或半衰期方式进行
衰退。

所述单一关系亲密度计算模块通过以下公式进行计算：

在该公式中，p1、p2代表两个关系人，r_i代表规则；

表示p1和p2在规则r_i下的关系度；

表示p1和p2在规则r_i下的行为次数；

α为本次计算单一关系亲密度时所针对行为次数占总体行为次数的百分比，当无
法获取总体行为次数时，该α取值为1；

a为的收缩量，其取值为0-1，用于控制行为次数对关系度的增
长速度；

b为的偏移量，控制行为次数对关系度的偏移量，当行为次数
时，才开始计算关系度，其取值为1到100之间的整数；

对于函数即亲密度d对行为次数c的函数，当行为次数
趋于无穷时，在规则r_i下，p1、p2的关系度趋于100％，即：

所述多维组合关系亲密度计算模块通过以下公式计算：

p1、p2：代表两个关系人，r_i：代表规则；

表示p1和p2在的总关系度；

表示p1和p2在规则r_i下的关系度；

w_i：规则r_i的权重，w_i∈R⁺；

α：为本次计算多维组合关系亲密度时所针对行为次数占总体行为次数的百分比，
当无法获取总体行为次数时，α取值为1；

为p₁→p₂的所有关系规则集合；

对与p1同p2存在的所有规则当都趋于100％时，总关系度
也趋于100％，即：

所述关系度衰退计算模块计算关系度通过以下公式实现：

其中为关系r_i的衰退函数，对于无衰退属性的规则
对于具有衰退属性的规则，通过以下算法实现：

线性衰退d′＝d(1-aT)，其中，

d：表示为原规则i的关系度；

a：表示指定的函数T的缩放量，其取值为0-1；

T：为对于当前规则d中的行为距离现在发生的最大时间的差值；

或，指数衰退d′＝a^T×d，其中，

d：表示为原规则i的关系度；

a：表示指定的函数T的缩放量，其取值为0-1；

T：为对于当前规则d中的行为距离现在发生的最大时间的差值。

所述系统还包括UI展示模块，该UI展示模块在获取关系度衰退函数，完成人员关
系亲密度的界定后，建立人员关系网，使用图形可视化工具对现有数据建立人员关系网络，
即对历史数据进行关系亲密度计算后，每天对增量数据计算关系亲密度，得到与该人员相
关的人员列表，该人员列表按亲密度从高到低排名，然后将该排名在UI界面上展示出来。

本发明的一种基于公安数据获取多维人员关系亲密度的方法及系统，具有以下优
点：

本发明提出的一种基于公安数据获取多维人员关系亲密度的方法及系统，相比于
使用传统的人员关系亲密度行为次数界定法，在计算单一关系亲密度时差异不明显，但本
发明可以将亲密度限定在0～1之间；在计算多维组合关系亲密度时，传统方法难以胜任，本
方法可有效解决这一问题，并将结果限定在0～1之间；在人员关系亲密度时间衰退问题上，
本发明根据不同的情况使用线性衰退或指数衰退的方法控制亲密度随时间的衰退情况，使
最终计算结果更准确合理；在原有基于行为次数计算关系亲密度方法的基础上作出改进，
适用于多维关系亲密度界定，同时兼顾关系亲密度时间衰退问题的处理，实用性强，适用范
围广泛，易于推广。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有
技术描述中所需要使用的附图作简单的介绍，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。

附图1为本发明的系统实现示意图。

附图2为单一关系亲密度曲线图。

附图3为多维关系亲密度曲线图。

附图4为线性衰弱图。

附图5为指数衰弱图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式
对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是
全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提
下所获得的所有其他实施例，都属于本发明保护的范围。

如附图所示，一种基于程序轴的信息提示系统，具体涉及分布式图计算、算法领
域。其中，采用新型亲密度计算方法来界定公安数据多维人员关系亲密度，与国内外已经应
用的基于公安数据的亲密度计算方法具有差异化的技术领先性。

实施例1：

一种基于公安数据获取多维人员关系亲密度的方法，其实现过程为：

首先获取关系人的数据，计算相互之间的单一关系亲密度，即通过单一行为表示
关系的亲疏程度；

然后使用加权平均算法对多种单一关系亲密度计算得出多维组合关系亲密度，即
通过多种行为表示关系的亲疏程度；

对于关系人，如果一段时间内没有发现行为关系，则关系亲密度根据时间的推移
逐渐衰退直至消失，最后得到以线性、指数或半衰期方式进行衰退的关系度衰退函数，基于
该衰退函数，重新计算关系人之间的关系亲密度，从而准确获取关系人之间的关系。

获取的关系人数据是从公安系统数据中获取的，该数据获取基于Zookeeper集群、
Hadoop集群、Spark集群架构实现：底层采用Spark on Yarn的架构模式，使用HDFS作为存
储，Spark作为计算框架，数据抽取工具使用Flume、Sqoop；然后将包括宾馆住宿、网吧上网、
常住人口、暂住人口、嫌疑人手机联系人的公安内部数据抽取到Hadoop的HDFS中，抽取过程
中进行初步清洗，处理空值、非法数据，从而得到关系人的数据信息。

所述关系亲密度通过行为关系来衡量，该行为关系包括同住、伴住、同上网、同事、
同行、同族，其中，

同住：关系人同时住在同一家宾馆的同一房间；

伴住：关系人同时住在同一家宾馆的两个房间，同时开房、同时退房，即时间差在N
分钟以内，该N为小于等于10；

同上网：关系人同时在同一家网吧上网，同时上网、同时下网，即即时间差在N分钟
以内，该N为小于等于10；

同事：关系人有在同一时间段、同一企业或单位就职的经历；

同行：关系人同时从一地去另一地，路线相同且同时到达；

同族：关系人的户籍信息属于同一宗族。

计算单一关系亲密度通过以下公式实现，图2为关系度随行为次数变化曲线：

在该公式中，p1、p2代表两个关系人，r_i代表规则；

表示p1和p2在规则r_i下的关系度；

表示p1和p2在规则r_i下的行为次数；

α为本次计算单一关系亲密度时所针对行为次数占总体行为次数的百分比，当无
法获取总体行为次数时，该α取值为1；

a为的收缩量，其取值为0-1，用于控制行为次数对关系度的增
长速度；

b为的偏移量，控制行为次数对关系度的偏移量，当行为次数
时，才开始计算关系度，其取值为1到100之间的整数；

对于函数即亲密度d对行为次数c的函数，当行为次数
趋于无穷时，在规则r_i下，p1、p2的关系度趋于100％，即：

所述多维组合关系亲密度通过以下公式计算，图3为关系度随行为次数变化曲线：

p1、p2：代表两个关系人，r_i：代表规则；

表示p1和p2在的总关系度；

表示p1和p2在规则r_i下的关系度；

w_i：规则r_i的权重，w_i∈R⁺；

α：为本次计算多维组合关系亲密度时所针对行为次数占总体行为次数的百分比，
当无法获取总体行为次数时，α取值为1；

为p₁→p₂的所有关系规则集合；

对与p1同p2存在的所有规则当都趋于100％时，总关系度
也趋于100％，即：

所述关系度衰退函数Weaken(d)为线性、指数或半衰期方式进行衰退，基于该关系
度衰退函数，对于有时间衰退属性的规则，p₁、p₂的关系度具体为：

其中为关系r_i的衰退函数，对于无衰退属性的规则
对于具有衰退属性的规则，通过以下算法实现：

线性衰退d′＝d(1-aT)，曲线如图4所示，其中，

d：表示为原规则i的关系度；

a：表示指定的函数T的缩放量，其取值为0-1；

T：为对于当前规则d中的行为距离现在发生的最大时间的差值；

或，指数衰退d′＝a^T×d，曲线如图5所示，其中，

d：表示为原规则i的关系度；

a：表示指定的函数T的缩放量，其取值为0-1；

T：为对于当前规则d中的行为距离现在发生的最大时间的差值。

进一步的，下面以宾馆住宿和网吧上网数据为例，计算2维组合关系亲密度，甲、乙
同住20次，同上网20次，甲乙关系亲密度计算如下：

同住关系亲密度，其中：b＝2、a＝0.5、α＝0.5。

同上网关系亲密度，其中：b＝5、a＝0.3、α＝0.5。

组合其密度，其中同住权重w＝0.7，同上网权重w＝0.3，时间衰退采用指数衰退，
衰退放缩量a＝0.95，时间为近期，时间距离T＝0。

因此，通过上述算法计算人与人之间的关系亲密度，无论关系种类单一或复杂，最
终都能得到一个0～1之间的数，并且考虑到时间衰弱，随着时间的推移，亲密度变小。

实施例2：

一种基于公安数据获取多维人员关系亲密度的方法，其实现过程为：

首先获取关系人的数据，计算相互之间的单一关系亲密度，即通过某一行为关系
获取关系人之间的亲疏程度；

然后对关系人的多维组合关系亲密度进行计算，即通过多种行为关系获取关系人
之间的亲疏程度；

对于关系人，如果一段时间内没有发现行为关系，则关系亲密度根据时间的推移
逐渐衰退直至消失，最后得到关系度衰退函数，具体的，对于个体p₁、p₂，如果一段时间内没
有发现p₁→p₂的行为，则关系度根据时间的推移逐渐衰退直至消失(如对于p₁、p₂的同等次
数的上网行为，最近的比十年前的行为对p₁、p₂的关系度更具影响力)，关系度衰退函数
Weaken(d)可为线性、指数、半衰期等方式进行衰退。基于该衰退函数，重新计算关系人之间
的关系亲密度，从而准确获取关系人之间的关系。

获取的关系人数据是从公安系统数据中获取的，该数据获取基于以下架构实现：
底层采用Spark on Yarn的架构模式，使用HDFS作为存储，Spark作为计算框架，数据抽取工
具使用Flume、Sqoop；因此，首先要搭建Zookeeper集群、Hadoop集群、Spark集群，安装
Flume、Sqoop等工具；然后将包括宾馆住宿、网吧上网、常住人口、暂住人口、嫌疑人手机联
系人的公安内部数据抽取到Hadoop的HDFS中，抽取过程中进行初步清洗，处理空值、非法数
据，从而得到关系人的数据信息。

所述关系亲密度通过行为关系来衡量，该行为关系包括同住、伴住、同上网、同事、
同行、同族，其中，

同住：两人同时住在同一家宾馆的同一房间；

伴住：两人同时住在同一家宾馆的两个房间，同时开房、同时退房(时间差2分钟以
内)；

同上网：两人同时在同一家网吧上网，同时上网、同时下网(时间差2分钟以内)；

同事：两人有在同一时间段、同一企业或单位就职的经历；

同行：两人同时从一地去另一地，路线相同且同时到达；

同族：两人的户籍信息属于同一宗族。

计算单一关系亲密度通过以下公式实现：

在该公式中，p1、p2代表两个关系人，r_i代表规则；

表示p1和p2在规则r_i下的关系度；

表示p1和p2在规则r_i下的行为次数；

α为本次计算单一关系亲密度时所针对行为次数占总体行为次数的百分比，当无
法获取总体行为次数时，该α取值为1；

a为的收缩量，其取值为0-1，用于控制行为次数对关系度的增
长速度；

b为的偏移量，控制行为次数对关系度的偏移量，当行为次数
时，才开始计算关系度，其取值为1到100之间的整数；

对于函数即亲密度d对行为次数c的函数，当行为次数
趋于无穷时，在规则r_i下，p1、p2的关系度趋于100％，即：

所述多维组合关系亲密度通过以下公式计算：

p1、p2：代表两个关系人，r_i：代表规则；

表示p1和p2在的总关系度；

表示p1和p2在规则r_i下的关系度；

w_i：规则r_i的权重，w_i∈R⁺；

α：为本次计算多维组合关系亲密度时所针对行为次数占总体行为次数的百分比，
当无法获取总体行为次数时，α取值为1；

为p₁→p₂的所有关系规则集合；

对与p1同p2存在的所有规则当都趋于100％时，总关系度
也趋于100％，即：

所述关系度衰退函数Weaken(d)为线性、指数或半衰期方式进行衰退，基于该关系
度衰退函数，对于有时间衰退属性的规则，p₁、p₂的关系度具体为：

其中为关系r_i的衰退函数，对于无衰退属性的规则
对于具有衰退属性的规则，通过以下算法实现：

线性衰退d′＝d(1-aT)，其中，

d：表示为原规则i的关系度；

a：表示指定的函数T的缩放量，其取值为0-1；

T：为对于当前规则d中的行为距离现在发生的最大时间的差值；

或，指数衰退d′＝a^T×d，其中，

d：表示为原规则i的关系度；

a：表示指定的函数T的缩放量，其取值为0-1；

T：为对于当前规则d中的行为距离现在发生的最大时间的差值。

因此，通过上述算法计算人与人之间的关系亲密度，无论关系种类单一或复杂，最
终都能得到一个0～1之间的数，并且考虑到时间衰弱，随着时间的推移，亲密度变小。

在获取关系度衰退函数，完成人员关系亲密度的界定后，还包括建立人员关系网
的步骤，该步骤为使用Spark GraphX工具对现有数据建立人员关系网络。系统初期需要很
长时间对历史数据进行关系亲密度计算，然后每天对增量数据计算关系亲密度，在系统中
可搜索任意人员的关系网络组成，并得到与该人员相关的人员列表(按亲密度从高到低排
名)。

如附图1所示，一种基于公安数据获取多维人员关系亲密度的系统，其结构包括：

数据获取模块，用于从公安系统数据中获取相关关系人之间的数据，该数据是指
包括宾馆住宿、网吧上网、常住人口、暂住人口、嫌疑人手机联系人的公安内部数据，在数据
获取时，该模块还对数据进行初步清洗，处理空值、非法数据；

单一关系亲密度计算模块，用于将数据获取模块获取的数据进行单一关系亲密度
计算，即通过某一行为关系获取关系人之间的亲疏程度，该行为关系包括同住、伴住、同上
网、同事、同行、同族；

多维组合关系亲密度计算模块，组合计算多种行为关系，然后综合查看关系人之
间的亲属程度；

关系度衰退计算模块，用于计算关系人之间根据时间的推移产生的衰退函数，并
基于该衰退函数计算关系人之间的关系度，所述衰退函数以线性、指数或半衰期方式进行
衰退。

所述单一关系亲密度计算模块通过以下公式进行计算：

在该公式中，p1、p2代表两个关系人，r_i代表规则；

表示p1和p2在规则r_i下的关系度；

表示p1和p2在规则r_i下的行为次数；

α为本次计算单一关系亲密度时所针对行为次数占总体行为次数的百分比，当无
法获取总体行为次数时，该α取值为1；

a为的收缩量，其取值为0-1，用于控制行为次数对关系度的增
长速度；

b为的偏移量，控制行为次数对关系度的偏移量，当行为次数
时，才开始计算关系度，其取值为1到100之间的整数；

对于函数即亲密度d对行为次数c的函数，当行为次数
趋于无穷时，在规则r_i下，p1、p2的关系度趋于100％，即：

所述多维组合关系亲密度计算模块通过以下公式计算：

p1、p2：代表两个关系人，r_i：代表规则；

表示p1和p2在的总关系度；

表示p1和p2在规则r_i下的关系度；

w_i：规则r_i的权重，w_i∈R⁺；

α：为本次计算多维组合关系亲密度时所针对行为次数占总体行为次数的百分比，
当无法获取总体行为次数时，α取值为1；

为p₁→p₂的所有关系规则集合；

对与p1同p2存在的所有规则当都趋于100％时，总关系度
也趋于100％，即：

所述关系度衰退计算模块计算关系度通过以下公式实现：

其中为关系r_i的衰退函数，对于无衰退属性的规则
对于具有衰退属性的规则，通过以下算法实现：

线性衰退d′＝d(1-aT)，其中，

d：表示为原规则i的关系度；

a：表示指定的函数T的缩放量，其取值为0-1；

T：为对于当前规则d中的行为距离现在发生的最大时间的差值；

或，指数衰退d′＝a^T×d，其中，

d：表示为原规则i的关系度；

a：表示指定的函数T的缩放量，其取值为0-1；

T：为对于当前规则d中的行为距离现在发生的最大时间的差值。

所述系统还包括UI展示模块，该UI展示模块在获取关系度衰退函数，完成人员关
系亲密度的界定后，建立人员关系网，使用图形可视化工具对现有数据建立人员关系网络，
即对历史数据进行关系亲密度计算后，每天对增量数据计算关系亲密度，得到与该人员相
关的人员列表，该人员列表按亲密度从高到低排名，然后将该排名在UI界面上展示出来。

该可视化工具是指包括ECharts工具的图形工具。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它
实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装
置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分
说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的模块
及相应的数学计算步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地
说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及
步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束
条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这
种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法步骤及结构模块可以直接用硬件、处理器
执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读
存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技
术领域内所公知的任意其它形式的存储介质中。

上述具体实施方式仅是本发明的具体个案，本发明的专利保护范围包括但不限于
上述具体实施方式，任何符合本发明的一种基于公安数据获取多维人员关系亲密度的方法
及系统的权利要求书的且任何所述技术领域的普通技术人员对其所做的适当变化或替换，
皆应落入本发明的专利保护范围。