一种动态社交网络社区演化分析方法及其系统技术方案

本发明专利技术涉及一种动态社交网络社区演化分析方法及其系统，属于网络识别技术领域，解决了现有技术未能充分利用网络拓扑结构信息和未对核心节点的类型进行区分的问题。该方法包括如下步骤：针对给定的动态社交网络，从第一个时间片开始，对每个时间片划分该时间片网络对应的社区结构；根据社区结构划分结果，计算每个时间片网络的superspreader集合和该时间片网络对应的每个社区的superblocker集合；针对superspreader集合，确定每一社区的演化事件1类型，即产生、合并和扩张事件；针对superblocker集合，确定每一社区的演化事件2类型，即消失、分裂和缩减事件。本发明专利技术利用superspreader的传播性强和superblocker破坏连通性的特点，根据这两类节点集合的变化情况分析动态社交网络社区演化事件，演化事件识别准确性、效率高。

【技术实现步骤摘要】
一种动态社交网络社区演化分析方法及其系统
本专利技术涉及网络识别
，尤其涉及一种动态社交网络社区演化分析方法及其系统。
技术介绍
一般情况下，复杂的社交网络中都隐藏着社区结构，同一社区的用户联系紧密，而不同社区的用户相互联系较为稀疏。现实的社交网络会随时间的推移而发生频繁且持续的变化，因此仅研究社交网络的静态特性不足以刻画其真实性，目前，研究者越来越关注动态社交网络的演化，其在很多领域都有广泛的应用。比如，对于疾病传播网络，跟踪感染病人的社区变化情况有助于发现疾病的传播路径，从而找到有效的措施控制疾病的传播。对于在线销售网络，分析动态社区的演化有助于预测市场流行趋势及消费者喜好的变化。关于动态社交网络社区演化分析的现有技术，主要包括基于相似度的社区演化分析方法和基于核心节点的社区演化分析方法。基于相似度的社区演化分析方法，通过计算Jaccard系数或者改进的Jaccard系数作为两个社区之间的相似度来匹配前后时间片的两个社区，若两个社区之间的相似度超过某设定的阈值，则认定这前后两个时间片的社区相匹配。该类方法设计简单、复杂度低，但对于相似度阈值的选择问题，难以通过理论分析或者简单的实验确定，并且，没有考虑到社区内部的拓扑结构信息，社区匹配的准确性难以保证。而基于核心节点的社区演化分析方法考虑了社区的拓扑结构信息，并且不需要设定阈值，但是该方法没有充分考虑不同特性的核心节点对不同类型的社区演化事件的贡献情况，而是利用单一类型的核心节点识别所有的演化事件，导致演化事件识别的准确性难以保证。综上所述，现有的动态社交网络社区演化分析方法主要存在两个不足：1)没有较好地利用网络拓扑结构，准确性有待提高；2)不同的核心节点拥有不同的特性，对演化事件检测的贡献不同，但是现有技术没有对核心节点的类型进行区分。
技术实现思路
鉴于上述的分析，本专利技术实施例旨在提供一种动态社交网络社区演化分析方法及其系统，用以解决现有技术未能充分利用网络拓扑结构信息和未对核心节点的类型进行区分的问题的问题。一方面，本专利技术实施例提供了一种动态社交网络社区演化分析方法，包括如下步骤：针对给定的动态社交网络，从第一个时间片开始，对每个时间片划分该时间片网络对应的社区结构；根据社区结构划分结果，计算每个时间片网络的superspreader集合和该时间片网络对应的每个社区的superblocker集合；针对上述superspreader集合，确定每一社区的演化事件1类型；所述演化事件1可能的类型包括产生、合并和扩张事件；针对上述superblocker集合，确定每一社区的演化事件2类型；所述演化事件2可能的类型包括消失、分裂和缩减事件。上述技术方案的有益效果如下：演化事件的类型包括产生、合并、扩张、消失、分裂和缩减。上述技术方案利用superspreader的传播性强和superblocker破坏连通性的特点，根据这两类节点集合的变化情况分析动态社交网络社区演化事件，经大量试验证明，演化事件识别的准确性和效率较高。上述技术方案解决了现有动态社交网络社区演化分析忽略社区网络的内部拓扑结构信息以及未对核心节点的类型进行区分的问题，将核心节点分为superspreader和superblocker，利用superspreader传播性强的特性发现社区的产生、合并、扩张事件，利用superblocker破坏网络连通性的特点发现社区的消失、分裂、缩减事件。基于上述方法的另一个实施例中，所述针对给定的动态社交网络、从第一个时间片开始、对每个时间片划分该时间片网络对应的社区结构，包括如下步骤：针对给定的动态社交网络，从第一个时间片开始，获得每个时间片网络中各个节点之间的邻居关系；根据上述邻居关系，通过QCA算法，划分每个时间片网络对应的社区结构。上述技术方案的有益效果是：QCA算法是一种典型的动态社交网络社区划分方法，能够较好地划分每个时间片网络对应的社区结构，该方法具有很高的执行效率，并且其划分结果合理、可靠、准确。进一步，所述计算每个时间片网络的superspreader集合和该时间片网络对应的每个社区的superblocker集合，包括如下步骤：通过DegreeDiscount算法，得到每个时间片网络的superspreader集合；通过CoreHD算法，得到每个时间片网络对应的每个社区的superblocker集合。上述进一步方案的有益效果是：DegreeDiscount算法是一种典型的社交网络superspreader集合识别方法，能够较好地计算每个时间片网络的superspreader集合。CoreHD算法是一种典型的社交网络superblocker集合识别方法，能够较好地计算每个时间片网络对应的每个社区的superblocker集合。这两种方法都具有很高的执行效率，并且得到的结果合理、准确、可靠。进一步，所述针对上述superspreader集合、确定每一社区的演化事件1类型，包括如下步骤：根据产生事件的计算模型进行演化事件1类型判断，若当前时间片t的superspreader节点在前一个时间片t-1不存在或者不是superspreader集合中的节点，则判定演化事件1为产生事件，该superspreader节点所代表的社区为当前时间片t新生成的社区；根据合并事件的计算模型进行演化事件1类型判断，若当前时间片t的同一个社区内的两个superspreader节点在前一个时间片t-1分别属于不同的社区，则判定演化事件1为合并事件，所述两个superspreader节点所代表的社区在当前时间片t发生合并；根据扩张事件的计算模型进行演化事件1类型判断，若当前时间片t的某个社区内superspreader节点规模大于前一个时间片t-1对应社区的superspreader节点规模，则判定演化事件1为扩展事件，所述社区在当前时间片t发生扩张。上述进一步方案的有益效果是：充分利用superspreader节点传播性强的特点来判断产生、合并和扩张事件，使得演化事件1类型的判断更加准确。进一步，所述针对上述superblocker集合、确定每一社区的演化事件2类型，包括如下步骤：根据消失事件的计算模型进行演化事件2类型判断，若前一个时间片t-1的superblocker节点在当前时间片t不存在或不再是superblocker集合中的节点，则判定演化事件2为消失事件，该superblocker节点曾经代表的社区在当前时间片t发生死亡；根据分裂事件的计算模型进行演化事件2类型判断，若前一个时间片t-1在同一个社区的两个superblocker节点在当前时间片t分别在两个不同的社区，则判定演化事件2为分裂事件，前一个时间片t-1的所述社区在当前时间片t发生分裂；根据缩减事件的计算模型进行演化事件2类型判断，若前一个时间片t-1的某一社区内superblocker节点规模大于当前时间片t对应社区的superblocker节点规模，则判定演化事件2为缩减事件，所述社区在当前时间片t发生缩减。上述进一步方案的有益效果是：充分利用superblocker节点对社交网络连通性破坏性强的特点来判断消失、分裂和缩减事件，使得演化事件2类型的判断更加准确。进一步，所述产生事件本文档来自技高网...

【技术保护点】
1.一种动态社交网络社区演化分析方法，其特征在于，包括如下步骤：针对给定的动态社交网络，从第一个时间片开始，对每个时间片划分该时间片网络对应的社区结构；根据社区结构划分结果，计算每个时间片网络的superspreader集合和该时间片网络对应的每个社区的superblocker集合；针对上述superspreader集合，确定每一社区的演化事件1类型；所述演化事件1可能的类型包括产生、合并和扩张事件；针对上述superblocker集合，确定每一社区的演化事件2类型：所述演化事件2可能的类型包括消失、分裂和缩减事件。

【技术特征摘要】
1.一种动态社交网络社区演化分析方法，其特征在于，包括如下步骤：针对给定的动态社交网络，从第一个时间片开始，对每个时间片划分该时间片网络对应的社区结构；根据社区结构划分结果，计算每个时间片网络的superspreader集合和该时间片网络对应的每个社区的superblocker集合；针对上述superspreader集合，确定每一社区的演化事件1类型；所述演化事件1可能的类型包括产生、合并和扩张事件；针对上述superblocker集合，确定每一社区的演化事件2类型：所述演化事件2可能的类型包括消失、分裂和缩减事件。2.根据权利要求1所述的动态社交网络社区演化分析方法，其特征在于，所述针对给定的动态社交网络、从第一个时间片开始、对每个时间片划分该时间片网络对应的社区结构，包括如下步骤：针对给定的动态社交网络，从第一个时间片开始，获得每个时间片网络中各个节点之间的邻居关系；根据上述邻居关系，通过QCA算法，划分每个时间片网络对应的社区结构。3.根据权利要求1或2所述的动态社交网络社区演化分析方法，其特征在于，所述计算每个时间片网络的superspreader集合和该时间片网络对应的每个社区的superblocker集合，包括如下步骤：通过DegreeDiscount算法，得到每个时间片网络的superspreader集合；通过CoreHD算法，得到每个时间片网络对应的每个社区的superblocker集合。4.根据权利要求1或2所述的动态社交网络社区演化分析方法，其特征在于，所述针对上述superspreader集合、确定每一社区的演化事件1类型，包括如下步骤：根据产生事件的计算模型进行演化事件1类型判断，若当前时间片t的superspreader节点在前一个时间片t-1不存在或者不是superspreader集合中的节点，则判定演化事件1为产生事件，该superspreader节点所代表的社区为当前时间片t新生成的社区；根据合并事件的计算模型进行演化事件1类型判断，若当前时间片t的同一个社区内的两个superspreader节点在前一个时间片t-1分别属于不同的社区，则判定演化事件1为合并事件，所述两个superspreader节点所代表的社区在当前时间片t发生合并；根据扩张事件的计算模型进行演化事件1类型判断，若当前时间片t的某个社区内superspreader节点规模大于前一个时间片t-1对应社区的superspreader节点规模，则判定演化事件1为扩展事件，所述社区在当前时间片t发生扩张。5.根据权利要求1或2所述的动态社交网络社区演化分析方法，其特征在于，所述针对上述superblocker集合、确定每一社区的演化事件2类型，包括如下步骤：根据消失事件的计算模型进行演化事件2类型判断，若前一个时间片t-1的superblocker节点在当前时间片t不存在或不再是superblocker集合中的节点，则判定演化事件2为消失事件，该superblocker节点曾经代表的社区在当前时间片t发生死亡；根据分裂事件的计算模型进行演化事件2类型判断，若前一个时间片t-1在同一个社区的两个superblocker节点在当前时间片t分别在两个不同的社区，则判定演化事件2为分裂事件，前一个时间片t-1的所述社区在当前时间片t发生分裂；根据缩减事件的计算模型进行演化事件2类型判断，若前一个时间片t-1的某一社区内superblocker节点规模大于当前时间片t对应社区的superblocker节点规模，则判定演化事件2为缩减事件，所述社区在当前时间片t发生缩减。6.根据权利要求4所述的动态社交网络社区演化分析方法，其特征在于，所述产生事件的计算模型为式中，ss表示某一superspreader节点，代表t时刻的第k个社区，SSt代表t时刻动态社交网络的superspreader集合，SSt-1代表t-1时刻动态社交网络的superspreader集合，Birth()＝1代表产生事件为真；所述合并事件的计算模型为式中，ss1、ss2表示某两个superspreader节点，是t-1时刻的某两个社区，是t时刻第k个社区，SSt-1代表t-1时刻动态社交网络的superspreader集合，Merging()＝1表示合并事件为真；所述扩张事件的计算模型为式中，ss表示某一superspreader节点，是t-1时刻的第k个社区，是t时刻第s个社区，SSt是t时刻动态社交网络的superspreader集合，SSt-1代表t-1时刻动态社交网络的superspreader集合，Expansion()...

【专利技术属性】
技术研发人员：王志晓，徐志鸥，席景科，袁冠，何婧，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：江苏,32