【技术实现步骤摘要】
一种时序网络建模方法及重要节点识别方法
[0001]本专利技术涉及一种时序网络中节点的重要性识别方法,尤其是涉及一种基于层间耦合关系强度衰减的时序网络建模方法,并基于特征向量中心性指标来反映节点的重要性。
技术介绍
[0002]在线社交网络在人们生活中扮演着重要的角色。人们可以通过社交网络表达想法、分享信息,并相互影响。识别网络中的重要节点在广告投放、舆情监督及推荐系统等方面有着重要的应用。
[0003]经检索国内外文献发现,目前关于重要节点识别的方法大多数都基于静态网络展开研究,但是现实生活中的许多网络并不能被简单建模为静态网络,因为网络中的节点可能只在某个时间段内存在联系,即节点之间的连边会随时间间断性的消失或出现。所以本专利技术涉及的是时序网络中的重要节点识别方法。
[0004]文献“Eigenvector
‑
Based Centrality Measures for Temporal Networks[J].MultiscaleModeling&Simulation, ...
【技术保护点】
【技术特征摘要】
1.一种基于层间耦合关系强度衰减的时序网络建模方法,其特征在于,包括以下步骤:S01:划分网络的层数,定义多层图时序网络模型的层内关系和层间关系;S02:基于局部相似性指标计算两个时间层网络中对应节点层间耦合关系;S03:计算层间耦合强度的衰减因子,计算层间耦合关系;S04:计算多个时间层网络对应的邻接矩阵,表示层内连接关系;通过所述步骤S03计算得到的层间耦合关系,表示层间连接关系;通过层内连接关系和层间连接关系得到层间耦合强度衰减的超邻接矩阵,通过得到的层间耦合强度衰减的超邻接矩阵对时序网络进行建模。2.根据权利要求1所述的基于层间耦合关系强度衰减的时序网络建模方法,其特征在于,所述步骤S02计算两个时间层网络中对应节点层间耦合关系的方法包括:在固定参数基础上,综合考虑两个时间层网络中对应节点的自身邻居和共同邻居对层间关系的影响,定义改进的相似性指标度量层间耦合关系,改进的相似性指标ESI为:式中,N表示时序网络中节点总数,表示在时间层网络G
T
中节点i与j有连边,否则,则,表示节点i在两个时间层网络上对应节点的共同邻居的数目,其计算如下:式中,表示节点i在第t个时间层网络上的一阶邻居集合。3.根据权利要求1所述的基于层间耦合关系强度衰减的时序网络建模方法,其特征在于,所述步骤S03中衰减因子表示设定两个时间层网络中对应节点i的层间相似性会随时间间隔Δt增加而变弱定义衰减因子为:式中,Δt=t
j
‑
t
i
表示两个时间层网络的时间间隔,λ是指定的衰减率可调节参数,层间耦合关系的度量公式如下:式中,1≤t2‑
t1≤4;即本发明仅计算时间间隔小于等于4时的层间耦合关系衰减,时间间隔大于4时,忽略不计,且不计算其层间耦合强度。4.根据权利要求1所述的基于层间耦合关系强度衰减的时序网络建模方法,其特征在于,所述步骤S04中层间耦合强度衰减的超邻接矩阵ASAM为:
式中,A
(1)
,A
(2)
,...,A
(T)
分别是T个时间层网络对应的邻接矩阵,表示层内连接关系,S
(k,p)
(1≤k<p≤T,1≤p
‑
k≤4)表示两个时间层网络之间的连接关系,S
(k,p)
是N
×
N的对角矩阵,即阵,即表示节点i在两个时间层网络中的层间相似性,ASAM矩阵的其余部分为0。5.一种基于层间耦合关系强度衰减的时序网络的重要节点识别方法,其特征在于,包括权利要求1
‑
4任一项所述的基于层间耦合关系强度衰减的时序网络建模方法得到层间耦合强度衰减的超邻接矩阵;对超邻接矩阵ASAM求主特征向量Y={y1,y2,...,y
NT
}
T
;使用向量Y的第N(t
‑
1)+i个项表示节点i在第t个时间层上的特征向量中心性,将其记为N
×
T的矩阵X={x
it
}
N
×
T
,则x
it
=y
N(t
‑
1)+i
,其中,x
it
表示节点i在第t个时间层网络上的特征向量中心性。6.一种基于层间耦合关系强度衰减的时序网络建模系统,其特征在于,包括:网络划分模块,...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。