【技术实现步骤摘要】
一种基于半监督多目标优化的社交网络圈子识别方法
本专利技术涉及人工智能与复杂网络
，更具体的涉及一种基于半监督多目标优化的多层网络社团挖掘装置用于解决多通道社交网络圈子识别问题。
技术介绍
人与人之间的社交关系，构成了人类社会。因此，对用户间社交关系的研究尤为重要。然而，直接处理现实世界中的社交系统较为困难。学者们通过将社交软件中的用户账号抽象成网络中的节点，用户间的联系(聊天、关注共同话题、相互评论等)抽象为节点的连边的方法对社交系统建模，通过将社交系统抽象为社交网络，方便表征社交网络中的信息。其中，社交圈子是社交网络中最基本的结构之一，对网络中潜在的社交圈进行研究具有重要的意义。社交圈子是一组拥有共同兴趣爱好且联系紧密的用户集合。随着信息化进程的发展和网络的普及，社交网络中用户社交圈的应用分析对不同的领域有着越来越重要的意义。对于科研机构而言，对不同社交圈子的分析有利于对不同特征的人群的行为进行预测。对软件供应商而言，通过准确识别社交圈子，可以通过定向推荐相关的主题内容提升用户体验，也可以与广告商合作，对不...
【技术保护点】
1.一种基于半监督多目标优化的社交网络圈子识别方法，其特征在于：/n将多通道社交网络抽象为多层网络，并获取该多层网络的邻接矩阵；/n通过多层网络的公共低维表示计算节点的Dice相似度，并提取基于Dice的先验信息；/n通过多层网络的公共低维表示获得高质量初始解，并构建先验层重构网络；/n将先验层重构网络与网络融合，并与高质量初始解一起进行优化，在优化过程中，通过Dice的先验信息指导遗传操作，最终通过最优解选择策略求得多层网络的公共社团划分，挖掘出多通道社交网络中的社交圈子。/n
【技术特征摘要】
1.一种基于半监督多目标优化的社交网络圈子识别方法，其特征在于：
将多通道社交网络抽象为多层网络，并获取该多层网络的邻接矩阵；
通过多层网络的公共低维表示计算节点的Dice相似度，并提取基于Dice的先验信息；
通过多层网络的公共低维表示获得高质量初始解，并构建先验层重构网络；
将先验层重构网络与网络融合，并与高质量初始解一起进行优化，在优化过程中，通过Dice的先验信息指导遗传操作，最终通过最优解选择策略求得多层网络的公共社团划分，挖掘出多通道社交网络中的社交圈子。
2.根据权利要求1所述的基于半监督多目标优化的社交网络圈子识别方法，其特征在于，输入多通道社交网络抽象的多层网络G＝{G1,G2,…,GL}该多层网络G的邻接矩阵A＝{A1,A2,…,AL}，其中，L为网络的层数。
3.根据权利要求2所述的基于半监督多目标优化的社交网络圈子识别方法，其特征在于，
多层网络的公共低维表示是通过DeepWalk与提出的density-based聚合策略求取；
对求取的多层网络公共低维表示向量构建基于余弦相似度的先验层，并通过低维表示向量计算初始种群；
计算节点间的Dice相似度，构建基于Dice的先验信息。
4.根据权利要求3所述的基于半监督多目标优化的社交网络圈子识别方法，其特征在于：
设定初始化种群数量P，迭代次数T，交叉和变异概率；
生成第一子代群，通过对初始化种群进行非支配排序并计算拥挤度，通过选择，交叉，变异操作产生第一代子群；
合并父代与新产生的子代，形成新的种群；
对形成的种群进行选择、交叉、变异产生子群；其中，所采用的技术为二进制锦标赛选择法，均匀交叉与基于先验信息的变异。
5.根据权利要求3所述的基于半监督多目标优化的社交网络圈子识别方法，其特征在于：
首先对每一层网络使用DeepWalk获得每一层的低维表示，然后根据聚合策略，计算每一层的density并根据所求权重进行聚合；
density公式为：
其中，ms为社团内连边数，ns代表节点数；
构建基于余弦相似度的先验层，并计算初始种群；对公共低维表示向量分别使用K-means计算初始种群，使用余弦相似度构建虚拟先验层；
余弦相似度公式如下：
其中，vi和vj代表两个节点，x和y为vi和vj的低维表示向量，R为向量的维度；通过预先设定的保留阈值，保留部分具有最高相似度的节点对作为先验信息构建先验层；
计算节点间的Dice相似度，生成基于Dice的先验信息；
Dice相似度计算如下：...
【专利技术属性】
技术研发人员：李向华，尹泽，高超，王震，朱培灿，李学龙，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61
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。