基于动态演化的重叠社区推荐方法及系统技术方案

本发明专利技术涉及一种基于动态演化的重叠社区推荐方法及系统，属于社区检测算法技术领域，该方法包括：采集多个用户的行为数据，获取各个用户对应的相关性排列矩阵，并建立用户属性矩阵；构建多个用户之间的复杂关系网络模型；通过极大团枚举算法获取所述复杂关系网络模型中的极大团，进行极大团融合，并根据极大团融合结果形成多层次社区；根据多层次社区中的社区层次或者重要节点进行重叠社区推荐。本申请提供的方法及系统，根据极大团融合结果形成多层次社区，并根据多层次社区中的社区层次或者重要节点进行重叠社区推荐，兼顾了复杂关系网络模型的重叠性与动态性，根据层次结构为重要节点推荐策略提供了参考，可针对于隐性的属性关系进行推荐。性关系进行推荐。性关系进行推荐。

【技术实现步骤摘要】
基于动态演化的重叠社区推荐方法及系统


[0001]本专利技术涉及社区检测算法
，尤其涉及一种基于动态演化的重叠社区推荐方法及系统。

技术介绍

[0002]社区检测算法被应用于动态重叠社区检测，因其分配策略固定，故而在时间片上检测结果较为稳定，因此可被应用于简单的复杂网络分析。该方法通过将满足指定大小、连通着的完全子图划分至同一个社区，因节点可能归属不同的团，固而能够实现重叠社区检测，然而社区检测算法只能识别出指定大小的全连通子图，无法完全表示网络的所有节点，故而在动态社区的比较中，容易遗失节点，造成网络分析不完全。
[0003]重要节点推荐方法中社区通常被定义为内部连接相对稠密、外部连接相对稀疏的节点集合，属性之间的推荐被局限于少部分属性相似的显示社区中，而真实复杂网络上社区结构会随关系的改变而产生变化且节点可能同时归属于不同的社区，即复杂网络的重叠性与动态性，从而，无法针对于隐性的属性关系进行推荐。

技术实现思路

[0004]本专利技术意在提供一种基于动态演化的重叠社区推荐方法及系统，以解决现有技术中存在的不足，本专利技术要解决的技术问题通过以下技术方案来实现。
[0005]本专利技术提供的基于动态演化的重叠社区推荐方法，包括：采集多个用户的行为数据，并提取出多个用户的行为数据所涉及的n个属性，将各个用户作为目标，通过训练完成的逻辑回归模型获取各个用户分别与n个属性之间的相关性，得到各个用户对应的相关性排列矩阵，并建立用户属性矩阵；根据相关性排列矩阵和用户属性矩阵获取相似度矩阵，并通过对相似度矩阵中的元素与临界概率比较，根据比较结果建立邻接矩阵，以及通过邻接矩阵中的元素生成多个用户之间的复杂关系网络模型G；通过极大团枚举算法获取所述复杂关系网络模型G中的极大团，并由包含节点数量最小的极大团开始对所有极大团进行遍历，分别计算各个时刻遍历的极大团与其他极大团之间的融合系数，根据计算结果进行极大团融合，并根据极大团融合结果形成多层次社区；根据多层次社区中的社区层次或者重要节点进行重叠社区推荐。
[0006]在上述的方案中，所述逻辑回归模型采用Sigmoid函数进行训练，将超平面等式代入至Sigmoid函数中得到逻辑回归模型的预测函数，其中，所述Sigmoid函数表示为：，其中，z为自变量；其中，逻辑回归模型的预测函数表示为：
，其中，为超平面等式，θ为逻辑回归模型的参数，x为输入变量；其中，在训练所述逻辑回归模型时，采用的损失函数表示为:，其中，m为训练样本的数量，λ为正则化系数，θ为逻辑回归模型的参数，x为输入变量，y为权重系数。
[0007]在上述的方案中，根据相关性排列矩阵和用户属性矩阵获取相似度矩阵包括：对所述相关性排列矩阵和所述用户属性矩阵进行相乘运算，得到权重矩阵；根据皮尔逊相关系数对权重矩阵进行运算，获取多个用户中两两用户之间的相似度，得到相似度矩阵。
[0008]在上述的方案中，通过对相似度矩阵中的元素与临界概率比较，根据比较结果建立邻接矩阵包括：动态调整相似度阈值，根据不同相似度阈值生成相似度网络，并根据不同阈值生成的相似度网络的社区结构明显程度，获取临界概率；对相似度矩阵中除对称轴上的元素外的其他元素与临界概率比较，将与小于临界概率的元素所在位置相同的邻接矩阵中的元素取值为0，并将与大于临界概率的元素所在位置相同的邻接矩阵中的元素取值为1；将邻接矩阵中的对称轴上的元素取值为0。
[0009]在上述的方案中，分别计算各个时刻遍历的极大团与其他极大团之间的融合系数，根据计算结果进行极大团融合包括：获取将其他极大团中与当前时刻遍历的极大团之间的融合系数最大的极大团，将其与当前遍历的极大团进行融合，形成当前时刻的极大团集合；获取将下一时刻遍历的极大团与除上一时刻遍历的极大团之外的各个其他极大团的融合系数，将融合系数最大时对应的其他极大团中的极大团与下一时刻遍历的极大团进行融合，形成下一时刻的极大团集合；持续遍历，直至所有极大团融合完成，形成多个极大团集合。
[0010]在上述的方案中，根据极大团融合结果形成多层次社区包括：将各个极大团集合所包含的节点数量作为多层次社区的层数；将所包含的节点数量最多的极大团集合作为核心团；将各个极大团集合分配至其对应的层，形成多层次社区。
[0011]在上述的方案中，根据多层次社区中的社区层次或者重要节点进行重叠社区推荐包括：从多层次社区的最高层开始，获取最高层内所有节点能组成的最大完全子图的所有边的集合E'，并获取最高层内所有节点能组成的最大完全子图的外围边的集合E；通过集合E'与集合E获取推荐目标集合E"，其中推荐目标集合E"表示为：E"=E'
‑
E；通过遍历推荐目标集合E"的每一条边，对推荐目标集合E"内每一条边所指向的用户通过集合E的属性集合进行差异属性推荐；在多层次社区的下一层的极大团集合与最高层内的最大完全子图存在m
‑
1个共享
节点时，对多层次社区的下一层的极大团集合与最高层内的最大完全子图进行融合，其中，m为多层次社区的下一层的极大团集合所包含的节点数量；获取多层次社区的下一层的极大团集合与最高层内的最大完全子图的非共享节点，将经过融合后非共享节点与最高层内的最大完全子图的所有节点之间的新增的边作为推荐目标集合，并对推荐目标集合的每一条边上的用户属性进行推荐；获取多层次社区的下一层的极大团集合与最高层内的最大完全子图的融合结果，对多层次社区的下下一层的极大团集合与所述融合结果进行再次融合，以及采用以上步骤进行用户属性推荐；重复以上步骤，进行相关融合以及用户属性推荐。
[0012]在上述的方案中，根据多层次社区中的社区层次或者重要节点进行重叠社区推荐包括：获取多层次社区中的所有重叠节点；将所有重叠节点分别所在的极大团集合作为重叠团，对各个重叠团中的所有节点进行遍历，计算各个重叠团中的所有节点局部聚类系数；分别获取各个重叠团中的局部聚类系数最大的节点，通过各个重叠团中的局部聚类系数最大的节点与其对应的重叠节点进行属性差异性推荐。
[0013]本专利技术提供的基于动态演化的重叠社区推荐系统，采用如上所述的基于动态演化的重叠社区推荐方法进行重叠社区推荐，该系统包括：数据采集模块，用于采集多个用户的行为数据，并提取出多个用户的行为数据所涉及的n个属性，将各个用户作为目标，通过训练完成的逻辑回归模型获取各个用户分别与n个属性之间的相关性，得到各个用户对应的相关性排列矩阵，并建立用户属性矩阵；网络模型构建模块，用于根据相关性排列矩阵和用户属性矩阵获取相似度矩阵，并通过对相似度矩阵中的元素与临界概率比较，根据比较结果建立邻接矩阵，以及通过邻接矩阵中的元素生成多个用户之间的复杂关系网络模型G；多层次社区形成模块，用于通过极大团枚举算法获取所述复杂关系网络模型G中的极大团，并由包含节点数量最小的极大团开始对所有极大团进行遍历，分别计算各个时刻遍历的极大团与其他极大团之间的融合系数，根据计算结果进行极大团融合，并根据极大团融合结果形成多层次社区；重叠社区推荐模块，用于根据多层次社区中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态演化的重叠社区推荐方法，其特征在于，所述方法包括：采集多个用户的行为数据，并提取出多个用户的行为数据所涉及的n个属性，将各个用户作为目标，通过训练完成的逻辑回归模型获取各个用户分别与n个属性之间的相关性，得到各个用户对应的相关性排列矩阵，并建立用户属性矩阵；根据相关性排列矩阵和用户属性矩阵获取相似度矩阵，并通过对相似度矩阵中的元素与临界概率比较，根据比较结果建立邻接矩阵，以及通过邻接矩阵中的元素生成多个用户之间的复杂关系网络模型G；通过极大团枚举算法获取所述复杂关系网络模型G中的极大团，并由包含节点数量最小的极大团开始对所有极大团进行遍历，分别计算各个时刻遍历的极大团与其他极大团之间的融合系数，根据计算结果进行极大团融合，并根据极大团融合结果形成多层次社区；根据多层次社区中的社区层次或者重要节点进行重叠社区推荐。2.根据权利要求1所述的基于动态演化的重叠社区推荐方法，其特征在于，所述逻辑回归模型采用Sigmoid函数进行训练，将超平面等式代入至Sigmoid函数中得到逻辑回归模型的预测函数，其中，所述Sigmoid函数表示为：，其中，z为自变量；其中，逻辑回归模型的预测函数表示为：，其中，为超平面等式，θ为逻辑回归模型的参数，x为输入变量；其中，在训练所述逻辑回归模型时，采用的损失函数表示为:，其中，m为训练样本的数量，λ为正则化系数，θ为逻辑回归模型的参数，x为输入变量，y为权重系数。3.根据权利要求1所述的基于动态演化的重叠社区推荐方法，其特征在于，根据相关性排列矩阵和用户属性矩阵获取相似度矩阵包括：对所述相关性排列矩阵和所述用户属性矩阵进行相乘运算，得到权重矩阵；根据皮尔逊相关系数对权重矩阵进行运算，获取多个用户中两两用户之间的相似度，得到相似度矩阵。4.根据权利要求1所述的基于动态演化的重叠社区推荐方法，其特征在于，通过对相似度矩阵中的元素与临界概率比较，根据比较结果建立邻接矩阵包括：动态调整相似度阈值，根据不同相似度阈值生成相似度网络，并根据不同阈值生成的相似度网络的社区结构明显程度，获取临界概率；对相似度矩阵中除对称轴上的元素外的其他元素与临界概率比较，将与小于临界概率的元素所在位置相同的邻接矩阵中的元素取值为0，并将与大于临界概率的元素所在位置相同的邻接矩阵中的元素取值为1；将邻接矩阵中的对称轴上的元素取值为0。5.根据权利要求1所述的基于动态演化的重叠社区推荐方法，其特征在于，分别计算各
个时刻遍历的极大团与其他极大团之间的融合系数，根据计算结果进行极大团融合包括：获取将其他极大团中与当前时刻遍历的极大团之间的融合系数最大的极大团，将其与当前遍历的极大团进行融合，形成当前时刻的极大团集合；获取将下一时刻遍历的极大团与除上一时刻遍历的极大团之外的各个其他极大团的融合系数，将融合系数最大时对应的其他极大团中的极大团与下一时刻遍历的极大团进行融合，形成下一时刻的极大团集合；持续遍历，直至所有极大团融合完成，形成多个极大团集合。6.根据权利要求5所述的基于动态演化的重叠社区推荐方法，其特征在于，根据极大团融合结果形成多层次社区包括：将各个极大团集合所包含的节点数量作为多层次社区的层数；将所包含的节点数量最多的极大团集合作为核心团；将各个极大团集合分配至其对应的层，形成...

【专利技术属性】
技术研发人员：董文涛，李震宇，张晓伟，崔伟，林媛媛，董玉才，王家润，张士太，尹张铭佳，
申请(专利权)人：中国电子科技集团公司第十五研究所，
类型：发明
国别省市：