System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及社交网络,特别涉及基于特征相关性的动态社交网络社区演化预测方法、系统、设备及介质。
技术介绍
1、在现代社会,每天浏览社交平台、与网络朋友互动,已经成为日常生活中必要组成部分。动态社交网络中包含丰富的信息和多样的模式,因此,挖掘社交网络中的知识越来越流行,特别是预测社区进化关键事件的任务。对于社交网络中的每个子社区,根据其演化历史的结构特征,预测其未来可能发生的事件,即形成、解散、成长、收缩、生存、合并和分裂,在安全预警、流行病传播、舆情传播等领域有重要意义。
2、目前,社区的演化预测框架分别从动态网络的时间窗划分、不同时间窗下网络社区结构的检测、不同社区的进化序列追踪与关键事件识别,以及社区未来时刻的演化事件预测四个步骤分别开展研究。社区未来时刻的演化事件预测作为社区演化预测框架的最后一步非常重要。如何充分挖掘进化序列中所包含的社区特征信息预测社区未来发生的演化事件仍然是一个挑战。
3、为了提升对未来事件预测的准确率,许多的工作在特征提取方面提出创造性方案。例如,gliwa等人,设置一系列表示社团的特征,这些特征能被各种传统分类器捕捉(b.gliwa,p.bródka,a.zygmunt,s.saganowski,p.kazienko,and j.kozlak,“differentapproaches to community evolution prediction in blogosphere,”in proceedingsofthe 2013ieee/acm internationa
4、除此之外,大多数现有技术都只考虑利用社区演化过程中的状态特征信息去预测未来时刻的演化事件。在网络状态变化剧烈时,社区完整的演化状态过程很难采集,这直接影响到描述社区历史状态特征信息的质量。
技术实现思路
1、为了克服上述现有技术的缺点,本专利技术的目的在于提供基于特征相关性的动态社交网络社区演化预测方法、系统、设备及介质,通过描述社区历史状态的多种特征间的相关性,对社区演化过程中的每一个变化状态,均使用卷积操作来挖掘其中有相关性的变化特征信息,通过对每一个变化状态都进行特定的特征提取,更全面、深入地理解社区演化行为的变化规律,使随机森林分类器能够更准确地学习社区演化行为的特定模式,本专利技术能够提高各类演化事件预测性能,同时深刻理解社区演化行为。
2、为了实现上述目的,本专利技术采取的技术方案如下:
3、基于特征相关性的动态社交网络社区演化预测方法,包括以下步骤:
4、步骤1,时间帧划分:利用时间帧划分策略对社交网络进行划分,得到每个时间窗口下的网络快照;
5、步骤2,社区发现:使用团簇渗透(cpm)社区发现算法获取步骤1得到的每个网络快照中的所有社区;
6、步骤3,社区追踪:对步骤2得到的每个网络快照中的所有社区,使用群体进化发现(ged)社区追踪算法,得到不同社区的演化序列和社区在演化过程中发生的演化事件;
7、步骤4,获取社区在演化过程中的特征变化信息:对步骤3得到的不同社区的演化序列,使用捕捉社区拓扑特征的计算公式,计算社区在演化序列中所有相邻时间窗口的特征变化,计算时关注不同特征间的相关性,得到社区在演化过程中特征变化信息序列;
8、步骤5,使用卷积核求社区变化特征的高阶特征:对步骤4得到的社区在演化过程中的特征变化信息序列中每一时刻的特征变化信息,使用不同大小的卷积核和不同数目的卷积层,计算不同类别的特征变化信息的抽象高阶特征,得到描述任一社区演化过程的新的变化特征序列;
9、步骤6,预测未来时刻变化特征:对步骤5得到的社区演化过程的新的变化特征序列,使用循环神经网络模型进行回归模型的训练,预测未来时刻变化特征,得到社区在演化过程中的完整的变化特征信息;
10、步骤7,预测演化事件:对步骤6得到的社区在演化过程中的完整的变化特征信息和步骤3得到的社区在演化过程中发生的演化事件,使用分类器学习社区在演化过程中的变化特征信息,预测测试集中的所有进化序列未来可能发生的演化事件。
11、所述步骤1具体为:
12、步骤1.1,采用时间帧划分策略选择社交网络合适的时间窗划分方式;所述时间帧划分策略采用自适应时间窗划分方式;
13、步骤1.2,将社交网络按照步骤1.1选择的时间帧划分策略进行划分,得到每个时间窗口下的网络快照。
14、所述步骤3具体为:
15、步骤3.1,使用群体进化发现(ged)社区追踪算法计算步骤2的所有社区中相邻网络快照的两两社区包含度,得到社区的演化序列;
16、步骤3.2,对步骤3.1得到的所有社区的演化序列,使用事件识别方法,得到每个社区在演化过程中发生的演化事件。
17、所述步骤4具体为:
18、步骤4.1,根据步骤3.1得到的社区的演化序列,计算社区在演化序列中每个历史状态的拓扑特征;
19、步骤4.2,根据拓扑特征的计算公式原理,将步骤4.1得到的拓扑特征分为四个类别,分别为社区整体特征、社区微观特征、社区特征占网络快照特征的比率特征和网络快照特征;所述社区微观特征的排列顺序包括社本文档来自技高网...
【技术保护点】
1.基于特征相关性的动态社交网络社区演化预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于特征相关性的动态社交网络社区演化预测方法,其特征在于,所述步骤1具体为:
3.根据权利要求1所述的基于特征相关性的动态社交网络社区演化预测方法,其特征在于,所述步骤3具体为:
4.根据权利要求1或3所述的基于特征相关性的动态社交网络社区演化预测方法,其特征在于,所述步骤4具体为:
5.根据权利要求1或4所述的基于特征相关性的动态社交网络社区演化预测方法,其特征在于,所述步骤5具体为:
6.根据权利要求1或5所述的基于特征相关性的动态社交网络社区演化预测方法,其特征在于,所述步骤6具体为:
7.根据权利要求1或6所述的基于特征相关性的动态社交网络社区演化预测方法,其特征在于,所述步骤7具体为:
8.基于特征相关性的动态社交网络社区演化预测系统,其特征在于,包括:
9.基于特征相关性的动态社交网络社区演化预测设备,其特征在于,包括:
10.一种计算机可读存储介质,其特征在于
...【技术特征摘要】
1.基于特征相关性的动态社交网络社区演化预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于特征相关性的动态社交网络社区演化预测方法,其特征在于,所述步骤1具体为:
3.根据权利要求1所述的基于特征相关性的动态社交网络社区演化预测方法,其特征在于,所述步骤3具体为:
4.根据权利要求1或3所述的基于特征相关性的动态社交网络社区演化预测方法,其特征在于,所述步骤4具体为:
5.根据权利要求1或4所述的基于特征相关性的动态社交网络社区演...
【专利技术属性】
技术研发人员:丁静怡,王体雯,王鸿飞,孙国境,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:
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。