[發明專利]一種基于形式概念興趣度的社交網絡結構識別方法

在審

• 申請號: 202011122604.5
• 申請日: 2020-10-19
• 公開（公告）號: CN112256924A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 郝飛;高杰;裴崢
• 申請（專利權）人: 陜西師范大學
• 主分類號: G06F16/901
• 分類號: G06F16/901;G06F16/9535;G06F16/9536;G06Q50/00
• 代理公司: 北京前審知識產權代理有限公司 11760
• 代理人: 張波濤;尹秀峰

一種基于形式概念興趣度的識別社交網絡多種子圖結構的方法，包括如下步驟：S100：將社交網絡表示成修正后的鄰接矩陣，并以此作為形式概念分析的輸入；S200：根據所述修正后的鄰接矩陣生成全部概念并構造概念格；S300：提取所述概念格中的概念并計算概念興趣度，包括穩定值和散度；S400：根據得到的穩定值和散度，確定提取規則并以此識別社交網絡中的多種子圖結構。該方法能夠在統一的框架下識別出社交網絡中的多種關鍵結構，有更準確更高效的識別能力。

技術領域

本公開屬于數據挖掘、社交網絡分析、互聯網技術領域，特別涉及一種基于形式概念興趣度的社交網絡結構識別方法。

背景技術

近年來，互聯網技術的快速發展和智能終端的日益普及，推動了在線社交網絡(Online Social Networks)的蓬勃發展。隨著社交網絡用戶數量的不斷增加，在產生大量的社交媒體數據的同時，社交網絡結構變得越來越復雜化。識別網絡中的關鍵結構不僅僅是對于理解結構的功能特性至關重要，同時在實踐中也有著各種應用，如社會推薦，輿情監測和隱私保護等。因此，社交網絡的結構識別，得到了學術界和工業界廣泛的關注。

社交網絡是由社會個體及其關系組成的復雜結構?？梢詫⒋祟惥W絡建模為圖形G＝(V，E)，其中頂點集V包括社交網絡中的用戶，而邊緣集E表示用戶之間的關系。極大團(Maximal Clique)是網絡中的典型內聚結構。它代表了社交網絡中具有相同屬性的最大群體，揭示了群體的共性。此外，大多數真實的網絡通常都包含有凝聚力的社區(Community)，在這些社區中，節點比網絡的其余部分具有更高的連接性。橋(Bridge)通常位于兩個或多個社區的邊界，促進不同社區之間的信息交換。一些橋接節點稱為結構洞(StructuralHole)在確保多個社區之間的通信方面有著相似的作用。

從社交網絡中識別出內聚結構，以分析復雜拓撲結構，發現隱藏模式，可以更好地理解和預測社交網絡；識別社交網絡中的橋接結構，以研究信息傳播，發現意見領袖，可以更好地應用于真實社交網絡的場景。而形式概念分析(Formal Concept Analysis)是一種用于知識發現和可視化的強有力的數學工具。它以形式背景(Formal Context)作為輸入提取知識，即概念(Concept)。一個概念由一個集合對(A，B)構成，其中A稱為外延(extent)，B稱為內涵(intent)。目前形式概念技術已經被廣泛應用于數據挖掘、社交網路分析等領域。但是，由于真實數據中通常含有大量的噪音數據，需要通過形式概念興趣度(ConceptInterestingness)來提升知識提取質量和增強概念可讀性。

發明內容

為了解決上述問題，本公開提供了一種基于形式概念興趣度的識別社交網絡多種子圖結構的方法，包括如下步驟：

S100：將社交網絡表示成修正后的鄰接矩陣，并以此作為形式概念分析的輸入；

S200：根據所述修正后的鄰接矩陣生成全部概念并構造概念格；

S300：提取所述概念格中的概念并計算概念興趣度，包括穩定值和散度；

S400：根據得到的穩定值和散度，確定提取規則并以此識別社交網絡中的多種子圖結構。

通過上述技術方案，本方法為了在同一框架下完成多種子圖結構識別，同時擁有較高的識別準確率，提供了一種基于形式概念興趣度的社交網絡結構識別方法，能夠在在完成多種結構識別的基礎上，采用概念興趣度措施中的穩定值(Stability)和散度(Separation)來提高社交網絡中關鍵結構識別的準確率。

本方法的關鍵點是利用形式概念分析技術解決社交網絡結構識別問題。與傳統結構識別相比，本方法利用形式概念分析技術完備的概念興趣度方法和強大的數據可視化特性，將社交網絡中的關鍵結構與某種特殊概念巧妙地建立映射關系，從而實現在一個統一的框架下完成多個子圖結構的識別任務，同時利用概念興趣度提高了識別準確率。該思想具有完備的理論支撐。