[發明專利]一種基于LSTM的社交網絡演化分類方法

在審

• 申請號: 202011355882.5
• 申請日: 2020-11-26
• 公開（公告）號: CN112581298A
• 公開（公告）日: 2021-03-30
• 發明（設計）人: 宿紅毅;李璐
• 申請（專利權）人: 北京理工大學
• 主分類號: G06Q50/00
• 分類號: G06Q50/00;G06N3/08;G06N3/04;G06F16/906
• 代理公司: 北京正陽理工知識產權代理事務所(普通合伙) 11639
• 代理人: 張利萍

1.一種基于LSTM的社交網絡演化分類方法，其特征在于：包括以下步驟：

步驟1：對收集的數據并劃分交疊時間窗口，得到連續的各個時間窗口的靜態網絡快照，具體為：對有時間標注的社交網絡數據進行交疊時間窗口劃分，得到連續的各個時間窗口的靜態網絡快照；

步驟2：使用Louvain方法對步驟1得到的每一個時間窗口的靜態網絡快照進行社區發現，進行社區提取，得到靜態網絡快照中的社區構成和節點特征，具體包括如下子步驟：

步驟2.1將靜態網絡快照中的每一個節點初始化為一個不同的社區，并記當前時間窗口靜態網絡快照為圖；

步驟2.2對于圖中的第i個節點，考慮節點i的所有鄰接節點j，判斷該節點i是否歸屬于其每一個鄰接節點所在的社區，并計算對應的模塊度增益，選擇使模塊度增益最大的節點j，將節點i劃分給節點j所在的社區；

其中，模塊度增益的值為正，若模塊度增益的值為負值，那么節點i的社區歸屬保持不變；

步驟2.3重復步驟2.2，直到所有節點所屬的社區不再改變，輸出不再改變的社區；

步驟2.4對步驟2.3得到的不再改變的社區進行壓縮，將每一個不再改變的社區壓縮成一個新節點，生成圖；

步驟2.5將步驟2.2中的圖更新為步驟2.4的生成圖，重復步驟2.2到步驟2.4，直到圖不再發生變化，輸出靜態網絡快照中的社區構成和節點特征；

步驟3：基于GED方法識別相鄰時間窗口的社區之間的演化關系，提取演化路徑；

其中，演化路徑包含該社區不同時間窗口內的社區結構和發生的演化類型的社區歷史信息；

步驟4：提取描述社區演化的特征集，使用LSTM方法來進行演化分類，具體為：對每一個時間窗口的每一個社區進行特征提取，即用一組特征集從多個維度來表示一個社區，將每個時間窗口的每一個社區量化為一個樣本，作為測試集用于LSTM模型進行訓練，該LSTM模型保留了前后時間窗口中社區演化信息的前后聯系關系，進而對同一個社區演化路徑進行建模，輸出分類結果；

其中，樣本包含社區構成、節點特征和社區歷史信息；且社區構成、節點特征為步驟2輸出的；社區歷史信息是步驟3演化路徑包含的信息。

2.根據權利要求1所述的一種基于LSTM的社交網絡演化分類方法，其特征在于：步驟1中，收集的數據為有時間標注的社交網絡數據。

3.根據權利要求2所述的一種基于LSTM的社交網絡演化分類方法，其特征在于：步驟2.4中新節點內的節點之間的邊的權重轉化為該新節點的權重，社區間的邊權重轉化為新節點間的邊權重。

4.根據權利要求3所述的一種基于LSTM的社交網絡演化分類方法，其特征在于：步驟2.4中，圖是指靜態網絡快照中不再發生變化的社區結構。

5.根據權利要求4所述的一種基于LSTM的社交網絡演化分類方法，其特征在于：步驟2.5中，“圖不再發生變化”是指圖中所有節點的模塊度增益的值為負值。