[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

本發明涉及一種基于LSTM的社交網絡演化分類方法，屬于社交網絡分類技術領域。包括：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；步驟2：使用Louvain方法對每一個時間窗口的靜態網絡快照進行社區發現，再進行社區提取，得到靜態網絡快照中的社區構成及節點特征；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的演化路徑；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。所述方法使相鄰時間窗口的社交網絡拓撲結構相似性大大增加；為后續的分析提供更充足的樣本；比傳統機器學習的方法具有時間記憶的優勢。

技術領域

本發明涉及一種基于LSTM的社交網絡演化分類方法，屬于社交網絡分類技術領域。

背景技術

隨著社交網絡的普及，社交媒體每天都在產生海量數據。由于絕大多數社交網絡具有實時性，每分每秒都在變化，因此也被稱為動態網絡。為了挖掘這些動態網絡數據中隱藏著的巨量價值，動態網絡分析成為了目前的一個研究熱點。其中，動態網絡中的社區演化分析以及社區演化分類是最有意義的研究方向之一。

社區演化分析實際上是研究兩個問題：一個是判斷具有時序關系的社區和社區之間是否具有演化關系；另一個就是研究這些演化是何種類型，需通過建立社區演化分類模型來實現。

演化分類模型GED將社區演化分類為七種類型，包含了社區從生成到消失的整個生命周期。使用Jaccard相似度評估公式的基礎上增加了節點重要度的概念，平衡了兩個社區之間的共有節點個數和重要度對社區相似性的貢獻。

由于社交網絡演化具有之前時刻的信息影響之后時刻演化變化的特點，而LSTM能夠解決神經網絡中的長期依賴問題，讓記住長期信息成為神經網絡的默認行為。長短期記憶人工神經網絡(Long-Short Term Memory，LSTM)是一種時間遞歸神經網絡(RNN)由于獨特的設計結構，LSTM適合于處理和預測時間序列中間隔和延遲非常長的重要事件。

基于LSTM的社交網絡演化分類方法，是使用LSTM的神經網絡模型，根據提取的社交網絡中不同社區演化的時間序列特征，對下一時間切片的社區演化類型進行預測，其在影響力分析、信息傳播、網絡營銷等應用中都具有重要價值。

發明內容

本發明的目的是為了解決如何保留社交網絡中社區演化中時間序列特征，進行社區演化分類的技術問題，提出了一種基于LSTM的社交網絡演化分類方法，該方法將社交網絡劃分交疊的時間切片，保留社區演化屬性的延續性，對社區演化的時間特征序列數據進行歸一化等數據處理，隨后構建LSTM模型，分析預測社交網絡社區演化類型。

為達上述目的，本發明采取如下技術方案。

所述基于LSTM的社交網絡演化分類方法，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；

其中，收集的數據為有時間標注的社交網絡數據；

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，再進行社區提取，得到靜態網絡快照中的社區構成、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；