[发明专利]基于递归卷积神经网络和自编码器的动态社区发现方法

权利要求书

1.一种基于递归卷积神经网络和自编码器的动态社区发现方法，其特征在于，首先，构建基于卷积神经网络的网络空间特征学习模型，学习网络的空间拓扑特征得到网络空间特征向量；其次，融合基于卷积神经网络的网络空间特征学习模型，以网络空间特征向量作为模型的输入，构建基于递归神经网络、卷积神经网络和自编码器的网络时空特征学习模型，学习网络的时空特征得到网络时空特征向量；最后，在网络时空特征向量基础上进行社区发现，以探测出社交网络的动态社区结构。

2.根据权利要求1所述的基于递归卷积神经网络和自编码器的动态社区发现方法，其特征在于，所述构建基于卷积神经网络的网络空间特征学习模型，学习网络的空间拓扑特征得到网络空间特征向量前，具体实现过程如下：

1)数据集预处理：

1.1)意见领袖选取：将数据集的网络拓扑结构变换获得网络的邻接矩阵，基于邻接矩阵分析网络拓扑结构，找出群体中最具影响力的意见领袖节点；

根据数据集的网络空间结构中节点之间是否存在连接来建构邻接矩阵A，E为网络空间结构中节点之间连接的边的集合；若节点i与节点j之间存在连接e_i,j的话，则变量a_i,j为1；若节点i与节点j之间不存在连接e_i,j的话，变量a_i,j为0，邻接矩阵变换方法见公式(1)：

其中

根据邻接矩阵A，建构节点和节点之间的转态概率矩阵C；若节点对其他节点的连接数越多时，则每个连接的转态概率越低；若节点对其他节点的连接数越少时，则每个连接的转态概率越高；也就是若节点i只连接到节点j，并且再无连接到其他节点，则节点j对节点i来说是重要的节点，故转态概率c_i,j的值越大，转态概率矩阵C的计算见公式(2)：

其中

在初始阶段，将为每一个节点的影响力分数设置为1，节点影响力分数矩阵定义为S，S矩阵及其初始化见公式(3)；再根据转态概率矩阵C计算节点影响力分数矩阵的极限化矩阵，节点影响力分数极限化矩阵为S^*，S^*的计算见公式(4)；最后，再根据节点影响力分数极限化矩阵，找出影响力分数最高的节点i，即意见领袖节点i_leader，其计算见公式(5)：

S＝[s₁ s₂ … s_n]，其中，初始值s_i＝1 (3)

1.2)邻近节点选取：当找出意见领袖节点后，找出与意见领袖高度邻近的节点，以便根据节点间的非直连邻近性来重构数据集的网络空间结构；

当找出的意见节点i，采用欧式距离r(i,j)来计算节点i和节点j之间的非直连接近性，计算公式见(6)；计算和比较节点i和其他节点的距离后，取得与节点i距离最短的节点j，即获得与意见领袖节点i_leader最近邻节点j_neighbor，计算公式见(7)；

其中d(i,j,k)＝x_i,k-x_j,k

其中j≠i (7)

1.3)矩阵变换：根据找出的与意见领袖节点i_leader最近邻节点j_neighbor，以意见领袖节点i_leader为重构的邻接矩阵的第一列，最近邻节点j_neighbor为第二列；若最近邻节点超过一个时，则重复步骤1)从剩余未变换列位置的节点中选取意见领袖节点，而后重复2)-3)的过程；循环往复，以此重构邻接矩阵X'，X'的计算见公式(8)：

其中

2)构建基于卷积神经网络的网络空间特征学习模型，学习网络的空间拓扑特征得到网络空间特征向量：构建卷积神经网络和自编码器的组合模型，即网络空间特征学习模型，其神经网络包括具有n个神经元的输入层、具有q个神经元的卷积层、具有n个神经元的输出层；而后，将重构邻接矩阵X'分为n个1*n的数据作为网络空间特征学习模型的神经网络的输入，得到网络空间特征向量。