[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

说明书

本发明涉及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。该方法：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。本发明方法可应用于分析社交网络，自主学习并提取出社交网络时空特征，并且可进一步提升社区结构的模块度，从而揭示真实网络的拓扑结构等，进而有效地预测网络用户行为和信息传播等。

技术领域

本发明涉及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。

背景技术

随着互联网，特别是移动互联网的发展，以交友、信息共享等为目的的社交网络平台迅速发展。以新浪微博、微信、淘宝、Twitter和Facebook为代表的国内外社交网络平台上人们可以发表观点、交友互动、传播信息和推销商品等。根据Facebook在2018年第1季度的报告显示，平均每月有22亿的用户使用Facebook，每日的活跃用户量高达14亿并且平均每秒钟就有5个新的账号被创建。此外，国内流行社交软件Wechat的每月活跃用户数也于2018年首次突破了10亿大关。

在线社交网络已经成为连接网络信息时空与人类物理世界的桥梁，深刻地改变着人们的行为模式和社会形态。在线社交网络使得人们的面对面的沟通交流不受时间、时空、距离和成本的限制，极大地改变了人们的生活方式，改善了人们生活质量的同时给人们的经济生活乃至国家的安全稳定带来负面的隐患。因此，近年来社交网络上的大数据分析已经成为数据挖掘领域的一个重要研究分支。

社区结构是指在一个网络中组成社区的节点间距离比较近或相似度比较高，即一般而言，社区内部节点联系的紧密程度要远高于社区之间节点联系的紧密程度。社区发现在现实世界中的典型应用包括发现人群共同的兴趣或行为模式、从社交网络寻找朋友圈或属于同一组织机构的群体等。社区发现是从中观视角揭示真实网络的拓扑结构和功能、信息在网络上的宏观现象和微观行为，以便能够帮助信息管理者理解网络的动力学及演化机制，进而有效地预测网络用户行为和控制信息在网络的传播。目前，社区发现是社交网络数据挖掘领域一个快速发展的热点研究领域分支。

复杂社交网络的节点海量性、结构复杂性和多维演化性等复杂特性使社交网络中的社区发现面临许多挑战。

首先，节点海量性对复杂社交网络社区发现算法的性能提出了极为严格的要求，只有具有线性时间复杂度的算法才能够运行在真实的社交网络并切实进行相关的分析应用，目前只有极少数算法满足线性或近线性的时间复杂度要求。

其次，结构复杂性同样对复杂社交网络社区发现算法的性能提出了挑战，真实的网络结构是同时包含重叠性、层次性和多重性的，即要求算法能够发现的社区结构要同时具有重叠和层次结构，而且同时能表达节点的多重信息。

最后，多维演化性对复杂社交网络社区发现算法的性能提出了更高阶的挑战，真实的网络结构都是随着时间的演变而演变，往往是呈现膨胀增长的趋势，即要求算法发现的社区结构不仅能够探测到社区结构，还能够捕捉和跟踪随着时间维度的变化社区结构的演变规律。

实质上，复杂社交网络上的社区发现是一个与时空相关的复杂网络图特征挖掘问题。而深度学习作为能够自主学习数据特征的优秀机器学习方法近年已被学者成功延伸到网络图数据的时空特征学习。

发明内容

本发明的目的在于提供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，该方法可应用于分析社交网络，自主学习并提取出社交网络时空特征，并且可进一步提升社区结构的模块度，从而揭示真实网络的拓扑结构等，进而有效地预测网络用户行为和信息传播等。