[发明专利]一种提升社交网络层次化社区检测划分效果的方法

说明书

本发明公开了一种提升社交网络层次化社区检测划分效果的方法。本发明将社区检测分为两步完成：首先根据现有社区拓扑结构，给定节点与社区的特征向量，预测社交网络图中每个节点的社区从属关系，并利用社交网络图中节点之间的连接关系优化现有的特征向量；而后利用深度学习中的强化学习技术，给定当前社区拓扑结构和社交网络图，预测调整现有社区的拓扑结构；重复上述两步骤直至收敛；给定一张社交网络图，能够预测其节点的社区划分情况。针对社交网络中出现的新增节点，继续重复上述步骤即可将新节点也纳入社区划分中。本发明方法在社区检测的模块度和归一化互信息上都远高于现有的GEMSEC算法、HCDE算法和ComE算法。

技术领域

本发明属于人工智能推荐技术领域，具体涉及一种提升社交网络层次化社区检测划分效果的方法。

背景技术

随着互联网技术的发展，社区信息在各种互联网服务中得到了广泛的应用。如何高效地划分检测平台中的用户社区逐渐成为了工业界研究中的重点。针对这个问题，大量社区检测划分算法被提出。然而，现有技术主要通过启发式方法实现社区检测，无法对大型社区结构信息进行准确地建模，从而在社区检测任务上表现不佳。这一现象的主要原因是传统层次化社区检测方法的目标在于将社区中的每个节点划分到对应社区中，这一步骤具有很高的时间复杂度，使得传统方法无法很好地应用于大型社交网络社区划分问题，且无法自适应地划分网络新增节点。另一方面，尽管基于图的深度学习模型能够很好地建模具有复杂拓扑结构的图，但由于深度学习技术通常需要能够确切表达的输出结果形式，致使输出结果为一种拓扑结构的层次化社区检测任务上很少应用这类技术。

发明内容

本发明针对人工智能技术中的社交网络层次化社区检测系统，提出一种提升系统社区检测划分效果的方法。

本发明中，社交网络由一张图表示，图中的节点和边分别代表网络中的用户与用户之间的相互关联性。在划分检测社区的过程中，系统需要根据用户节点在图上的边信息，将用户划分到对应的社区中，即给定一个用户和所有社区的特征，预测该用户属于某个社区的概率，从而完成社区检测。

本发明提出的提升社交网络层次化社区检测划分效果的方法，其中，社交网络表示为一张图，图中的节点和边分别代表网络中的用户与用户之间的相互关联性；社交网络图划分一棵合适的社区树，并将社交网络中的每个用户对应划分至合适的社区中，每个社区和每个用户的特征由一个特征向量表示；在划分检测社区过程中，系统需要向一棵只有根节点的社区树不断添加新社区，同时更新用户和社区特征向量，并以此为依据将用户划分至对应社区中，直至得到合适的划分；即给定一个社交网络图，将图中的用户划分至一棵社区树的每个社区节点中；

与此相对应，系统包括一个用于社区检测的社区检测模块，此外，还部署一特征评估模块；对于每一位用户，该特征评估模块根据用户节点在社交网络图上的连接信息，训练得到用户的特征向量，并同时更新社区特征向量；根据用户和当前社区之间特征向量的相似度将用户划分到当前存在的各个社区中；将包含连接边信息的社交网络图和用户社区划分情况传入社区检测模块；社区检测模块将根据传入信息计算状态矩阵，用以表示当前社区划分效果，即社区划分是否与社交网络图中的连通情况相对匹配；在此状态矩阵的基础上，社区检测模块还包含一个神经网络，用以预测用户节点属于某个社区的概率；在模型训练过程中，系统将根据社区划分的结果和实际社交网络图上的用户连通性评估当前社区划分的损失和激励，利用强化学习技术训练该神经网络，从而提升系统社区划分的效果。

本发明提出的提升社交网络层次化社区检测划分效果的方法，首先，根据当前社交网络中用户和社区的特征向量计算相似度，将得到的相似度用于预测用户属于当前存在的每个社区的概率，以此为依据将用户划分至预测所属的社区中；然后，根据当前社区划分情况和实际社交网络图中的连接信息，计算当前划分的状态矩阵；接着，将该状态矩阵输入一个神经网络，就可以预测新社区应当插入在当前社区树的位置；最后，当该神经网络的训练收敛时，系统就得到了稳定的社区拓扑结构，并能将用户依据特征向量正确地划分到各个社区中。具体步骤如下：

步骤一、初始化：在系统训练开始前，初始化系统所需的变量：