[发明专利]动态社交网络社区演化预测方法、系统、存储介质及设备

权利要求书

1.一种动态社交网络社区演化预测方法，其特征在于，包括以下步骤：

S1、基于设计的基因编码策略得到初始化种群，在初始化种群中随机选择两个编码长度相同的双亲染色体，对双亲染色体使用两点交叉算子生成子代，使用设定的约束条件对子代进行严格化；使用变异算子对生成的子代进行突变操作并基于约束条件严格化子代；基于适应度函数，利用快速非支配排序算子与个体拥挤距离算子对子代进行筛选，得到自适应时间窗口的最优划分方案；

S2、将动态社交网络按步骤S1得到的最优划分方案进行时间窗口划分，得到每个窗口下的网络快照，使用派系过滤方法得到每个网络快照中的重叠社区；

S3、对步骤S2得到的重叠社区集合按照所处快照时间戳从前到后的顺序，使用GED社区跟踪方法计算相邻快照中两两社区的包含度，得到每个社区的社区演化序列，根据社区演化序列识别演化事件，得到每个序列经历的关键事件；

S4、计算步骤S3得到的社区演化序列中所有社区的多种拓扑特征；对社区演化序列中符合至少5个网络快照前存在的社区提取5个历史的社区特征，并和其中经历过的4个演化事件拼接为一维特征，将社区下一时刻的演化事件作为特征的标签；使用RandomForest分类器对带标签特征数据进行机器学习，利用训练好的RandomForest分类器进行预测。

2.根据权利要求1所述的动态社交网络社区演化预测方法，其特征在于，步骤S1中，基因编码策略使用时间窗口的起始时刻作为基因构成一条染色体，使用时间窗口的结束时刻作为另一个染色体，两条染色体构成一个完整的自适应时间窗划分方案；种群初始化选择长度从5至原始数据时间戳个数，对于每种长度生成5个随机个体，完成窗口数目自适应的问题；具体为：

一个动态的社交网络被划分为T，T＝{T^start,T^end|T^start,T^end∈{t₁,…,t_m}}；每一组自适应时间戳为一组包含两个染色体的个体，分别代表所有窗口的开始和结束时间；生成初始个体的约束条件如下：

T₁^start＝t₁

其中，T₁^start＝t₁规定自适应时间框架从动态网络开始时开始，规定自适应时间段的结束时间为动态社交网络的结束时间，和规定了后一个时间段不完全包含前一个时间段，前一个时间段与后一个时间段之间不存在缺失网络，并且相邻的时间窗口重叠或不重叠任何长度，

3.根据权利要求1所述的动态社交网络社区演化预测方法，其特征在于，步骤S1中，适应度函数如下：

F2＝δ²(Fl)

其中，F1为波动的期望值与设定值误差，τ为时间窗口数目，δ为0至1之间，fl_s相邻两个连续独立快照间的网络波动，Fl为波动集合，F2为计算波动集Fl的标准差，为时间窗T_i的快照，S_i为该快照中包含的节点数目，为时间窗T_i的快照，S_i+1为该快照中包含的节点数目，N_a为两个连续独立快照间的出现节点数目，N_d为两个连续独立快照间的消失节点数，N_r为两个连续独立快照间的保持节点数目。

4.根据权利要求1所述的动态社交网络社区演化预测方法，其特征在于，步骤S3中，相邻快照间两两社区的相互的包含度计算如下：

其中，第一部分为两个社区公共节点占第一个社区的比例，第二部分中NI(x)为节点x在图中计算得到的一个节点指标，为时间窗T_k的快照中标号为i的社区，为时间窗T_k+1的快照中标号为j的社区。

5.根据权利要求1所述的动态社交网络社区演化预测方法，其特征在于，步骤S3中，关键事件包括形成、生存、合并、分裂；溶解、生长和收缩。