[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

说明书

本发明公开了一种动态社交网络社区演化预测方法、系统、存储介质及设备，从时间窗划分机制的通用性出发，建立基于优化的时间窗划分机制模型，时间框架能够根据具体网络自适应调整时间窗口的大小和数量，通过在真实网络上的实验验证，本发明方法可以提高网络社区跟踪的质量，并在减少训练集的情况下保证预测的准确性。

技术领域

本发明属于社交网络技术领域，具体涉及一种动态社交网络社区演化预测 方法、系统、存储介质及设备。

背景技术

社交网络是指社会个体成员或组织之间通过相互作用而形成的相对稳定的 关系系统。社交网络通常用图表表示，节点表示个人或组织，边缘表示各种社 会互动，如伙伴关系和友谊。随着时间的推移，社交网络演变成基于用户活动 的动态网络。例如，以节点表示的新用户加入网络，以节点表示的旧用户停止 活动或离开网络。同时，边缘也会因为用户之间的互动而产生或消失。如今， 几乎每个人都是不同动态社交网络的一部分，如Facebook、Twitter。动态社会 网络中存在着许多有趣的模式或知识，使得社会网络分析(SNA)领域越来越受 欢迎。

社区结构是网络中紧密连接的一组节点，是动态社会网络的一个重要特征。 随着动态社会网络的发展，不同的社区会经历不同的事件，即出生、死亡、成 长、收缩、合并和分裂。预测社区关键事件是SNA现有研究的重要组成部分。 研究这种预测人口演化的方法在公共安全、公共卫生和市场营销等方面具有实 际应用价值。在公共安全领域，观察群体演化有助于识别支持或倾向于犯罪的 个人或群体。

现有的社区演化预测方法通常将动态网络划分为几个固定大小的快照，也 称为快照。动态图表示为不同时间段的静态快照序列。然后利用团体检测算法 对每个快照中的团体进行独立识别。然后，社区使用跟踪算法比较相邻快照中 包含的所有社区组合对，以匹配和确定关键事件。最后，根据社区跟踪算法识 别的关键事件找到社区演化序列，并从每个社区中提取若干特征，并建立一个 模型来预测社区可能经历的下一个事件。

Brodka在其发表的论文“Community evolution prediction in dynamic socialnetworks”(IEEE,2015年)中将数据集划分为不相交和重叠的时间戳。然后使用 GED社区跟踪方法跟踪社区。该分类器利用过去三个社区的历史事件类型、社 区规模和当前社区规模作为特征进行训练，最后预测下一个关键事件。Dakiche 在其发表的论文“SensitiveAnalysis of Timeframe Type and Size Impact on Community Evolution Prediction”中根据网络活动手动划分网络。它们划分的网 络快照有不同的大小和重叠率。他们在网络活动较少的时期设置较大的时间框 架，而在网络活动较少的时期设置较高重叠率的较小时间框架。但手工方法不 容易推广，也没有严格的理论支持。后来Dakiche等人又发明了一种方法来找 到不同网络的时间框架大小。该方法的快照大小是根据出现、消失和保留在两个连续的独立快照中的节点数量来估计的。但是快照之间固定的重叠率意味着 这种划分方法并不完美。Dakiche等提出了一种新的事件预测自定义网络分裂 框架(TNSEP)。他们的框架计算不同时刻的边数。不同大小的快照的开始时间 和结束时间是通过将一个快照的边数分成一个固定的百分比来计算的。但尽管 Dakiche等人的方法可以根据网络边缘的分布寻找一个不固定的时间段大小序 列，但TNSEP仍然需要假设参数已经设置，时间段之间的重叠率是固定的。重 叠率的设定也应该随着网络本身的变化而变化。在网络不活动期间，不仅要设 置大的时间框架，而且重叠率也不能太高，以免浪费过多的计算资源。当网络处于活跃状态时，应该使用小的、高重叠的时间框架来捕获更多的网络演化细 节，避免遗漏太多信息。一系列时间框架的大小和它们之间的重叠率不应该是 固定的，而应该随着网络的变化而变化。这种网络分区机制正是该领域所需要 的，也是最适合网络的。

发明内容