[发明专利]一种时序网络建模方法及重要节点识别方法

说明书

本发明公开了一种基于层间耦合关系强度衰减的时序网络建模方法，包括：划分网络的层数，定义多层图时序网络模型的层内关系和层间关系；基于局部相似性指标计算两个时间层网络中对应节点层间耦合关系；计算层间耦合强度的衰减因子，计算层间耦合关系；计算多个时间层网络对应的邻接矩阵，表示层内连接关系；使用层间耦合关系表示层间连接关系；通过层内连接关系和层间连接关系得到层间耦合强度衰减的超邻接矩阵，通过得到的层间耦合强度衰减的超邻接矩阵对时序网络进行建模。该方法能够适用于不同结构的时序网络，在计算复杂度低于全局方法的同时，能够更有效的识别时序网络中的重要节点，在时序网络的重要节点识别研究领域有显著应用价值。

技术领域

本发明涉及一种时序网络中节点的重要性识别方法，尤其是涉及一种基于层间耦合关系强度衰减的时序网络建模方法，并基于特征向量中心性指标来反映节点的重要性。

背景技术

在线社交网络在人们生活中扮演着重要的角色。人们可以通过社交网络表达想法、分享信息，并相互影响。识别网络中的重要节点在广告投放、舆情监督及推荐系统等方面有着重要的应用。

经检索国内外文献发现，目前关于重要节点识别的方法大多数都基于静态网络展开研究，但是现实生活中的许多网络并不能被简单建模为静态网络，因为网络中的节点可能只在某个时间段内存在联系，即节点之间的连边会随时间间断性的消失或出现。所以本发明涉及的是时序网络中的重要节点识别方法。

文献“Eigenvector-Based Centrality Measures for Temporal Networks[J].MultiscaleModelingSimulation,2017,15(1):537-574.”利用多层耦合网络分析的方法，将时序网络按层间关系和层内关系建立超邻接矩阵(Supra-adjacency Matrix,SAM)，并定义了基于特征向量的中心性指标来反映节点的重要性。该方法用固定参数表示层间关系的强弱，导致研究需要谈论参数的变化对结果的影响，增加了问题的复杂度，且固定参数不能反映层间关系的差异性。

文献“基于层间相似性的时序网络节点重要性研究[J].物理学报,2018,67(04):279-286.”使用邻居拓扑重叠系数表示节点的层间连接关系，并提出基于节点相似性的超邻接矩阵(similarity-based supra-adjacencymatrix,SSAM)时序网络构建方法，同时利用特征向量中心性指标,获取节点在各个时间层上的重要性排序，最终可以得到节点重要性随时间变化的轨迹。同时，该研究证实当使用固定参数0.5(参数较小时)表示节点的层间连接关系，会弱化了持续出现且节点层间邻居相似度高的节点的重要程度，而当参数较大时，会强化孤立节点的重要程度。

发明内容

1、本发明的目的

针对现有复杂网络中重要节点识别方法准确性的不足，本发明提供一种基于层间耦合关系强度衰减的时序网络建模方法及重要节点识别方法，该方法能够适用于不同结构的时序网络，在实际使用时没有可调参数，在计算复杂度低于全局方法的同时，能够更有效的识别时序网络中的重要节点，在时序网络的重要节点识别研究领域有显著应用价值。

2、本发明所采用的技术方案

一种基于层间耦合关系强度衰减的时序网络建模方法，包括以下步骤：

S01：划分网络的层数，定义多层图时序网络模型的层内关系和层间关系；

S02：基于局部相似性指标计算两个时间层网络中对应节点层间耦合关系；

S03：计算层间耦合强度的衰减因子，计算层间耦合关系；

S04：计算多个时间层网络对应的邻接矩阵，表示层内连接关系；通过所述步骤S03计算得到的层间耦合关系，表示层间连接关系；通过层内连接关系和层间连接关系得到层间耦合强度衰减的超邻接矩阵，通过得到的层间耦合强度衰减的超邻接矩阵对时序网络进行建模。