[发明专利]社团融合事件的预测方法

说明书

技术领域

本发明涉及数据挖掘领域，尤其涉及一种社团融合事件的预测方法。

背景技术

在我们的生活中，复杂网络已经无处不在，其共同特点是规模巨大、结构复杂。例如社交网络就是由实际生活中人与人之间关系构成的一种典型的复杂网络，其节点代表网络用户或真实社会中的人，节点间的连接代表网络用户间的好友关系或真实的人际关系。社交网络中这种由节点，和节点之间的连接形成的结构称为网络拓扑结构，该结构在不同类型、不同阶段的社交网络中呈现出不同的特征。

社团是代表复杂网络重要特征的一种子网络。社团同样具有网络拓扑结构，并且社团结构会随着社团演化及其关键事件的发生呈现出不同的特征。复杂网络中关键事件的发生代表着某种群体的行为导向。例如社交网络中的社团代表着各种社交圈，可以是朋友圈、亲情圈、同事圈等等。这些社团可能意味着某些兴趣因素或社会因素的形成。对关键事件进行预测有助于提前挖掘这些因素并加以利用，进一步指导网络行为。因此，对社团演化关键事件的预测无论在研究方面还是应用方面都有非常重要的意义。

社团演化关键事件包括社团的消亡，新生，收缩，扩张，分裂和融合。目前，对社团演化关键事件的预测方法已有一些研究，但仅限于预测单个社团的演化倾向。社团融合事件的发生涉及到多个社团，以往的研究工作仅实现了对单个社团是否有融合倾向的预测，并没有明确的方法来预测哪几个社团在未来的一段时间内会发生融合。

综上，亟需一种方法来对将发生融合的社团进行更加详细的预测。

发明内容

本发明所要解决的技术问题之一是提供一种方法来对将发生融合的社团进行更加详细的预测。

为了解决上述技术问题，本申请的实施例提供了一种社团融合事件的预测方法，包括：步骤一、将网络原始数据按照设定的时间片进行分割，并从中选取多个时间片数据作为训练数据；步骤二、对训练数据进行静态社团和动态社团的划分；步骤三、基于训练数据提取任意两个社团之间的关键因素指标；步骤四、对所述关键因素指标进行监督训练，并根据监督训练的学习结果判断任意两个社团是否会发生融合。

优选地，关键因素指标包括两个社团之间的内部结构指标、所述内部结构指标的一阶变化指标、二阶变化指标以及两个社团的外部结构相似度指标。

优选地，利用如下表达式提取所述两个社团之间的内部结构指标：

Bd(i,j)=Ei,j(Ei/Ni+Ej/Nj)/2]]>

式中，B_d(i,j)为社团i与社团j之间的内部结构指标，E_i,j为社团i与社团j之间的连接数，E_i和E_j分别为社团i和社团j内部的连接数，N_i和N_j分别为社团i和社团j内部的节点数。

优选地，利用如下表达式提取所述两个社团的外部结构相似度指标：