[发明专利]一种基于粒子群随机游走的角色识别方法

说明书

本发明涉及一种基于粒子群随机游走的角色识别方法；首先对采集到的社会网络数据进行预处理；其次对社会网络的数据进行网络结构分析，利用基于时间序列的动态网络子图快照对时序网络结构进行结构化表征。然后从节点的高维特征中提取基本特征和迭代特征。对节点进行粒子群初始化，由时序网络结构特征提取结果形成适应度值矩阵，并根据适应度函数的高低确定核心粒子，每个粒子受到转移概率和适应度目标函数的双重指导，从而产生不同的角色。最后，计算相邻时间片下的粒子群相似度，预测相邻时间片的角色分布，分析社会网络的动态演化规律。本发明提高大规模动态社会网络研究方法适应性和准确性，有效预测动态社会网络演化规律和角色分布结果。

技术领域

本发明涉及一种社会网络分析技术，具体涉及一种基于粒子群随机游走的角色识别方法。

背景技术

社会行为网络化进程的发展加快了网络结构的复杂化和动态化，例如信息交互网络、科学家合作网络、社交网络和生物网络等。社会网络分析方法是一种对社会网络行为者之间的关系进行量化的社会学分析方法。在社会网络研究中，角色识别是一个非常重要的研究问题，它对分析和理解社会网络结构、了解网络结构时态演变对角色的影响、预测用户行为、研究用户之间的关系和信息交互过程具有重要意义。在社会网络的特定环境中行为个体都扮演着特定角色，通常通过网络用户的行为特点和网络属性来定义，从而刻画用户位置、行为、资源或虚拟身份的刻画，并且角色也随着时间的变化而不断的改变和演化。目前随着如Facebook、Twitter、Google+、微博等社交媒体的快速增长带来的海量数据信息，以及科研合作网、跨组织企业协同工作网络的发展产生了大规模的复杂网络结构，都为社会网络角色识别提出了新的挑战。

目前社会网络角色识别方法主要包括四种：(1)基于社会地位或资源的社会网络分析方法；(2)基于用户行为分析的数学方法(如图论、度的计算等)；(3)基于用户交互信息的内容分析方法；(4)机器学习方法。但是，随着大规模动态社会网络带来的海量数据、复杂网络结构以及角色演化等挑战，使得传统社会网络角色识别方法难以达到理想的效果。例如，Laurent等人提出小决策树的机器学习方法识别广播新闻节目中的角色识别问题(Boosting bonsai trees for efficient features combination:Application tospeaker role identification,2014)。Airoldi等人提出一个针对关系数据的混合成员随机块模型和一个快速近似后推断的通用变分推理，允许一个对象同时属于多个不同的簇中(Mixed membership stochastic block models,2015)。Fu等人考虑了角色随时间演化的特性，提出了动态混合成员块模型，但是忽略了用户之间的明确或隐含的交互信息(Dynamic mixed membership block model for evolving networks,2009)。基于LDA主题模型和吉普斯采样的概率角色识别方法则缺乏从全局角度精细分析。Zhang等人根据马尔可夫(Markov)逻辑网络，提出了基于关系数据的网络意见领袖角色识别方法，但是缺乏对时间因素的考虑(Identifying network public opinion Leaders based on markovlogic networks,2014)。基于内容分析的角色识别通常只关注个人信息和网络信息，而忽略了潜在角色的挖掘，当出现主题漂移时，难以到达理想效果。也有学者提出通过主成分分析方法(PCA)得到子群体，进而最大化一种主题标准以识别主题角色，以及通过派系过滤方法(CPM)和基于兴趣多目标最优化方法识别关键角色等。

发明内容

本发明从仿生角度出发设计一种基于粒子群随机游走的角色识别方法，将粒子群优化算法作为基本框架，以马尔可夫随机游走模型作为每一代的启发式规则，基于集成学习思想，将粒子群的局部解融合为全局解，并利用其更新马尔可夫链，从而得到角色识别结果；并且引入时间因子，对社会网络结构的演变进行分析，获得对用户角色演化的预测。

一种基于粒子群随机游走的角色识别方法：包括以下步骤：