[发明专利]一种多关系社交网络的社团划分方法

说明书

技术领域

本发明属于计算机应用技术领域，尤其涉及一种多关系社交网络的社团划分方法。

背景技术

在社交网络中人与人之间的联系往往是多种多样的，把这种包含多种社交关系的网络称为多关系社交网络，在现实生活中是普遍存在的。在多关系社交网络中，网络中的节点往往存在聚类的现象，把这种聚类当中的每一个簇叫做一个社团。Tang等人发表的文章“Uncovering Groups via Heterogeneous Interaction Analysis”中研究了多关系网络的社团划分问题，然而在社团划分时未考虑各个关系之间的权重问题。多关系社交网络社团划分的关键在于如何考虑每一维度关系对社团划分的影响。本发明提出用具体数据来确定各个关系权重的思想，一切由数据决定。另外，目前存在的采用张量分解进行多关系社交网络社团划分的方法复杂度高，而且性能不好。

综上所述，现有技术存在的问题是：在确定各个关系之间的权重时，缺少理论指导，多关系社交网络区别于单关系社交网络主要在于各个关系对于社团成型的贡献是不一样的，分析各个关系的权重是多关系社交网络社团划分的关键问题。利用传统的HOOI(High Order Orthogonal Iteration)方法进行张量分解的社团划分方法复杂度高，不适合大规模社交网络。

发明内容

针对现有技术存在的问题，本发明提供了一种多关系社交网络的社团划分方法。

本发明是这样实现的，一种多关系社交网络的社团划分方法，所述多关系社交网络的社团划分方法包括以下步骤：

首先将原始网络数据转化为相似度张量，接着建立分析模型；

然后利用张量分解方法得到张量的分解结果；

最后利用聚类分析方法得到社团的划分结果。

进一步，所述多关系社交网络的社团划分方法利用谱聚类的思想建立多关系社交网络社团划分的谱聚类方法，谱聚类的具体包括：

对于任意的单关系网络G＝(V,E)，节点的数量为N，W是存储网络数据的邻接矩阵，D是一个对角阵，它的元素是节点度的数量；其中L＝D-W称作拉普拉斯矩阵，而且标准化的拉普拉斯矩阵表示如下：

L_Ncut＝D^-1/2LD^-1/2＝I-S_N；

其中，I是单位矩阵，S_N是称作标准化的相似矩阵；S_N和L_Ncut具有相同的特征向量，而且特征值满足对于多关系网络，对每一种维度计算相似度矩阵，根据谱聚类的方法可以建立如下的分析模型：

s.t. U^TU＝I

其中，trace(·)算子是求矩阵的迹，是松弛分配矩阵，M为社团数量。由于S_N是半正定矩阵，问题转化为Frobenius范数分析模型：

s.t. U^TU＝I

其中，表示二范数算子；通过对问题的求解得到U矩阵，通过对U矩阵进行聚类分析得到社团的划分结果。

进一步，所述多关系社交网络的社团划分方法具体包括以下步骤：

步骤一，原始网络数据转化为相似度张量，并建立优化问题；

步骤二，相似度张量的分解，采用张量分解的方法对相似度张量进行分解，在实际应用中根据不同的需求选择具体的张量分解方法；

步骤三，聚类分析，对于得到的U矩阵进行聚类分析，得到社团的划分结果。

进一步，所述步骤一具体包括：

(1)多关系网络以不同的观测维度可以得到类似于单关系网络对象的相似度矩阵，所有K个观察角度可以得到K个相似度矩阵，相似度张量的生成过程是将K个相似度矩阵叠加在一起，每种关系矩阵构成张量；

(2)在多关系网络中，每种关系对网络聚类的贡献或影响是不一样的，每种关系对网络聚类的影响由数据决定，每种关系对网络聚类的权重朝着网络聚类结果更明显的方向调整；

进一步，参照单目标关系网络的谱聚类优化问题建立多关系网络的谱聚类分析模型：

其中，w_k为每个维度上的权重因子，对于K种关系的权重，归一化处理，建立多关系的谱聚类问题。

进一步，所述步骤二具体包括：

(a)用Tucker分解来分解张量，对得到的相似度张量，采用Tucker分解来解决原始问题，如下式：