[发明专利]一种基于用户综合相似度的微博社区划分方法

说明书

技术领域

本发明涉及社交网络技术领域，特别是一种基于用户综合相似度的微博社区划分方法

背景技术

如何从社交网络中挖掘出具有使用效益的信息已经成为复杂网络中一个研究热点，无论在理论还是社会实用价值上都具有非常重要的意义。由于很多社会网络都存在社区结构，尤其在大规模社会网络中体现的更为显著，这种网络结构具备一个共同特征就是社区内节点间联系非常紧密而社区间的联系非常稀疏。随着越来越多的学者们投入到社区划分的研究当中，发现基于社区结构的算法的特色在于大幅降低网络处理规模,从而使得时间性能效有了大量提高，且一定程度上避免了节点影响力的聚集重叠。

迄今为止，人们已经提出许多社区发现方法，2002年，Girvan和Newman 在PNAS上发表的论文对社会网络和生物网络中的社区结构进行研究，也就是著名的GN算法，它是社区发现技术发展过程中的一个重要里程碑，也是一种非常经典的社区发现算法和社区发现技术研究中的重要的参考模型，该论文拉开了网络社区结构研究的序幕。2007年，Raghavan等人提出了标签传播算法(Label propagation Algorithm,LPA)，有效地解决了复杂度高、无法收敛的问题。标签传播算法是一种基于图的半监督学习方法，认为联系紧密的节点会拥有一个相同的标签值，其基本思路是用已标记节点的标签信息预测未标记节点的标签信息，最后标签值相同的节点被划分进一个社区。LPA具有思路简单、扩展性强、复杂度最低、速度最快等特点。

LPA算法也有其缺点，在标签遍历顺序、标签更新策略上均采用了随机选择方案，使得最终的社区划分结果极其不稳定，社区划分的质量也很难得到保证。而且由于社会网络的信息中潜藏着各种各样的主题，且这些主题会影响到信息的传播效果以及节点对于不同主题的影响力。

综上所述，现有的社区划分方法在准确度和稳定性方面都存在很大的提升空间。

发明内容

本发明主要解决的技术问题是提供一种基于用户综合相似度的微博社区划分方法，该方法有利于提高微博社区划分的准确度和稳定性能。

为解决上述问题，本发明采用的一个技术方案是：提供一种基于用户综合相似度的微博社区划分方法，包括以下步骤：

一种基于用户综合相似度的微博社区划分方法,其特征在于包括以下步骤：

步骤一，获取微博数据，建立博文集合，进行LDA主题模型训练，获得‘类别- 主题’矩阵；

步骤二，对所有用户的博文进行基于特征扩展的主题挖掘，得到‘用户-主题’矩阵；

步骤三，对所有用户进行主题相似度计算；

步骤四，为每一个用户节点分配唯一的标签，并对用户节点的潜在影响力进行评估；

步骤五，根据用户节点潜在影响力进行排序，从潜在影响力值大的节点开始计算相连接节点的综合相似度，以用户节点的综合相似度的高低顺序作为节点更新遍历的顺序；

步骤六，进行标签的同步迭代更新，直到节点标签不再改变；

步骤七，将所有具有相同标签的节点归为一个社区。

所述步骤一中获取微博数据包括：微博用户信息和微博博文信息，其中微博用户信息包括自身属性、粉丝属性、社交属性，微博博文信息包括基础属性、时间属性、文本属性、影响力属性；

对博文集合进行LDA主题模型训练过程具体如下：

过程1.1，根据概率P(d_i)选择一篇文档d_i，并对选定的文档d_i重复以下步骤,其中，d_i表示第i个文档，P(d_i)表示第i个文档的概率；

过程1.2，从参数为α的Dirichlet先验分布中取样获得文档d_i对应的主题多项分布θ_i，其中，θ_i为主题多项分布θ_i，α为Dirichlet先验分布中每个文档符合的主题分布的参数；

过程1.3，从得到的主题多项分布θ_i中采样获得文档d_i的第j个单词的主题 z_i,j；

过程1.4，从参数为β的Dirichlet先验分布中取样获得主题z_i,j对应的单词多项分布其中，z_i,j表示第i个文档中的第j个主题，为单词多项分布，β为Dirichlet先验分布中每个主题中单词符合的分布的参数；