[发明专利]基于人工智能的社区发现方法

说明书

本发明提供了一种基于人工智能的社区发现方法，该方法包括：以用户节点为顶点，社交关系为边，建立社交网络图；将随时间变化的社交网络图组成时间演进网络；对所述时间演进网络进行划分，确定关键时间点；将不同时间段下子网络的编码代价进行累加，得到时间演进网络的编码代价；通过最小化所述编码代价，将社交网络分解成同质分区。本发明提出了一种基于人工智能的社区发现方法，在面对具有链路缺失或具有噪声数据的网络时，有效降低了网络突变和累加误差对社区发现精度的影响，不仅考虑节点直接邻居的影响，还考虑间接邻居的影响，从而降低算法对邻域阈值参数的敏感性，有效提高社区归属结果的准确性。

技术领域

本发明涉及大数据，特别涉及一种基于人工智能的社区发现方法。

背景技术

社交网络中用户由于共同的兴趣和社会属性而结成社区。社区通常由功能相近或性质相似的网络节点组成，在一定程度上反映了用户自发行为背后的局部弱规则性和全局有序性。对社交网络的社区结构的发现识别有助于揭示相互关联的用户如何形成复杂的社会网络，而且具有很多的实用价值，例如通过发现网络中的社区获取具有共同偏好兴趣或相似社会背景的群体。目前大部分社区发现技术都是面向自动社区发现问题，即根据网络结构，通过算法自动地发现网络中的社区，是一种无监督的方法。但自动算法通常存在两个重要的问题：用户获得的网络包含了大量包括错误连接在内的噪声数据，网络连接通常也是不完全的，自动社区发现的性能此时会大大下降，很难有效地识别网络中的真实社区结构；而且通过近似优化方法最大化模块度来发现社区，即使模块度值差得很小，也可能导致差异非常大的社区划分，不能得到一个最优的划分结果，更难以发现特定情境下满足特定需求的社区结构。

发明内容

为解决上述现有技术所存在的问题，本发明提出了一种基于人工智能的社区发现方法，包括：

以用户节点为顶点，社交关系为边，建立社交网络图；

将随时间变化的社交网络图组成时间演进网络；对所述时间演进网络进行划分，确定关键时间点；

将不同时间段下子网络的编码代价进行累加，得到时间演进网络的编码代价；

通过最小化所述编码代价，将社交网络分解成同质分区。

优选地，所述对所述时间演进网络进行划分，进一步包括：

对时间演进网络进行结构划分，将类型相同的用户节点划分到一个子集，结构相同的社交网络划分到一个子网络。

优选地，所述以用户节点为顶点，进一步包括：

将用户组成的社交网络顶点集V分割为两个子集子集I为消息创建用户集合，子集J为消息转发用户集合。

优选地，所述将类型相同的用户节点划分到一个子集，进一步包括：

将消息创建用户集合I中m个消息创建用户划分到k(1≤k≤m)个子集，第p(1≤p≤k)个子集用I_p表示，p≠p'，有且∪_pI^t_p＝I，记I^t_p为t时刻的一个创建用户子集，t时刻创建用户子集表示为I^t＝{I^t₁，…，I^t_p，…，I^t_k}；将n个消息转发用户划分到l(1≤l≤n)个子集，第q(1≤q≤l)个子集用J^t_q表示，q≠q'，有且∪_qJ^t_q＝J，记J^t_q为t时刻的一个转发用户子集，t时刻转发用户子集表示为J^t＝{J^t₁，…，J^t_q，…，J^t_l}。