[发明专利]一种属性网络的群体发现方法及系统

说明书

本发明属于网络数据挖掘领域，公开了一种属性网络的群体发现方法及系统，用于准确地识别属性网络中潜在的群体结构，包括：获取属性网络用户交互行为数据；通过对属性网络数据进行预处理以建模属性网络拓扑和节点属性集合；基于节点度中心性度量和节点间相对距离定位潜在的聚类中心节点；根据拓扑结构信息将网络邻接矩阵转换为相似矩阵，同时合成节点属性矩阵；运用多层图卷积模型同时对结构信息和节点属性进行深度融合并自动识别完整的群体结构；最后对群体发现结果进行评价。本发明可面向大规模属性网络数据，在较低时间复杂度下揭示群体结构，对复杂网络普适性强，具有较高的应用价值。

技术领域

本发明属于图数据挖掘领域。具体地，涉及一种属性网络的群体发现方法及系统。

背景技术

随着信息技术和互联网技术的不断发展，人与人及人与环境之间的联系与交互变得普遍而又复杂，从而形成了各种各样的复杂系统。这些复杂系统通常可以用复杂网络来进行抽象描述，如在线社交网络、移动通信网络等。复杂网络涉及物理、生物、社会科学、系统科学、网络科学等交叉领域，逐渐成为解决复杂问题的一个强有力的工具，在如社交网络分析、生物工程、电力与交通、人类行为分析、大数据分析等众多领域有着广泛的应用。这些复杂网络系统中相互关联的个体形成的网络拓扑结构具有随机性和自组织性，并且表现出明显的群体聚集特征。近年来研究表明群体结构是复杂网络中普遍存在的一种重要中观结构特征，通常与网络中相应的功能模块及群体属性有着紧密联系。群体发现从中观视角揭示复杂网络的群体聚集特征和功能结构特性，对于分析复杂网络的节点特征、结构属性、群体交互模式等问题起着关键作用，并为研究复杂网络结构演化机制、信息传播规律、群体行为等提供重要支撑。

群体结构在复杂网络系统中对应不同的功能模块和结构单元，其内部节点相对于群体之间有着更紧密的连接。例如，在社交网络中，由于社会交互不断增强，基于不同兴趣、主题、职业、地域等特征形成的大量紧密群体，社区结构特征尤为明显；通信网络中的群体代表了通信群或个人关系网络。因此，挖掘网络中紧密联系的群体结构对理解和分析网络结构属性、信息传播规律、人类社会组织结构等有重要的应用价值。构建复杂关系网络的拓扑结构并将其划分为不同的紧密连接的群体或模块，是目前常用的方法。典型方法如通过模块度最大化将复杂网络尽可能地划分为不同的群体结构。然而，复杂网络结构在整体上呈现稀疏性，使得这类方法对于解决该优化问题存在一定的挑战。实验表明，这类方法在较小规模的关系网络上表现较好，但在大规模的复杂网络无法获得最优的群体发现结果。同时，随着大数据技术的发展，除了拓扑结构外，复杂网络中积累了大量多源属性信息，并且对群体结构的形成与演变产生重要影响，如金融交易网络中，可基于用户间的交互信息和属性特征挖掘出潜在的诈骗、洗钱等异常行为。而上述方法通常无法利用这些信息，导致了较低的群体发现精度和准确度。因此，属性网络中的群体发现是亟待解决且具有重要应用价值的问题。

发明内容

鉴于上述，有必要提供一种针对属性网络的群体发现方法，有效利用网络或节点的属性特征来弥补网络拓扑结构带来的稀疏性问题，并以无监督学习的方式在群体发现过程中对这两部分信息充分融合，从而在降低计算复杂度的同时，提高群体发现的准确性。

为了克服现有技术的缺陷，本发明提供一种属性网络的群体发现方法。在该方法中，基于所获取的属性网络数据来确定所有节点用户间的连接关系以及用户属性特征，构建反映用户关系的复杂网络及用户属性集合，通过节点度中心性和节点间的距离来定位聚类中心节点并分配标签，再针对该属性网络构建多层图卷积模型，实现用户节点结构与节点属性信息的深度融合同时进行群体发现。本发明在大规模属性网络中可获得较好的群体发现效果。

为达到上述目的，本发明采用以下的技术方案予以实现；

本发明第一方面，提供了一种面向属性网络的群体发现方法，包括以下步骤：

S1：获取属性网络中所有用户间的交互行为数据；

S2：对所获取数据进行预处理，根据用户间的交互关系建模复杂网络结构，并提取各节点的属性信息；