[发明专利]一种多模异质社交网络社区发现方法

说明书

本申请提供了一种多模异质社交网络社区发现方法，包括：基于所述多模异质社交网络内各节点信息和不同节点间的元路径连接关系集合构建初始信息矩阵；以最短可达元路径的为划分依据划分所述初始信息矩阵，得到多维异质网路信息矩阵；将所述多模异质社交网络内至少两个预设目标节点的所述小信息向量和所述总体信息向量进行维度合并，得到预设目标节点集合的信息矩阵；计算所述初始信息矩阵的融合向量；根据所述融合向量获取社区集合。采用元路径这种数据存储模式将用户及属性之间关系构成关系链，进而获得了更优秀的知识表达能力，利用因子分析模型提取路径中的主成份，改善了节点属性量化不完备这一现状，提高了社区结构的内聚性。

技术领域

本申请涉及社区发现技术领域，尤其是涉及一种多模异质社交网络社区发现方法。

背景技术

社区发现，是社交网络分析中的重要研究问题。总的来讲，社区是网络中稠密子图，满足社区内部节点间的链接相对紧密，社区间节点的链接相对稀疏这一特性。由于这一特性，社区结构能够很好的刻画网络的群聚特性，这对疫情防控、社群管控、个性化推荐等应用系统有着积极的促进作用，极大的提高了系统的性能。在传统的社交网络中，各方法仅考虑节点之间的相似性即可识别社区。但在多模异质社交网络中，社区不仅需要考虑节点间相似性，还要考虑节点到属性、属性到属性之间的相似性，这种优化目标的扩展给社区发现任务带来了极大的挑战。

归纳而言，现有社区发现方法主要存在的问题在于：仅针对同质信息网络，忽略了节点及链接的异构性所引发的优化目标的扩展；以矩阵或邻接表存储图数据，节点被表示为邻接表的表项或矩阵的元素，这种数据结构的局限性导致了无法有效的存储带有节点属性的异构社交网络；在划分社区时仅以“节点对”作为划分的依据，不能发掘链接背后隐含的连带属性，导致划分出来的社区内聚性较差，缺乏实际意义。

发明内容

有鉴于此，本申请的目的在于提供一种多模异质社交网络社区发现方法，通过元路径这种数据存储模式将用户及属性之间关系构成“关系链”，进而获得了更优秀的知识表达能力，此外，利用因子分析模型提取路径中的主成份，以主成份作为节点的特征表示，改善了节点属性量化不完备这一现状，提高了社区结构的内聚性。

本申请实施例提供了一种多模异质社交网络社区发现方法，所述方法包括：

基于所述多模异质社交网络内各节点信息和不同节点间的元路径连接关系集合构建初始信息矩阵；

以最短可达元路径的为划分依据划分所述初始信息矩阵，得到多维异质网路信息矩阵，其中，所述多维异质网路信息矩阵包括最短距离内部的小信息向量和由所有小信息向量构成的总体信息向量；

将所述多模异质社交网络内至少两个预设目标节点的所述小信息向量和所述总体信息向量进行维度合并，得到预设目标节点集合的信息矩阵；

预测所述预设目标节点集合的信息矩阵的相关度矩阵；

基于所述初始信息矩阵和所述相关度矩阵计算所述初始信息矩阵的融合向量；

根据所述融合向量获取社区集合。

可选的，所述基于所述多模异质社交网络内各节点信息和不同节点间的元路径连接关系集合构建初始信息矩阵的步骤，包括：

采集异质信息网络中的所有元路径；

将以目标类型节点为初始，以非目标节点为终结的目标元路径存入单向元路径集合中；

将存入单向元路径集合中的所述目标元路径按照元路经长短进行排序，将所述目标元路径按照路径长短的次序记录于集合A中；

将以目标类型节点为初始，非原始目标节点的目标类型节点为终结的元路经以节点之间存在边的形式存放于目标节点的双向连通集合B中；