CN108256650A - 基于块模型的社区挖掘方法、装置及终端设备 - Google Patents

基于块模型的社区挖掘方法、装置及终端设备 Download PDF

Info

Publication number
CN108256650A
CN108256650A CN201810058059.4A CN201810058059A CN108256650A CN 108256650 A CN108256650 A CN 108256650A CN 201810058059 A CN201810058059 A CN 201810058059A CN 108256650 A CN108256650 A CN 108256650A
Authority
CN
China
Prior art keywords
block
block models
network
model
models
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810058059.4A
Other languages
English (en)
Inventor
赵学华
谭旭
陈慧灵
唐飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Information Technology
Original Assignee
Shenzhen Institute of Information Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Information Technology filed Critical Shenzhen Institute of Information Technology
Priority to CN201810058059.4A priority Critical patent/CN108256650A/zh
Publication of CN108256650A publication Critical patent/CN108256650A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)

Abstract

本发明适用于网络技术技术领域，提供了基于块模型的社区挖掘方法、装置、终端设备及计算机可读存储介质，包括：获取网络的邻接矩阵，构建并初始化块模型；将所述块模型与所述邻接矩阵拟合，并对所述块模型进行参数学习；根据参数学习的结果对所述块模型进行优化，获取优化后的所述块模型的模型成本值；若所述模型成本值小于预设的模型成本阈值，则根据优化后的所述块模型确定所述网络中每个节点所属的社区；若所述模型成本值大于或等于所述模型成本阈值，则执行所述将所述块模型与所述邻接矩阵拟合，并对所述块模型进行参数学习的操作。本发明提升了对网络进行社区挖掘的效率和准确度，并能处理更大规模的网络。

Description

基于块模型的社区挖掘方法、装置及终端设备
技术领域
本发明属于网络技术技术领域，尤其涉及基于块模型的社区挖掘方法、装置、终端设备及计算机可读存储介质。
背景技术
网络分析已成为近年来的热点研究领域，而社区挖掘作为网络分析的一种重要方法，可应用于多种如社交网络、生物网络和科学家网络等网络的结构分析中。在以往的社区挖掘方法中，大部分都是在给定目标函数后进行计算优化，从而得到对应网络的社区结构。随着研究的进步，提出了将社区挖掘和统计学习结合进行分析的方法，相比于前者依赖于给定目标函数的质量，这类基于统计学习的社区挖掘方法在准确性和可解释性方面更为优秀。
块模型(Block Model，BM)是统计学习模型中的一种，基于块模型对网络进行社区挖掘，经验证拥有良好的生成结构和挖掘效果。但是，该方法仅能用于分析已知社区数目的网络，而真实世界的网络通常都无法预知社区数目，也即该方法无法处理与真实世界网络类似的网络。应对上述问题，在现有的解决方案中，可通过交叉验证法和基于贝叶斯的模型选择方法等，从候选的模型空间中依次选择模型进行参数学习，最后通过学习的结果选择出模型空间中最好的模型进行社区挖掘。故现有方法会导致参数学习和模型选择串行进行，从而社区挖掘的时间复杂度较高，且准确性较低。
发明内容
有鉴于此，本发明实施例提供了基于块模型的社区挖掘方法、装置、终端设备及计算机可读存储介质，以解决现有技术中对不具有先验结构知识的网络进行社区挖掘的方法时间复杂度高，准确性低，且只能处理小规模网络的问题。
本发明实施例的第一方面提供了一种基于块模型的社区挖掘方法，包括：
获取网络的邻接矩阵，构建并初始化块模型；
将所述块模型与所述邻接矩阵拟合，并对所述块模型进行参数学习；
根据参数学习的结果对所述块模型进行优化，获取优化后的所述块模型的模型成本值；
若所述模型成本值小于预设的模型成本阈值，则根据优化后的所述块模型确定所述网络中每个节点所属的社区；
若所述模型成本值大于或等于所述模型成本阈值，则执行所述将所述块模型与所述邻接矩阵拟合，并对所述块模型进行参数学习的操作。
本发明实施例的第二方面提供了一种基于块模型的社区挖掘装置，包括：
构建单元，用于获取网络的邻接矩阵，构建并初始化块模型；
学习单元，用于将所述块模型与所述邻接矩阵拟合，并对所述块模型进行参数学习；
优化单元，用于根据参数学习的结果对所述块模型进行优化，获取优化后的所述块模型的模型成本值；
确定单元，用于若所述模型成本值小于预设的模型成本阈值，则根据优化后的所述块模型确定所述网络中每个节点所属的社区；
执行单元，用于若所述模型成本值大于或等于所述模型成本阈值，则执行所述将所述块模型与所述邻接矩阵拟合，并对所述块模型进行参数学习的操作。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述社区挖掘方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述社区挖掘方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：
本发明通过获取网络的邻接矩阵，构建块模型的参数格式并对其进行初始化，接着将邻接矩阵和块模型进行拟合，基于邻接矩阵对块模型的参数进行参数学习，并根据参数学习的结果对块模型进行优化，获取优化后的块模型的模型成本值，将其与预设的模型成本阈值进行比较，如果模型成本值小于模型成本阈值，则根据优化后的块模型确定网络中每个节点所属的社区，如果模型成本值大于或等于模型成本阈值，则基于邻接矩阵对优化后的块模型重新进行参数学习及后续步骤，提升了基于块模型的社区挖掘的效率和准确度，并使其能够处理更大规模的网络。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于块模型的社区挖掘方法的实现流程图；
图2是本发明另一实施例提供的基于块模型的社区挖掘方法的实现流程图；
图3是本发明另一实施例提供的基于块模型的社区挖掘方法的实现流程图；
图4是本发明另一实施例提供的基于块模型的社区挖掘方法的实现流程图；
图5是本发明另一实施例提供的基于块模型的社区挖掘装置的结构框图；
图6是本发明另一实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
图1示出了本发明实施例提供的基于块模型的社区挖掘方法的实现流程，详述如下：
在S101中，获取网络的邻接矩阵，构建并初始化块模型。
随着互联网的兴起，网络分析的概念逐渐进入大众视野。网络分析的对象多种多样，包括真实世界的人群网络、社交网络和生物网络等，其分析目的是获取网络结构，从而实现调查或统计等不同功能。本发明实施例基于块模型，可对不具有先验结构知识的网络进行分析，并进行社区挖掘，确定出网络中每个节点所属的社区。当然，本发明实施例还可对具有先验结构知识的网络进行分析，只是以不具有先验结构知识的网络作为对象，更能进行清楚的说明，即其不构成对本发明实施例的限定。
在本步骤中，先获取待分析的网络，由于直接对真实网络进行计算的操作难度较大，故将网络数据化，计算出网络的邻接矩阵。其中，邻接矩阵中的元素表示网络中节点的链接关系。块模型作为一种热门的网络分析模型，在本发明实施例中应用其理念，针对待分析的网络，合理构建块模型的参数格式及类型，并根据网络对块模型内的参数进行初始化，以便后续基于邻接矩阵对块模型的参数进行学习，得到接近于网络的参数值。
优选地，步骤S101具有一种优选实现流程，如图2所示，该流程步骤如下：
在S201中，获取用于表示所述网络的邻接矩阵A，所述邻接矩阵A的元素aij用于表示所述网络中节点i和节点j之间的链接关系，其中，元素aij中的i和j分别表示所述节点i和所述节点j。
获取网络中节点的总数作为参数n，并计算出网络的邻接矩阵A，邻接矩阵A中的元素aij可表示网络中节点i和节点j之间的链接关系，其中0＜i≤n，0＜j≤n。举例来说，如果网络是无符号网络，则可设置当元素aij＝1时，代表节点i与节点j之间有链接，当元素aij＝0时，代表节点i与节点j间无链接；如果网络是符号网络，则可设置当元素aij＝1时，代表节点i与节点j之间存在正链接，当元素aij＝0时，代表节点i与节点j间无链接，当元素aij＝-1时，代表节点i与节点j间存在负链接。当然，这只是优选的一种设置方式，在实际应用中可通过更改邻接矩阵A的生成方式，从而更改元素aij的值以及每种值所代表的含义，为了便于说明，在本发明实施例中仅以上述无符号网络对应的示例进行后续计算。
在S202中，构建块模型BM＝(n,K,Z,π,θ,ω)，并对所述块模型BM进行初始化，其中，所述n表示所述网络中节点的总数，所述K表示所述块模型中块的总数，且K＝n，所述Z为n×K维矩阵，用于表示节点和块的从属关系，所述π为变量，用于表示所述网络的块内节点连接概率，所述θ为变量，用于表示所述网络的块间节点连接概率，所述ω为K维向量，用于表示所述网络中的节点在不同块内的比例关系。
为了分析网络的结构，在本发明实施例中，构建块模型BM＝(n,K,Z,π,θ,ω)，其中，参数n为网络中节点的总数；参数K表示块模型BM的模型块数，对应网络的社区数，在初始化时令K＝n；Z是n×K维矩阵，其内的Zi是K维的指示向量，举例来说，若节点i属于块k，则参数Zik＝1，否则参数Zik＝0；π为变量，用于表示网络中属于同一块的节点存在链接关系的概率；θ同样为变量，用于表示网络中属于不同块的节点存在链接关系的概率；ω为K维向量，ωk表示网络的节点分布在块k内的比例，且满足在对块模型BM进行初始化时，采用预设的方式对其内参数，如矩阵Z、变量π、变量θ和向量ω进行初始化，具体方式在后文进行阐述。值得一提的是，块模型BM中的参数在生成之后并非固定，在后续对块模型BM进行优化时，对应的参数也会改变。上述获取邻接矩阵A和构建并初始化块模型BM的方法将对网络的分析具体到数据层面，通过构建合理格式的块模型，提高了后续进行社区挖掘的准确性。
在S102中，将所述块模型与所述邻接矩阵拟合，并对所述块模型进行参数学习。
获取到网络对应的邻接矩阵后，由于存在对网络进行社区挖掘的需求，故合理构建并初始化块模型，并将块模型与邻接矩阵拟合，基于邻接矩阵对块模型内的参数进行参数学习。
优选地，步骤S102具有一种优选实现流程，如图3所示，该流程步骤如下：
在S301中，将所述块模型BM与所述邻接矩阵A拟合，并利用变分近似计算所述块模型BM中所述Z、所述π和所述θ的后验近似分布。
在本发明实施例中，利用变分近似原理对块模型BM中的Z、π和θ进行参数学习，以得到接近于网络实际结构的结果。在利用变分近似进行计算之前，先要通过常识和经验提前设定Z、π和θ的分布情况，便于在块模型BM中进行后续参数学习。
优选地，设置所述Z的指示向量Zi的近似分布服从参数为τi＝{τi1 0,...,τiK 0}的多项式分布，其中0＜i≤n，并且设置所述π的先验分布为参数为μ1 0，μ2 0的伯努利分布，所述θ的先验分布为参数为η1 0，η2 0的伯努利分布。在对块模型BM进行初始化时，对参数τ、参数μ1 0、参数μ2 0、参数η1 0和参数η2 0采用随机方式进行初始化，当然，上述的随机方式要合乎一般规则和分布原理。例如，由于π的先验分布为参数为μ1 0，μ2 0的伯努利分布，故在采用随机方式进行初始化时，要使μ1 0+μ2 0＝1。通过上述的设置方法可以使参数的分布尽量贴合于实际，防止计算出现过大差错。
在对Z、π和θ进行初始化后，可根据其分布情况，基于变分近似原理，推导出矩阵Z，具体为指示向量Zi的后验近似分布，其中：
其中，符号“∝”表示正比于，ψ(·)表示Digamma函数。由于对块模型BM进行初始化时，大部分参数都是由随机方式随机生成，故在首次计算时，以随机生成的参数代替上述公式的参数，例如在首次计算时，以已知的参数μ1 0代替公式中的参数μ1，以已知的参数μ2 0代替μ2等。在后续计算时，就可用学习出的参数代替公式中的参数，使得计算结果逼近实际值。
优选地，计算出参数τil后，对其进行标准化，公式如下：
其中，等式右边的sum(τi)指的是从参数τi1开始至参数τiK结束进行求和的结果，在参数τil的值因计算而改变后，sum(τi)不再等于1，故通过此等式标准化后，可使得再求和的结果重新等于1。对参数τil进行标准化，即对参数τ进行标准化，有利于提高计算过程的准确性，使求和的结果重新满足并使指示向量Zi的近似分布继续服从参数为τi＝{τi1,...,τiK}的多项式分布。
同样，由变量π的先验分布，可以利用变分近似原理推导出变量π的后验近似分布为参数为μ1，μ2的Beta分布，且满足：
由变量θ的先验分布，可以利用变分近似原理推导出变量θ的后验近似分布为参数为η1，η2的Beta分布，且满足：
在S302中，根据所述Z、所述π和所述θ的后验近似分布，利用点估计计算所述ω。根据计算出的τil的值，更新指示向量Zi，并基于最大化块模型BM低边界，通过求导得到ω的值，表达式如下：
学习出向量ω后，进行后续的优化过程。
在S103中，根据参数学习的结果对所述块模型进行优化，获取优化后的所述块模型的模型成本值。
基于块模型中参数学习的结果，对块模型进行优化，并获取优化后的块模型的模型成本值。
优选地，步骤S103具有一种优选实现流程，如图4所示，该流程步骤如下：
在S401中，消去所述块模型BM中ωl＝0对应的块l，其中，0＜l≤K，并对所述块模型BM的所述K、所述Z、所述π、所述θ和所述ω进行更新。
计算出向量ω后，查找向量ω中所有等于0的元素及元素对应的标号l，并删除ωl＝0的分量。对向量ω进行更新后，对应地，对块模型BM的其他参数也进行对应的更新操作，如删除参数τ中对应标号为l的列向量，得到更新后的参数τ；更新参数K的值为更新后的向量ω包含的元素总数等，并不再更新与块l相关的值，从而降低后续计算的时间复杂度。
在S402中，基于优化后的所述块模型BM和本次优化前的所述块模型BM计算出所述模型成本值。
在对块模型BM进行优化以及参数更新后，获取更新后的参数τ和上一次更新，即本次更新前的参数τ，通过||τ-τold||2计算出模型成本值。在上述公式中，τ表示本次更新后的参数τ，τold表示上一次更新的参数τ，||·||2表示二阶范数。上述方法将块模型BM中不包含网络节点的块消去，对应进行参数更新，并计算出模型成本值进行后续判断，使得块模型BM得到优化，实现了参数学习和模型选择的并行计算。
在S104中，若所述模型成本值小于预设的模型成本阈值，则根据优化后的所述块模型确定所述网络中每个节点所属的社区。
在对块模型进行优化后，为了判断优化的效果是否能达到对网络进行社区挖掘的模型要求，故获取优化后的块模型的模型成本值，与预设的模型成本阈值ε进行比较，其中，模型成本阈值ε可在对块模型进行初始化时进行设置，具体值由实际情况和需要决定。如果模型成本值小于模型成本阈值ε，则证明该优化后的块模型已符合网络的模型要求，则可获取优化后的块模型的社区数进行社区挖掘，具体根据优化后的块模型的参数确定出网络中的节点所属的社区。
优选地，基于优化后的块模型的参数K，根据指示变量Zi的后验近似分布进行社区挖掘，网络的节点i属于τi＝{τi1,...,τiK}中最大参数值对应的社区，具体公式为：
在S105中，若所述模型成本值大于或等于所述模型成本阈值，则执行所述将所述块模型与所述邻接矩阵拟合，并对所述块模型进行参数学习的操作。
如果模型成本值大于或等于模型成本阈值ε，则证明该优化后的块模型还未符合对网络进行社区挖掘的模型要求，需要重新将优化后的块模型重新与邻接矩阵拟合，进行参数学习以及后续的操作，不断进行迭代优化，直到计算出的模型成本值小于模型成本阈值ε为止。其中，由于计算过程涉及的参数较多的缘故，模型成本值等于模型成本阈值ε的可能性较小。
通过图1所示实施例可知，在本发明实施例中，通过计算出网络的邻接矩阵，构建并初始化块模型，并将初始化完成的块模型与邻接矩阵拟合，对块模型的参数进行参数学习，根据参数学习的结果更新块模型内的参数，即对块模型进行优化，并获取优化后的块模型的模型成本值，如果模型成本值小于预设的模型成本阈值，则根据优化后的块模型确定网络中每个节点所属的社区，如果模型成本值大于或等于模型成本阈值，则重新将优化后的块模型与邻接矩阵拟合，并进行参数学习及后续操作，通过不断优化块模型，提升了对网络的挖掘效率和挖掘效果，实现了参数学习和模型选择的并行进行，从而能处理更大规模的网络。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的基于块模型的社区挖掘方法，图5示出了本发明实施例提供的基于块模型的社区挖掘装置的结构框图，参照图5，该装置包括：
构建单元51，用于获取网络的邻接矩阵，构建并初始化块模型；
学习单元52，用于将所述块模型与所述邻接矩阵拟合，并对所述块模型进行参数学习；
优化单元53，用于根据参数学习的结果对所述块模型进行优化，获取优化后的所述块模型的模型成本值；
确定单元54，用于若所述模型成本值小于预设的模型成本阈值，则根据优化后的所述块模型确定所述网络中每个节点所属的社区；
执行单元55，用于若所述模型成本值大于或等于所述模型成本阈值，则执行所述将所述块模型与所述邻接矩阵拟合，并对所述块模型进行参数学习的操作。
图6是本发明一实施例提供的终端设备的示意图。如图6所示，该实施例的终端设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述各个基于块模型的社区挖掘方法实施例中的步骤，例如图1所示的步骤S101至S105。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块51至55的功能。
示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述终端设备6中的执行过程。例如，所述计算机程序62可以被分割成构建单元、学习单元、优化单元、确定单元、执行单元，各模块具体功能如下：
构建单元，用于获取网络的邻接矩阵，构建并初始化块模型；
学习单元，用于将所述块模型与所述邻接矩阵拟合，并对所述块模型进行参数学习；
优化单元，用于根据参数学习的结果对所述块模型进行优化，获取优化后的所述块模型的模型成本值；
确定单元，用于若所述模型成本值小于预设的模型成本阈值，则根据优化后的所述块模型确定所述网络中每个节点所属的社区；
执行单元，用于若所述模型成本值大于或等于所述模型成本阈值，则执行所述将所述块模型与所述邻接矩阵拟合，并对所述块模型进行参数学习的操作。
所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是终端设备6的示例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于块模型的社区挖掘方法，其特征在于，包括：
获取网络的邻接矩阵，构建并初始化块模型；
将所述块模型与所述邻接矩阵拟合，并对所述块模型进行参数学习；
根据参数学习的结果对所述块模型进行优化，获取优化后的所述块模型的模型成本值；
若所述模型成本值小于预设的模型成本阈值，则根据优化后的所述块模型确定所述网络中每个节点所属的社区；
若所述模型成本值大于或等于所述模型成本阈值，则执行所述将所述块模型与所述邻接矩阵拟合，并对所述块模型进行参数学习的操作。
2.如权利要求1所述的社区挖掘方法，其特征在于，所述获取网络的邻接矩阵，构建并初始化块模型，包括：
获取用于表示所述网络的邻接矩阵A，所述邻接矩阵A的元素aij用于表示所述网络中节点i和节点j之间的链接关系，其中，元素aij中的i和j分别表示所述节点i和所述节点j；
构建块模型BM＝(n,K,Z,π,θ,ω)，并对所述块模型BM进行初始化，其中，所述n表示所述网络中节点的总数，所述K表示所述块模型中块的总数，且K＝n，所述Z为n×K维矩阵，用于表示节点和块的从属关系，所述π为变量，用于表示所述网络的块内节点连接概率，所述θ为变量，用于表示所述网络的块间节点连接概率，所述ω为K维向量，用于表示所述网络中的节点在不同块内的比例关系。
3.如权利要求2所述的社区挖掘方法，其特征在于，所述将所述块模型与所述邻接矩阵拟合，并对所述块模型进行参数学习，包括：
将所述块模型BM与所述邻接矩阵A拟合，并利用变分近似计算所述块模型BM中所述Z、所述π和所述θ的后验近似分布；
根据所述Z、所述π和所述θ的后验近似分布，利用点估计计算所述ω。
4.如权利要求3所述的社区挖掘方法，其特征在于，所述利用变分近似计算所述块模型BM中所述Z、所述π和所述θ的后验近似分布之前，还包括：
设置所述Z的指示向量Zi的近似分布服从参数为τi＝{τi1 0,...,τiK 0}的多项式分布，其中0＜i≤n，并且设置所述π的先验分布为参数为μ1 0，μ2 0的伯努利分布，所述θ的先验分布为参数为η1 0，η2 0的伯努利分布。
5.如权利要求4所述的社区挖掘方法，其特征在于，所述根据参数学习的结果对所述块模型进行优化，获取优化后的所述块模型的模型成本值，包括：
消去所述块模型BM中ωl＝0对应的块l，其中，0＜l≤K，并对所述块模型BM的所述K、所述Z、所述π、所述θ和所述ω进行更新；
基于优化后的所述块模型BM和本次优化前的所述块模型BM计算出所述模型成本值。
6.一种基于块模型的社区挖掘装置，其特征在于，包括：
构建单元，用于获取网络的邻接矩阵，构建并初始化块模型；
学习单元，用于将所述块模型与所述邻接矩阵拟合，并对所述块模型进行参数学习；
优化单元，用于根据参数学习的结果对所述块模型进行优化，获取优化后的所述块模型的模型成本值；
确定单元，用于若所述模型成本值小于预设的模型成本阈值，则根据优化后的所述块模型确定所述网络中每个节点所属的社区；
执行单元，用于若所述模型成本值大于或等于所述模型成本阈值，则执行所述将所述块模型与所述邻接矩阵拟合，并对所述块模型进行参数学习的操作。
7.如权利要求6所述的社区挖掘装置，其特征在于，所述构建单元，包括：
获取单元，用于获取用于表示所述网络的邻接矩阵A，所述邻接矩阵A的元素aij用于表示所述网络中节点i和节点j之间的链接关系，其中，元素aij中的i和j分别表示所述节点i和所述节点j；
构建子单元，用于构建块模型BM＝(n,K,Z,π,θ,ω)，并对所述块模型BM进行初始化，其中，所述n表示所述网络中节点的总数，所述K表示所述块模型中块的总数，且K＝n，所述Z为n×K维矩阵，用于表示节点和块的从属关系，所述π为变量，用于表示所述网络的块内节点连接概率，所述θ为变量，用于表示所述网络的块间节点连接概率，所述ω为K维向量，用于表示所述网络中的节点在不同块内的比例关系。
8.如权利要求7所述的社区挖掘装置，其特征在于，所述学习单元，包括：
第一计算单元，用于将所述块模型BM与所述邻接矩阵A拟合，并利用变分近似计算所述块模型BM中所述Z、所述π和所述θ的后验近似分布；
第二计算单元，用于根据所述Z、所述π和所述θ的后验近似分布，利用点估计计算所述ω。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述社区挖掘方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述社区挖掘方法的步骤。
CN201810058059.4A 2018-01-22 2018-01-22 基于块模型的社区挖掘方法、装置及终端设备 Pending CN108256650A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810058059.4A CN108256650A (zh) 2018-01-22 2018-01-22 基于块模型的社区挖掘方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810058059.4A CN108256650A (zh) 2018-01-22 2018-01-22 基于块模型的社区挖掘方法、装置及终端设备

Publications (1)

Publication Number Publication Date
CN108256650A true CN108256650A (zh) 2018-07-06

Family

ID=62727090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810058059.4A Pending CN108256650A (zh) 2018-01-22 2018-01-22 基于块模型的社区挖掘方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN108256650A (zh)

Similar Documents

Publication Publication Date Title
Escanciano et al. Uniform convergence of weighted sums of non and semiparametric residuals for estimation and testing
Tencaliec et al. Flexible semiparametric generalized Pareto modeling of the entire range of rainfall amount
CN108197773A (zh) 电力负荷预测方法、电力负荷预测装置及终端设备
Lefley et al. Using genetic programming to improve software effort estimation based on general data sets
Prasse et al. Network reconstruction and prediction of epidemic outbreaks for general group-based compartmental epidemic models
Konstantelos et al. Using vine copulas to generate representative system states for machine learning
Li et al. Improved gene expression programming to solve the inverse problem for ordinary differential equations
CN102262681A (zh) 一种博客信息传播中识别关键博客集的方法
CN112330048A (zh) 评分卡模型训练方法、装置、存储介质及电子装置
CN108256626A (zh) 时间序列的预测方法及装置
CN115577791A (zh) 基于量子系统的信息处理方法及装置
CN110739692A (zh) 一种基于概率图模型的配电网结构识别方法
CN108563201B (zh) 一种dmaic驱动的小批量零件加工工艺过程质量改进方法
CN113673742A (zh) 配电变压器台区负荷预测方法、系统、装置及介质
CN111834996B (zh) 电网线损计算方法和装置
CN116757874A (zh) 一种基于群体智能分析的用户用能态势推演方法
CN108256650A (zh) 基于块模型的社区挖掘方法、装置及终端设备
CN115577787B (zh) 量子振幅估计方法、装置、设备以及存储介质
Zahoor et al. Evolutionary computation technique for solving Riccati differential equation of arbitrary order
CN108256582A (zh) 随机块模型的训练方法、装置及终端设备
CN115173421A (zh) 一种基于渐进拉丁超立方采样的概率最优潮流计算方法
CN114331349B (zh) 一种基于物联网技术的科研项目管理方法及系统
CN111260085B (zh) 器件更换工时评估方法、装置、设备及介质
CN114117349A (zh) 电力系统随机变量概率分析方法、系统、设备及存储介质
Klein et al. Aggregation of large-scale electrical energy transmission networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180706