CN113807600B - 一种动态社交网络中的链路预测方法 - Google Patents
一种动态社交网络中的链路预测方法 Download PDFInfo
- Publication number
- CN113807600B CN113807600B CN202111131751.3A CN202111131751A CN113807600B CN 113807600 B CN113807600 B CN 113807600B CN 202111131751 A CN202111131751 A CN 202111131751A CN 113807600 B CN113807600 B CN 113807600B
- Authority
- CN
- China
- Prior art keywords
- node
- social network
- nodes
- new user
- determining
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 62
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 238000013507 mapping Methods 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 15
- 230000003993 interaction Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种动态社交网络中的链路预测方法。获取当前社交网络的网络信息,并构建社交网络的节点参与矩阵;根据所述网络信息,设置社交网络的监测规则,判断是否存在新用户;当存在新用户时,确定所述新用户在社交网络上的用户节点,并计算所述用户节点在所述节点参与矩阵的离散关系;根据所述离散关系,确定所述用户节点最相关的邻居节点,并确定所述用户节点和邻居节点之间的社交链路本发明的优点在于:一方面进行数据空间侧测算;另一方面,计算节点对的相关关系使在节点在嵌入空间中保存网络结构的近邻性,通过临近性判断是否存在新的节点,通过捕捉新的节点,将新的节点代入矩阵中进行离散计算,通过矩阵变换,预测新的链路。
Description
技术领域
本发明涉及护眼技术领域,特别涉及一种动态社交网络中的链路预测方法。
背景技术
随着海量数据在社交、通信、生物等网络中不断聚集,这种网络结构化的数据非常有效地模拟了现实世界中各种类型的链接数据。其中,节点表示实体,边表示实体之间的链接。对网络信息尤其是链接信息的挖掘成为了一个新兴的研究方向。链接预测是根据社会网络现有的结构,预测隐含的链接或将来可能产生的链接。链接预测除了具有很高的学术研究价值,还具有许多重要的商业应用。例如,Facebook等社交网站中推荐朋友;淘宝等电子商务网站中给用户推荐感兴趣的商品;医学研究者根据基因网络中的不规则联系找到导致疾病的基因;网络安全领域,链接预测亦可实现对垃圾邮件的检测,对实际的舆情监控系统中有着十分重要的作用。
提高应用价值的关键是如何有效的挖掘到网络结构中隐含的丰富信息,提高链接预测的准确性。网络信息的有效学习方法之一是网络表示学习,旨在根据相关的优化目标,将大规模、高维度的网络嵌入到低维度的空间中,用低维稠密的向量表示网络中的节点,并且这些节点表示隐含着丰富的网络信息。利用这种网络嵌入的方法被证明在链接预测中非常有效,但目前的研究大多关注于静态网络,忽略网络的动态演化。
但是,现实世界的网络是实时动态更新的,其节点和边时刻发生变化。例如,社交网络中新用户的加入、新好友关系的产生,会导致网络中出现新的节点和边;用户离开表现为节点的消失。这些时序信息是网络的重要部分,是网络的演化机制和其动力学的体现。动态网络表示学习需要同时对网络的结构及时序信息进行建模,尽可能挖掘出网络中隐含的丰富信息,是一项困难但十分重要的任务。
链接预测的本质是预测节点之间是否存在链接。目前研究大多忽略网络的时间信息,获得的节点向量表示仅捕捉到当前时刻下网络的结构信息,无法捕捉到网络结构中隐含的演化趋势信息,这大大降低了链接预测的准确性。
发明内容
本发明提供一种动态社交网络中的链路预测方法,用以目前研究大多忽略网络的时间信息,获得的节点向量表示仅捕捉到当前时刻下网络的结构信息,无法捕捉到网络结构中隐含的演化趋势信息,这大大降低了链接预测的准确性的情况。
一种动态社交网络中的链路预测方法,包括:
获取当前社交网络的网络信息,并构建社交网络的节点参与矩阵;
根据所述网络信息,设置社交网络的监测规则,判断是否存在新用户;
当存在新用户时,确定所述新用户在社交网络上的用户节点,并计算所述用户节点在所述节点参与矩阵的离散关系;
根据所述离散关系,确定所述用户节点最相关的邻居节点,并确定所述用户节点和邻居节点之间的社交链路。
作为本发明的一种实施例,所述获取当前社交网络的网络信息,并构建社交网络的节点参与矩阵,包括:
确定当前社交网络的网络节点,并构建动态社交网络模型;
根据所述动态社交网络模型,确定所述社交网络中不同节点的数据交互信息;
通过数据分发技术对所述数据交互信息进行分析,确定数据源节点、数据传输节点和数据接收节点;
根据所述数据源节点、数据传输节点和数据接收节点,构建节点参与矩阵。
作为本发明的一种实施例,所获取当前社交网络的网络信息,并构建社交网络的节点参与矩阵,还包括:
步骤1:根据所述数据交互信息,分别计算每个节点与其它节点的模块度:
其中,Yi表示第i个节点的为数据源节点的概率;Yj表示第j个节点的为数据源节点的概率;
ki表示第i个节点的为数据传输节点的概率;kj表示第j个节点的为数据传输节点的概率;
Xi表示第i个节点的为数据接收节点的概率;Xj表示第j个节点的为数据接收节点的概率;
Hij表示节点参与矩阵;
步骤2:根据所述模块度,判断所述节点参与矩阵中的重叠节点:
其中,当C=1时,表示第i个节点为重叠节点;当C<1时,表示第i个节点为数据接收节点;当C>1时,表示第i个节点为数据传输节点。
作为本发明的一种实施例,所述根据所述网络信息,设置社交网络的监测规则,判断是否存在新用户,包括如下步骤:
步骤S1:根据所述网络信息,对所述社交网络进行标记,并作为静态网络平滑处理,确定初始网络结构;
步骤S2:根据所述初始网络结构,进行网络结构划分,生成初始化序列;
步骤S3:分别计算每个初始化序列的适应度值,并按照适应度值进行排列,获取排列顺序
步骤S4:根据所述排列顺序,生成社交网络的排序监测规则;
步骤S5:根据所述排序监测规则,进行社交网络监测,判断是否存在新用户;其中,
当所述排序顺序产生变异时,代表产生新用户;
当所述排序顺序没有产生变异时,表示没有新用户。
作为本发明的一种实施例,所述判断是否存在新用户还包括如下步骤:
步骤S1:根据所述排序顺序,通过边缘检测,确定每个节点的边缘模型:
其中,H(a,b)表示边缘坐标(a,b)的节点边缘模型;max(a,b)最大坐标值;(a,b)表示边缘节点的坐标;Gσ(r)边缘节点坐标的标准差的高斯函数;H0(a,b)表示边缘节点坐标(a,b)的初始边缘模型;ds表示圆周;
步骤S2:根据所述边缘模型,通过离散变换,构建节点离散模型:
其中,B(a,b,r)表示离散点为(a,b)时,半径为r的边界累加器;(ag,bg)表示边缘节点的第g个边缘坐标点坐标;(ac,bc)表示边缘节点的内界坐标点;g∈K,K为正整数;
步骤S3:根据所述边缘模型,进行梯度映射,确定映射点:
其中,Y(a',b')表示(ag,bg)映射进入三维空间的映射点坐标;
步骤S4:根据所述映射点坐标,进行空间动态计算,判断是否存在新用户:
其中,J(R)表示三维空间的径向半径,Tg表示第g个边缘坐标点的梯度幅值;Ug表示第g个边缘坐标点半径归一化尺度值;fg表示第g个边缘坐标点在梯度方向映射图根据不同归一化尺度修正后的修正值;当所述J(R)≥1,表示存在新用户。
作为本发明的一种实施例,所述当存在新用户时,确定所述新用户在社交网络上的用户节点,并计算所述用户节点在所述节点参与矩阵的离散关系包括:
步骤一:计算任意两个节点之间的相关系数,使用局部保留算法建立基于新用户的用户节点的内权重矩阵;
步骤二:根据所述内权重矩阵,寻找相邻节点;依据步骤一中得到的相关系数构成新节点分布矩阵;
步骤三:根据所述新节点分布矩阵,存储步骤二中得到的任意两个相邻的节点之间样本与样本的关系,并将矩阵中的新用户节点进行标注;
步骤四:将所述新用户节点矩阵和节点参与矩阵代入离散计算,进行矩阵融合,获取融合后的离散关系。
作为本发明的一种实施例,所述当存在新用户时,确定所述新用户在社交网络上的用户节点,并计算所述用户节点在所述节点参与矩阵的离散关系还包括:
建立基于辅助的节点聚类算法,并计算每个节点的重要度;
根据所述重要度,通过孤立检测算法,判断新用户节点在所述新节点分布矩阵中的位置参数;
根据所述位置参数,进行新用户节点进行标注。
作为本发明的一种实施例,所述根据所述离散关系,确定所述用户节点最相关的邻居节点,并确定所述用户节点和邻居节点之间的社交链路,包括:
根据所述离散关系,获取新用户节点和其它节点的距离信息和节点距离权重;
所述距离信息包括新用户节点与其它节点的距离长度,所述节点距离权重表征具有节点连接关系的型用户节点和用户节点关联性的程度;
将每个所述新用户节点预先分配至不同的初始区域;
依次将每个新用户节点作为第一节点,将所述第一节点当前所在的社区确定为第一区域;
确定与该第一节点对应的第二区域,所述第二区域包括与所述第一节点位于不同区域且与所述第一节点具有节点连接关系的节点;
根据所述第一节点和所述第一区域中其他节点的节点连接关系和节点连接关系权重,确定所述第一节点对其他节点的贡献值;
根据所述贡献度进行排序,确定最高贡献度对应的目标节点;
获取目标节点和新用户节点之间的链路,并作为预测链路。
本发明的优点在于:一方面进行数据空间侧测算;另一方面,计算节点对的相关关系使在节点在嵌入空间中保存网络结构的近邻性,通过临近性判断是否存在新的节点,通过捕捉新的节点,将新的节点代入矩阵中进行离散计算,通过矩阵变换,预测新的链路,因此该方法的链路预测准确性更高。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种动态社交网络中的链路预测方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
如附图1所示,一种动态社交网络中的链路预测方法,包括:
获取当前社交网络的网络信息,并构建社交网络的节点参与矩阵;
根据所述网络信息,设置社交网络的监测规则,判断是否存在新用户;
当存在新用户时,确定所述新用户在社交网络上的用户节点,并计算所述用户节点在所述节点参与矩阵的离散关系;
根据所述离散关系,确定所述用户节点最相关的邻居节点,并确定所述用户节点和邻居节点之间的社交链路。
本发明的优点在于:一方面进行数据空间侧测算;另一方面,计算节点对的相关关系使在节点在嵌入空间中保存网络结构的近邻性,通过临近性判断是否存在新的节点,通过捕捉新的节点,将新的节点代入矩阵中进行离散计算,通过矩阵变换,预测新的链路,因此该方法的链路预测准确性更高。且可以保证这些点在自身邻域保持较好的聚集程度;在局部层面结合节点邻域的拓扑结构和节点自身属性(主要使用时间戳)定义节点在自身邻域上的活跃度,综合分析节点全局和局部的活跃度进行排序,达到预测节点离开行为的目的。
作为本发明的一种实施例,所述获取当前社交网络的网络信息,并构建社交网络的节点参与矩阵,包括:
确定当前社交网络的网络节点,并构建动态社交网络模型;
根据所述动态社交网络模型,确定所述社交网络中不同节点的数据交互信息;
通过数据分发技术对所述数据交互信息进行分析,确定数据源节点、数据传输节点和数据接收节点;
根据所述数据源节点、数据传输节点和数据接收节点,构建节点参与矩阵。
作为本发明的一种实施例,所获取当前社交网络的网络信息,并构建社交网络的节点参与矩阵,还包括:
步骤1:根据所述数据交互信息,分别计算每个节点与其它节点的模块度:
其中,Yi表示第i个节点的为数据源节点的概率;Yj表示第j个节点的为数据源节点的概率;
ki表示第i个节点的为数据传输节点的概率;kj表示第j个节点的为数据传输节点的概率;
Xi表示第i个节点的为数据接收节点的概率;Xj表示第j个节点的为数据接收节点的概率;
Hij表示节点参与矩阵;
步骤2:根据所述模块度,判断所述节点参与矩阵中的重叠节点:
其中,当C=1时,表示第i个节点为重叠节点;当C<1时,表示第i个节点为数据接收节点;当C>1时,表示第i个节点为数据传输节点。
作为本发明的一种实施例,所述根据所述网络信息,设置社交网络的监测规则,判断是否存在新用户,包括如下步骤:
步骤S1:根据所述网络信息,对所述社交网络进行标记,并作为静态网络平滑处理,确定初始网络结构;
步骤S2:根据所述初始网络结构,进行网络结构划分,生成初始化序列;
步骤S3:分别计算每个初始化序列的适应度值,并按照适应度值进行排列,获取排列顺序
步骤S4:根据所述排列顺序,生成社交网络的排序监测规则;
步骤S5:根据所述排序监测规则,进行社交网络监测,判断是否存在新用户;其中,
当所述排序顺序产生变异时,代表产生新用户;
当所述排序顺序没有产生变异时,表示没有新用户。
作为本发明的一种实施例,所述判断是否存在新用户还包括如下步骤:
步骤S1:根据所述排序顺序,通过边缘检测,确定每个节点的边缘模型:
其中,H(a,b)表示边缘坐标(a,b)的节点边缘模型;max(a,b)最大坐标值;(a,b)表示边缘节点的坐标;Gσ(r)边缘节点坐标的标准差的高斯函数;H0(a,b)表示边缘节点坐标(a,b)的初始边缘模型;ds表示圆周;
步骤S2:根据所述边缘模型,通过离散变换,构建节点离散模型:
其中,B(a,b,r)表示离散点为(a,b)时,半径为r的边界累加器;(ag,bg)表示边缘节点的第g个边缘坐标点坐标;(ac,bc)表示边缘节点的内界坐标点;g∈K,K为正整数;
步骤S3:根据所述边缘模型,进行梯度映射,确定映射点:
其中,Y(a',b')表示(ag,bg)映射进入三维空间的映射点坐标;
步骤S4:根据所述映射点坐标,进行空间动态计算,判断是否存在新用户:
其中,J(R)表示三维空间的径向半径,Tg表示第g个边缘坐标点的梯度幅值;Ug表示第g个边缘坐标点半径归一化尺度值;fg表示第g个边缘坐标点在梯度方向映射图根据不同归一化尺度修正后的修正值;当所述J(R)≥1,表示存在新用户。
作为本发明的一种实施例,所述当存在新用户时,确定所述新用户在社交网络上的用户节点,并计算所述用户节点在所述节点参与矩阵的离散关系包括:
步骤一:计算任意两个节点之间的相关系数,使用局部保留算法建立基于新用户的用户节点的内权重矩阵;
步骤二:根据所述内权重矩阵,寻找相邻节点;依据步骤一中得到的相关系数构成新节点分布矩阵;
步骤三:根据所述新节点分布矩阵,存储步骤二中得到的任意两个相邻的节点之间样本与样本的关系,并将矩阵中的新用户节点进行标注;
步骤四:将所述新用户节点矩阵和节点参与矩阵代入离散计算,进行矩阵融合,获取融合后的离散关系。
作为本发明的一种实施例,所述当存在新用户时,确定所述新用户在社交网络上的用户节点,并计算所述用户节点在所述节点参与矩阵的离散关系还包括:
建立基于辅助的节点聚类算法,并计算每个节点的重要度;
根据所述重要度,通过孤立检测算法,判断新用户节点在所述新节点分布矩阵中的位置参数;
根据所述位置参数,进行新用户节点进行标注。
作为本发明的一种实施例,所述根据所述离散关系,确定所述用户节点最相关的邻居节点,并确定所述用户节点和邻居节点之间的社交链路,包括:
根据所述离散关系,获取新用户节点和其它节点的距离信息和节点距离权重;
所述距离信息包括新用户节点与其它节点的距离长度,所述节点距离权重表征具有节点连接关系的型用户节点和用户节点关联性的程度;
将每个所述新用户节点预先分配至不同的初始区域;
依次将每个新用户节点作为第一节点,将所述第一节点当前所在的社区确定为第一区域;
确定与该第一节点对应的第二区域,所述第二区域包括与所述第一节点位于不同区域且与所述第一节点具有节点连接关系的节点;
根据所述第一节点和所述第一区域中其他节点的节点连接关系和节点连接关系权重,确定所述第一节点对其他节点的贡献值;
根据所述贡献度进行排序,确定最高贡献度对应的目标节点;
获取目标节点和新用户节点之间的链路,并作为预测链路。
本发明可以保证这些点在自身邻域保持较好的聚集程度;在局部层面结合节点邻域的拓扑结构和节点自身属性(主要使用时间戳)定义节点在自身邻域上的活跃度,综合分析节点全局和局部的活跃度进行排序,达到预测节点链路的目的。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (3)
1.一种动态社交网络中的链路预测方法,其特征在于,包括:
获取当前社交网络的网络信息,并构建社交网络的节点参与矩阵;
根据所述网络信息,设置社交网络的监测规则,判断是否存在新用户;
当存在新用户时,确定所述新用户在社交网络上的用户节点,并计算所述用户节点在所述节点参与矩阵的离散关系;
根据所述离散关系,确定所述用户节点最相关的邻居节点,并确定所述用户节点和邻居节点之间的社交链路;
所述获取当前社交网络的网络信息,并构建社交网络的节点参与矩阵,包括:
确定当前社交网络的网络节点,并构建动态社交网络模型;
根据所述动态社交网络模型,确定所述社交网络中不同节点的数据交互信息;
通过数据分发技术对所述数据交互信息进行分析,确定数据源节点、数据传输节点和数据接收节点;
根据所述数据源节点、数据传输节点和数据接收节点,构建节点参与矩阵;
所述获取当前社交网络的网络信息,并构建社交网络的节点参与矩阵,还包括:
步骤1:根据所述数据交互信息,分别计算每个节点与其它节点的模块度:
其中,Yi表示第i个节点的为数据源节点的概率;Yj表示第j个节点的为数据源节点的概率;
ki表示第i个节点的为数据传输节点的概率;kj表示第j个节点的为数据传输节点的概率;
Xi表示第i个节点的为数据接收节点的概率;Xj表示第j个节点的为数据接收节点的概率;
Hij表示节点参与矩阵;
步骤2:根据所述模块度,判断所述节点参与矩阵中的重叠节点:
其中,当C=1时,表示第i个节点为重叠节点;当C<1时,表示第i个节点为数据接收节点;当C>1时,表示第i个节点为数据传输节点;
所述根据所述网络信息,设置社交网络的监测规则,判断是否存在新用户,包括如下步骤:
步骤S1:根据所述网络信息,对所述社交网络进行标记,并作为静态网络平滑处理,确定初始网络结构;
步骤S2:根据所述初始网络结构,进行网络结构划分,生成初始化序列;
步骤S3:分别计算每个初始化序列的适应度值,并按照适应度值进行排列,获取排列顺序
步骤S4:根据所述排列顺序,生成社交网络的排序监测规则;
步骤S5:根据所述排序监测规则,进行社交网络监测,判断是否存在新用户;其中,
当所述排序顺序产生变异时,代表产生新用户;
当所述排序顺序没有产生变异时,表示没有新用户;
所述判断是否存在新用户还包括如下步骤:
步骤S1:根据所述排序顺序,通过边缘检测,确定每个节点的边缘模型:
其中,H(a,b)表示边缘坐标(a,b)的节点边缘模型;max(a,b)最大坐标值;(a,b)表示边缘节点的坐标;Gσ(r)边缘节点坐标的标准差的高斯函数;H0(a,b)表示边缘节点坐标(a,b)的初始边缘模型;ds表示圆周;
步骤S2:根据所述边缘模型,通过离散变换,构建节点离散模型:
其中,B(a,b,r)表示离散点为(a,b)时,半径为r的边界累加器;(ag,bg)表示边缘节点的第g个边缘坐标点坐标;(ac,bc)表示边缘节点的内界坐标点;g∈K,K为正整数;
步骤S3:根据所述边缘模型,进行梯度映射,确定映射点:
其中,Y(a’,b’)表示(ag,bg)映射进入三维空间的映射点坐标;
步骤S4:根据所述映射点坐标,进行空间动态计算,判断是否存在新用户:
其中,J(R)表示三维空间的径向半径,Tg表示第g个边缘坐标点的梯度幅值;Ug表示第g个边缘坐标点半径归一化尺度值;fg表示第g个边缘坐标点在梯度方向映射图根据不同归一化尺度修正后的修正值;当所述J(R)≥1,表示存在新用户;
所述根据所述离散关系,确定所述用户节点最相关的邻居节点,并确定所述用户节点和邻居节点之间的社交链路,包括:
根据所述离散关系,获取新用户节点和其它节点的距离信息和节点距离权重;
所述距离信息包括新用户节点与其它节点的距离长度,所述节点距离权重表征具有节点连接关系的新用户节点和用户节点关联性的程度;
将每个所述新用户节点预先分配至不同的初始区域;
依次将每个新用户节点作为第一节点,将所述第一节点当前所在的社区确定为第一区域;
确定与该第一节点对应的第二区域,所述第二区域包括与所述第一节点位于不同区域且与所述第一节点具有节点连接关系的节点;
根据所述第一节点和所述第一区域中其他节点的节点连接关系和节点连接关系权重,确定所述第一节点对其他节点的贡献度;
根据所述贡献度进行排序,确定最高贡献度对应的目标节点;
获取目标节点和新用户节点之间的链路,并作为预测链路。
2.如权利要求1所述的一种动态社交网络中的链路预测方法,其特征在于,所述当存在新用户时,确定所述新用户在社交网络上的用户节点,并计算所述用户节点在所述节点参与矩阵的离散关系包括:
步骤一:计算任意两个节点之间的相关系数,使用局部保留算法建立基于新用户的用户节点的内权重矩阵;
步骤二:根据所述内权重矩阵,寻找相邻节点;依据步骤一中得到的相关系数构成新节点分布矩阵;
步骤三:根据所述新节点分布矩阵,存储步骤二中得到的任意两个相邻的节点之间样本与样本的关系,并将新节点分布矩阵中的新用户节点进行标注;
步骤四:将标注后的新节点分布矩阵和新用户节点参与矩阵代入离散计算,进行矩阵融合,获取融合后的离散关系。
3.如权利要求2所述的一种动态社交网络中的链路预测方法,其特征在于,所述当存在新用户时,确定所述新用户在社交网络上的用户节点,并计算所述用户节点在所述节点参与矩阵的离散关系还包括:
建立基于辅助的节点聚类算法,并计算每个节点的重要度;
根据所述重要度,通过孤立检测算法,判断新用户节点在所述新节点分布矩阵中的位置参数;
根据所述位置参数,进行新用户节点标注。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111131751.3A CN113807600B (zh) | 2021-09-26 | 2021-09-26 | 一种动态社交网络中的链路预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111131751.3A CN113807600B (zh) | 2021-09-26 | 2021-09-26 | 一种动态社交网络中的链路预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113807600A CN113807600A (zh) | 2021-12-17 |
CN113807600B true CN113807600B (zh) | 2023-07-25 |
Family
ID=78938599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111131751.3A Active CN113807600B (zh) | 2021-09-26 | 2021-09-26 | 一种动态社交网络中的链路预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807600B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111090781A (zh) * | 2019-12-13 | 2020-05-01 | 宁波大学 | 一种动态社交网络中的链路预测方法 |
CN111723301A (zh) * | 2020-06-01 | 2020-09-29 | 山西大学 | 基于层次化主题偏好语义矩阵的关注关系识别及标注方法 |
CN112765415A (zh) * | 2021-01-22 | 2021-05-07 | 西安电子科技大学 | 基于关系内容联合嵌入卷积神经网络的链路预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120072475A1 (en) * | 2010-09-10 | 2012-03-22 | Morrison Gregory C | Measuring "closeness" in a network |
US9082082B2 (en) * | 2011-12-06 | 2015-07-14 | The Trustees Of Columbia University In The City Of New York | Network information methods devices and systems |
WO2018077039A1 (zh) * | 2016-10-27 | 2018-05-03 | 腾讯科技(深圳)有限公司 | 社区发现方法、装置、服务器及计算机存储介质 |
-
2021
- 2021-09-26 CN CN202111131751.3A patent/CN113807600B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111090781A (zh) * | 2019-12-13 | 2020-05-01 | 宁波大学 | 一种动态社交网络中的链路预测方法 |
CN111723301A (zh) * | 2020-06-01 | 2020-09-29 | 山西大学 | 基于层次化主题偏好语义矩阵的关注关系识别及标注方法 |
CN112765415A (zh) * | 2021-01-22 | 2021-05-07 | 西安电子科技大学 | 基于关系内容联合嵌入卷积神经网络的链路预测方法 |
Non-Patent Citations (1)
Title |
---|
复杂网络拓扑演化及链路预测关键技术研究;刘树新;《中国博士学位论文全文数据库基础科学辑》(第1期);第A002-83页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113807600A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110532436B (zh) | 基于社区结构的跨社交网络用户身份识别方法 | |
Rodriguez et al. | Patent clustering and outlier ranking methodologies for attributed patent citation networks for technology opportunity discovery | |
Lei et al. | Identification of dynamic protein complexes based on fruit fly optimization algorithm | |
Ioannidis et al. | Coupled graphs and tensor factorization for recommender systems and community detection | |
CN106817251B (zh) | 一种基于节点相似度的链路预测方法及装置 | |
CN111292008A (zh) | 一种基于知识图谱的隐私保护数据发布风险评估方法 | |
Bharti et al. | Clustering‐based resource discovery on Internet‐of‐Things | |
García-Pérez et al. | Precision as a measure of predictability of missing links in real networks | |
CN110704694A (zh) | 一种基于网络表示学习的组织层级划分方法及其应用 | |
CN112905905A (zh) | 一种位置社交网络中兴趣点-区域联合推荐方法 | |
CN112835995A (zh) | 一种基于解析关系的域名图嵌入表示分析方法及装置 | |
Ahmed et al. | Deviation point curriculum learning for trajectory outlier detection in cooperative intelligent transport systems | |
Hao et al. | Similarity evaluation between graphs: a formal concept analysis approach | |
CN115114484A (zh) | 异常事件检测方法、装置、计算机设备和存储介质 | |
Zhou et al. | Betweenness centrality-based community adaptive network representation for link prediction | |
CN107909498B (zh) | 基于最大化接受者操作特征曲线下方面积的推荐方法 | |
Hu et al. | Evaluation of big data analytics and cognitive computing in smart health systems | |
CN113807600B (zh) | 一种动态社交网络中的链路预测方法 | |
Kumar et al. | Graph Convolutional Neural Networks for Link Prediction in Social Networks | |
Zhang et al. | Quality of web service prediction by collective matrix factorization | |
Tang et al. | Accurately predicting quality of services in ioT via using self-attention representation and deep factorization machines | |
Ahmed et al. | Deep fuzzy contrast-set deviation point representation and trajectory detection | |
Sun et al. | Sensitive task assignments in crowdsourcing markets with colluding workers | |
Hu et al. | Source inference attacks: Beyond membership inference attacks in federated learning | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |