[发明专利]基于在线自中心模型的动态网络分析系统及方法

权利要求书

1.一种基于在线自中心模型的动态网络分析系统，至少包括： 

目标函数建立模组，在动态自中心模型基础上，以需要学习的参数β与话题比例ω_k作为变量建立目标函数； 

目标函数最小化模块，于一个新事件或者一系列新事件发生后，利用交替投影算法交替更新该需要学习的参数向量β与该话题比例ω_k，获得目标函数的最优解。 

2.如权利要求1所述的一种基于在线自中心模型的动态网络分析系统，其特征在于，该目标函数为： 

其中ω_k是待学习的节点$k$的新话题比例，$/tha_k$是节点$k$当前的话题比例，表示ω_k中的每一个元素都是非负的，1是一个元素全为1的向量，这些限制用于保证ω_k中的所有元素都是非负的而且元素和为1，λ是一个控制两个项之间权重的超参数。 

3.如权利要求2所述的一种基于在线自中心模型的动态网络分析系统，其特征在于，该目标函数最小化模块包括： 

β参数更新模块，于固定话题比例ω后使用牛顿法更新参数需要学习的参数β； 

话题比例更新模块，于固定β后在当前话题比例θ_k的基础上，最小化该目标函数以获得更新后的话题比例ω_k。 

4.如权利要求3所述的一种基于在线自中心模型的动态网络分析系统，其特征在于：该β参数更新模块与该话题比例更新模块在每q次引用事件后更新一次。 

5.如权利要求4所述的一种基于在线自中心模型的动态网络分析系统，其特征在于，该β参数更新模块在固定ω后，需要学习的参数β的目标函数如下： 

其中x是mini-batch中的第一个事件，q是mini-batch中的事件数，mini-batch为累积的事件集合。 

6.如权利要求5所述的一种基于在线自中心模型的动态网络分析系统，其特征在于：该话题比例更新模块每一次只更新一篇文章的话题比例ω_k，在更新ω_k时，其他文章的话题比例{ω_i|i≠k}保持不变。 

7.如权利要求8所述的一种基于在线自中心模型的动态网络分析系统，其特征在于，该话题比例更新模块需优化的目标函数为： 

其中， 

a_i＝β_tοθ_i， 

b_u＝β_tοθ_u。

8.如权利要求7所述的一种基于在线自中心模型的动态网络分析系统，其特征在于：该话题比例更新模块根据对需优化的目标函数偏导获得近似梯度，根据近似梯度得到目标函数的近似目标函数。 

9.一种基于在线自中心模型的动态网络分析方法，包括如下步骤： 

步骤一，在动态自中心模型基础上，以需要学习的参数向量β与话题比例ω_k作为变量建立目标函数； 

步骤二，于一个新事件或者一系列新事件发生后，利用交替投影算法交替更新该需要学习的参数向量与话题比例，获得目标函数的最优解。 

10.如权利要求9所述的一种基于在线自中心模型的动态网络分析方法，其特征在于，该目标函数为： 

其中ω_k是待学习的节点$k$的新话题比例，$/tha_k$是节点$k$当前的话题比例，表示ω_k中的每一个元素都是非负的，1是一个元素全为1的向量，这些限制用于保证ω_k中的所有元素都是非负的而且元素和为1，λ是一个控制两个项之间权重的超参数。