[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

说明书

技术领域

本发明关于一种动态网络分析系统及方法，特别是涉及一种基于在线自中心模型的动态网络分析系统及方法。

背景技术

网络分析，特别是动态网络分析（Dynamic Network Analysis，即DNA）在包括社会科学与生物学在内的许多领域中已经显得越来越重要。虽然现在已经有不少关于动态网络分析的工作，但是其中绝大多数要不就是只关注极粗的细粒度下的大规模数据，要不就是只关注在一个很小的网络中的微细粒度的分析。近年来，有人提出了动态自中心模型（Dynamic Egocentric Model，即DEM），这个模型基于多变量计数过程并成功地对微细粒度的大规模的时变引用网络进行建模。一般来说，在DEM原文中，有两个DEM的变种：一个只对链接特征进行建模，另一个同时对链接特征与话题特征（文本信息）进行建模。由于后者的准确度远高于前者并且一篇文章的文本信息是较容易得到的，除非特殊说明，在本发明中的DEM指的是后者。以下简单介绍DEM：

n是网络中节点（文章）的总数。DEM试图通过在每个节点i(i＝1,2,…,n)上放置一个计数过程N_i(t)以对动态网络进行建模。其中N_i(t)表示节点i上“事件”的截止时间t的累计发生次数。这里“事件”的定义要取决于上下文。比如，在引用网络中，一个“事件”可以对应着一次引用。

虽然可以最大化这些计数过程的全概率，推出一个连续时间的模型，但是对于引用网络来说，显然通过最大化偏概率的方法来估计那些与时变统计量相关的参数会更加实际。所以DEM试图最大化下面整个网络的likelihood：

L(β)=Πe=1mexp(βTsie(te))Σi=1nYi(te)exp(βTsi(te)),(1)]]>

其中m是引用事件的总次数，e是每次引用事件的索引，i_e表示在事件e中被引用的文章，t_e表示事件e发生的时间，Y_i(t)的值当节点i在时间t存在是为1，否则为0。s_i(t_e)表示节点i在时间t_e的特征向量。β是需要学习的参数向量。