[发明专利]一种基于超元启发算法的人群信息聚类方法

说明书

本发明提供了基于超元启发算法的人群信息聚类方法。它解决了现有技术难以实现在动态环境中建立人群的聚类的问题。本方法包括以下步骤：根据人群的社交网络建立社交图模型；根据上述模型获得邻接矩阵A及该矩阵的元素a_{ij}；获取节点i的等级；通过对节点i的等级进行分析判断，确立强感官群体和弱感官群体，从而定义人群信息的聚类目标，所述的聚类目标包括聚类目标NRA和聚类目标RC；设计超元启发式算法对所述的聚类目标进行聚类处理。本方法能有效提高人群信息的动态网络环境下算法的聚类能力，提高聚类质量。

技术领域

本发明属于信息处理技术领域，涉及一种基于超元启发算法的人群信息聚类方法。

背景技术

当前，我国的各类社交软件不断发展并广泛应用，给人民群众的生活娱乐方式带来了诸多的便利。然而，利用社交网络进行团伙式的违法犯罪行为也具有更高的隐蔽性、更强的破坏性，给人民群众的生命财产安全造成隐患。因此通过对社交网络中的人群数据信息进行聚类，将有效地挖掘不同小众群体的人员结构及其在社会大数据网络中的关系。

在过去的十年不断涌现出了各种类型的网络聚类算法，其中较为著名的算法包括Girvan-Newman算法，快速贪婪模块优化，马尔科夫聚类算法等。对网络中的人群信息进行检测已经成为社会数据分析中的重要研究方向，Orman以及Forunato提出的网络数据聚类方法已经被应用于社会网络中的人群检测。然而，由于网络结构形式各异且复杂多变，因此传统启发式优化方法往往无法满意的求解人群信息的聚类与模式识别问题。为了对人群信息进行检测与识别，元启发式算法引起了学者们的广泛关注。这些算法在局部学习和全局搜索能力方面具有更为显著的优势，在多数研究中均表现出了比传统启发式算法更为显著的优化能力。在元启发式算法中，人群数量可以由算法自动的设定，并能够实现在线的动态变化。许多学者已经将一些元启发式算法应用于网络聚类问题，如进化算法和粒子群优化算法等。在这一研究中，Pizzuti等提出了网络聚类的单目标遗传算法，Gong提出基于Memetic算法提出了面向网络聚类问题的Memenet算法。尽管这些单目标算法在人群信息聚类的理论与应用中都很成功，仍然存在以下问题并未得到解决：1.不同算法对于相同网络会产生不同的聚类模式，即人群环境将发生变化；2.用户需要实现设定好人群数量用于聚类，无法根据人群信息的特征自适应地设定不同的算法，即人员个体在群体中的行为将发生变化。然而在实际网络中，这些信息通常无法事先预知且存在动态特性，因此如何在动态环境中建立人群的聚类信息是当前人群信息聚类分析中面临的难点问题。

发明内容

针对上述背景技术中人群信息的特点，本发明提供了一种基于超元启发算法的人群信息聚类方法。

本发明的目的可通过下列技术方案来实现：

一种基于超元启发算法的人群信息聚类方法，其特征在于，包括以下步骤：

A、根据人群的社交网络建立社交图模型，该模型表示为：G＝G(N,V)，其中，N为节点数，V为节点间的关系；

B、根据上述模型获得邻接矩阵A，该矩阵的元素a_{ij}表示为：其中，L(i,j)表示节点i和节点j是连接的；w_{ij}代表两个节点的权值；

C、获取节点i的等级，具体表示为

D、通过对节点i的等级进行分析判断，确立强感官群体和弱感官群体，从而定义人群信息的聚类目标，所述的聚类目标包括聚类目标NRA和聚类目标RC；

E、设计超元启发式算法对所述的聚类目标进行聚类处理。

在上述的一种基于超元启发算法的人群信息聚类方法中，所述的节点i的等级具体表示为：其中，其中，S为人群的聚类类别，将社交网络划分为m个社区，则S＝{S₁,S₂,...,S_m}，为第i个节点的入度，为第i个节点的出度；

在上述的一种基于超元启发算法的人群信息聚类方法中，所述的聚类目标的定义如下：