[发明专利]同时融合节点与社团演化趋势的层次贝叶斯社团检测方法

说明书

本发明公开了一种同时融合节点与社团演化趋势的层次贝叶斯社团检测方法，以连续的网络快照表示动态网络，该动态网络中包含属于不同社团的节点，该方法包括：建立层次贝叶斯动态生成模型，以社团级别的转移倾向矩阵为基础，所述社团级别的转移倾向矩阵的每一行由狄利克雷分布的参数产生，加入节点级别的社团演化参数形成层次贝叶斯生成模型，用以刻画节点在动态网络中的社团演化异质性；利用动态网络快照中的连续的网络快照W的所有边，采用变分EM算法估计层次贝叶斯生成模型的所有参数，得出每个变分参数的更新规则；通过不断的迭代，更新上述所有参数，使得变分分布逼近其对应的后验分布，直至收敛，至此，得出每个节点的最终社团归属。

技术领域

本发明属于复杂网络领域，具体涉及融合节点演化趋势以及社团演化趋势增强社团检测效果的层次贝叶斯模型，同时包含利用变分推断对模型进行求解的方法。

背景技术

近年来，随着互联网的高速发展以及大数据时代的到来，关联性数据(例如社交网络数据、论文引用数据、交通路网数据等)的获取渠道以及数据量大量增长。因为传统的机器学习算法对数据点的独立性前提假设使得其处理关联性数据的能力不足，因此对于关联性数据的分类聚类以及预测任务通常利用复杂网络对其进行建模求解。而社团检测就是复杂网络中的重要任务之一，其具体任务内容就是将网络中连接紧密的节点归类为一组即一个社团，社团内部节点的连边密度大于社团间节点的连边密度。

而关联性数据往往带有时间戳，即其数据是动态的。对于这类数据的建模有两种方式，一种是舍去时间属性，将所有关联性数据建模为一个静态网络。因为其舍弃了一部分属性，其结果就是社团检测效果并不好。而另一种方法就是利用某个固定的时间窗口将关联性数据建模为连续的静态网络，将同一个时间窗口内的数据建模为一个静态网络，这种静态网络被称为时间片，在连续时间片间执行动态网络社团检测任务。

针对连续的时间片执行社团检测方法有很多种，包括两步法、进化聚类法以及概率模型法。这些方法的主要任务就是确定每个时间片的社团结构以及分析连续时间片的社团演化趋势。而以前的社团检测方法都是利用社团级别的演化趋势对社团演化进行分析，而忽略了节点的社团转移趋势才是社团演化的根本驱动力量。也就是，其他的方法都忽略了在社团演化中节点级别的动态异质性，对于动态网络社团检测中的社团演化的计算程度粒度较粗。

发明内容

针对上述现有技术，本发明提出一种融合社团级别与节点级别转移趋势的层次贝叶斯动态网络模型，就是将节点级别的动态演化趋势与社团级别的动态演化趋势结合，利用贝叶斯生成模型对其进行层次建模，进而增强社团检测的效果。本发明模型体现了一种动态网络的生成机制，可以执行社团检测、链接预测、关键节点识别等复杂网络主要任务。

为了解决上述技术问题，本发明提出的一种同时融合节点与社团演化趋势的层次贝叶斯社团检测方法，以连续的网络快照表示动态网络，该动态网络中包含属于不同社团的节点，包括：

建立层次贝叶斯动态生成模型，以社团级别的转移倾向矩阵为基础，所述社团级别的转移倾向矩阵的每一行由狄利克雷分布的参数产生，加入节点级别的社团演化参数形成层次贝叶斯生成模型，用以刻画节点在动态网络中的社团演化异质性；

利用动态网络快照中的连续的网络快照W的所有边，采用变分EM算法估计层次贝叶斯生成模型的所有参数，得出每个变分参数的更新规则；通过不断的迭代，更新上述所有参数，使得变分分布逼近其对应的后验分布，直至收敛，至此，得出每个节点的最终社团归属。