[发明专利]基于高阶张量分解大规模社交网络社区的检测方法及装置

权利要求书

1.一种如权利要求1所述的基于高阶张量分解大规模社交网络社区的检测方法，其特征在于，所述基于高阶张量分解大规模社交网络社区的检测方法,包括以下步骤：

步骤一，通过研究真实网络拓扑结构特性和假设的网络模型之间的差异，借用贝叶斯推断等数学工具，通过最大化似然概率，实现社区及发现；

步骤二，确定社交网络社区信息的搜索特征，即需要采集哪些社交网络社区特征因子；根据确定的社交网络社区特征因子，利用一定在程序对不同的社交网络对象进行相应的数据，利用相应的程序调用到应用平台上；

步骤三，对采集的数据利用PathSim算法通过元路径对网络信息模块采集的相关信息进行相似性搜索，挖掘社交异构信息网络中隐含的丰富语意；并且对社交网络社区演化进行分析，通过评估程序对社交网络社区影响力进行评估；

步骤四，将上述搜索的数据和评估数据结果，对社交网络进行压缩处理；通过显示器显示采集的社交网络社区信息、搜索结果、共享信息、分析结果、评估结果；同时通过共享程序对社交网络社区信息资源进行共享；

所述步骤四中，社交网络进行压缩处理，具体过程如下：

A、通过压缩程序获取社交网络框架；

B、将社交网络的全连接层中的权重矩阵W和输入向量x分别转化为高阶张量W和高阶张量X；

C、对步骤B中的高阶张量W进行块项张量分解处理；

D、根据步骤B中的高阶张量X和步骤C中块项张量分解后的高阶张量W将社交网络的全连接层替换为块项张量层；

E、采用后向传播算法对步骤D中替换后的社交网络进行训练；

所述步骤B中将社交网络的全连接层中的权重矩阵W转化为高阶张量W具体为：将权重矩阵W的行维度和列维度进行均匀分割，表示为层次分块矩阵形式，再将分割后的权重矩阵W转化为高阶张量W。

2.如权利要求1所述基于基于高阶张量分解大规模社交网络社区的检测方法，其特征在于，所述步骤B中将社交网络的全连接层中的输入向量x转化为高阶张量X具体为：将输入向量x的维度表示为张量形式，再转化为高阶张量X。

3.如权利要求1所述基于高阶张量分解大规模社交网络社区的检测方法，其特征在于，所述步骤C对步骤B中的高阶张量W进行块项张量分解处理具体为：对高阶张量W的维度进行重新排列，使得行维度和列维度对应的输入和输出以成对形式耦合排列，再将高阶张量W分解为若干个塔克分解的和。

4.如权利要求1所述基于高阶张量分解大规模社交网络社区的检测方法，其特征在于，所述步骤D根据步骤B中的高阶张量X和步骤C中块项张量分解后的高阶张量W将社交网络的全连接层替换为块项张量层具体为：将高阶张量X和块项张量分解后的高阶张量W相乘，替换社交网络的全连接层为块项张量层。

5.如权利要求1所述基于高阶张量分解大规模社交网络社区的检测方法，其特征在于，所述步骤三中，对社交网络社区演化进行分析方法如下：

(1)通过分析程序针对给定的动态社交网络，从第一个时间片开始，对每个时间片划分该时间片网络对应的社区结构；

(2)根据社区结构划分结果，计算每个时间片网络的superspreader集合和该时间片网络对应的每个社区的superblocker集合；

(3)针对上述superspreader集合，确定每一社区的演化事件1类型；所述演化事件1可能的类型包括产生、合并和扩张事件；

(4)针对上述superblocker集合，确定每一社区的演化事件2类型：所述演化事件2可能的类型包括消失、分裂和缩减事件。

6.如权利要求5所述基于高阶张量分解大规模社交网络社区的检测方法，其特征在于，所述针对给定的动态社交网络、从第一个时间片开始、对每个时间片划分该时间片网络对应的社区结构，包括如下步骤：

针对给定的动态社交网络，从第一个时间片开始，获得每个时间片网络中各个节点之间的邻居关系；

根据上述邻居关系，通过QCA算法，划分每个时间片网络对应的社区结构。