[发明专利]一种网络社交平台用户分类方法、存储介质及终端

说明书

本发明涉及一种网络社交平台用户分类方法、存储介质及终端，方法包括以下步骤：S1：获取网络社交平台的用户关注信息，构建无向图；S2：在无向图中选取初始节点，待检测节点集的元素初始化为初始节点，已检测节点集初始化为空集；S3：检测待检测节点集内的节点，得到峰值点集和与峰值点集对应的阶数集；S4：判断峰值点集是否为空集，若是，更新已检测节点集的元素为待检测节点集和已检测节点集或运算后的元素，更新待检测节点集的元素为现有待检测节点集的元素的所有邻节点，执行步骤S3，若否，阶数集中数值最小的元素对应的节点作为种子节点；S5：种子节点扩张形成社区，完成网络社交平台用户分类。与现有技术相比，分类的精确度和稳定性好。

技术领域

本发明涉及复杂网络分析领域，尤其是涉及一种网络社交平台用户分类方法、存储介质及终端。

背景技术

局部社区发现算法是分析复杂网络、挖掘网络信息的有力方法之一。它能够检测复杂网络中的社区结构。复杂网络具有社区结构，是指复杂网络可以被自然地分成一系列节点组，同一组的节点一般更具有相连相关的倾向。局部社区发现算法已经被各大网络社交平台应用于网络社交平台异常用户分类，在防止诈骗、恶意营销、恶意舆论引导等方面起着重要的作用。

应用局部社区发现算法的网络社交平台用户分类的检测过程包含两个步骤：选择种子节点和以种子节点为起点，以一定的方式扩张形成社区。选择种子节点，是要先找出作为研究对象的节点所处社区中代表性强的节点，再将这样的节点作为算法起点发现社区，种子节点的代表性越强，以它为算法起点扩张社区的准确度越高。目前，选取种子节点主要有三种方法，一种方法是以随机选择的方式确定种子节点，一种方法是以度数较低的节点作为种子节点，这两种方法选取的种子节点代表性差，不能体现所处社区的特征，故计算准确度低，在实际应用中逐渐被淘汰；另一种方法是以局部度数峰值节点作为种子节点，这种选择种子节点的方法明显提高了计算准确度，但此方法局限性大、敏感度低，只能感知到含有极高代表性节点的部分社区，但无法感知其他社区，故发现社区的稳定性差。

发明内容

本发明的目的就是为了克服上述现有技术存在的精确度和稳定性差的缺陷而提供一种网络社交平台用户分类方法、存储介质及终端。

本发明的目的可以通过以下技术方案来实现：

一种网络社交平台用户分类方法，该方法包括以下步骤：

S1：获取网络社交平台的用户关注信息，并基于用户关注信息构建无向图；

S2：在无向图中选取初始节点，待检测节点集的元素初始化为初始节点，已检测节点集初始化为空集；

S3：检测待检测节点集内的节点，得到峰值点集和与峰值点集对应的阶数集；

S4：判断峰值点集是否为空集，若是，更新已检测节点集的元素为待检测节点集和已检测节点集或运算后的元素，更新待检测节点集的元素为现有待检测节点集的元素的所有邻节点，执行步骤S3，若否，阶数集中数值最小的元素对应的节点作为种子节点；

S5：种子节点扩张形成社区，完成网络社交平台用户分类。

步骤S1的无向图中，用户作为节点，任意两用户之间的关注作为无向边。

若任意两用户之间为多重关注，只保留单个关注。

所述步骤S2中初始节点为随机选择的节点。

所述的步骤S3中，得到峰值点集和与峰值点集对应的阶数集的过程包括：

S31：检测待检测节点集内的节点u，得到节点u的一次邻节点，并进一步得到节点u的度数D_u以及一次邻节点的度数；