[发明专利]一种基于LSTM的社交网络演化分类方法

说明书

本发明涉及一种基于LSTM的社交网络演化分类方法，属于社交网络分类技术领域。包括：步骤1：对收集的数据并划分交叠时间窗口，得到连续的各个时间窗口的静态网络快照；步骤2：使用Louvain方法对每一个时间窗口的静态网络快照进行社区发现，再进行社区提取，得到静态网络快照中的社区构成及节点特征；步骤3：基于GED方法识别相邻时间窗口的社区之间的演化关系，提取包含该社区不同时间窗口内的社区结构和发生的演化类型的社区历史信息的演化路径；步骤4：提取描述社区演化的特征集，使用LSTM方法来进行演化分类。所述方法使相邻时间窗口的社交网络拓扑结构相似性大大增加；为后续的分析提供更充足的样本；比传统机器学习的方法具有时间记忆的优势。

技术领域

本发明涉及一种基于LSTM的社交网络演化分类方法，属于社交网络分类技术领域。

背景技术

随着社交网络的普及，社交媒体每天都在产生海量数据。由于绝大多数社交网络具有实时性，每分每秒都在变化，因此也被称为动态网络。为了挖掘这些动态网络数据中隐藏着的巨量价值，动态网络分析成为了目前的一个研究热点。其中，动态网络中的社区演化分析以及社区演化分类是最有意义的研究方向之一。

社区演化分析实际上是研究两个问题：一个是判断具有时序关系的社区和社区之间是否具有演化关系；另一个就是研究这些演化是何种类型，需通过建立社区演化分类模型来实现。

演化分类模型GED将社区演化分类为七种类型，包含了社区从生成到消失的整个生命周期。使用Jaccard相似度评估公式的基础上增加了节点重要度的概念，平衡了两个社区之间的共有节点个数和重要度对社区相似性的贡献。

由于社交网络演化具有之前时刻的信息影响之后时刻演化变化的特点，而LSTM能够解决神经网络中的长期依赖问题，让记住长期信息成为神经网络的默认行为。长短期记忆人工神经网络(Long-Short Term Memory，LSTM)是一种时间递归神经网络(RNN)由于独特的设计结构，LSTM适合于处理和预测时间序列中间隔和延迟非常长的重要事件。

基于LSTM的社交网络演化分类方法，是使用LSTM的神经网络模型，根据提取的社交网络中不同社区演化的时间序列特征，对下一时间切片的社区演化类型进行预测，其在影响力分析、信息传播、网络营销等应用中都具有重要价值。

发明内容

本发明的目的是为了解决如何保留社交网络中社区演化中时间序列特征，进行社区演化分类的技术问题，提出了一种基于LSTM的社交网络演化分类方法，该方法将社交网络划分交叠的时间切片，保留社区演化属性的延续性，对社区演化的时间特征序列数据进行归一化等数据处理，随后构建LSTM模型，分析预测社交网络社区演化类型。

为达上述目的，本发明采取如下技术方案。

所述基于LSTM的社交网络演化分类方法，包括以下步骤：

步骤1：对收集的数据并划分交叠时间窗口，得到连续的各个时间窗口的静态网络快照，具体为：对有时间标注的社交网络数据进行交叠时间窗口划分，得到连续的各个时间窗口的静态网络快照；

其中，收集的数据为有时间标注的社交网络数据；

步骤2：使用Louvain方法对步骤1得到的每一个时间窗口的静态网络快照进行社区发现，再进行社区提取，得到静态网络快照中的社区构成、节点特征，具体包括如下子步骤：

步骤2.1将静态网络快照中的每一个节点初始化为一个不同的社区，并记当前时间窗口静态网络快照为图；

步骤2.2对于图中的第i个节点，考虑节点i的所有邻接节点j，判断该节点i是否归属于其每一个邻接节点所在的社区，并计算对应的模块度增益，选择使模块度增益最大的节点j，将节点i划分给节点j所在的社区；

其中，模块度增益的值为正，若模块度增益的值为负值，那么节点i的社区归属保持不变；