[发明专利]一种从动态属性图中检测多异常子图演化算法

说明书

本发明公开一种从动态属性图中检测多异常子图演化算法。首先获取动态网络数据集；对数据进行预处理，筛选实验中所需要的数据字段，对数据缺失值进行删除或者补全的处理；构建动态网络；将动态图和参数M输入到算法模型DE‑MASS中，输出一组演化异常子图Ψ^ω使目标函数的值最大；将演化异常子图Ψ^ω在动态图中可视化出来，直观地发现异常子图的演化模式和演化特点。该算法能够有效在动态图中检测多异常子图的演化过程，可以应用于多个领域实际问题中。

技术领域

本发明属于数据挖掘和异常检测领域，是一种从动态属性图中检测多异常子图演化算法，从而进一步直观地分析异常子图在动态图中演化的过程。

背景技术

一个属性图由一个节点集合和一个边集合构成，异常子图检测是指在一个由节点集合和边集合构成的连通属性图中检测出异常连通子图的过程。异常子图检测方法已成功地应用于社交媒体网络事件检测、道路网络交通拥挤检测等任务中，但对属性图中异常子图动态演化的研究却很少。目前，异常子图检测算法主要包括精确算法和近似算法，精确算法能在可接受的时间内，对图的节点数量小于1000的小规模问题求解。一种搜索算法FlexScan用于识别由一个中心和它的k-1邻域的一个连通子集构成的所有连通子图中最不规则的连通子图。Speakman和Neillet等人通过应用线性时间子集扫描(LTSS)来过滤次优子集，并为图结构数据设计新的分支定界算法，有效提高了FlexScan的性能。另一方面，学术界也已经提出了许多用于异常子图扫描的近似算法。Duczmal等人提出了一种具有模拟退火策略的启发式算法，该算法通过在子图的紧缩性上加入正则化来扩展。Speakman等人提出了一种基于dijkstra的算法的可加子图检测算法。Rozenshtein等人应用半定规划和GW算法来识别紧凑但不一定连接的异常子图。Chen和Neil提出了一种基于迭代子图展开和线性时间子集扫描的贪婪算法。Wu等人将属性图近似于树形拓扑结构，提出了基于动态规划的TSPSD的算法。近似算法可以在大规模数据集上使用，但是对于返回的子图的质量没有理论上的保证。

发明内容

该模型可以从动态属性图中检测多异常子图，从而进一步直观地分析异常子图在动态图中演化的过程，具有较高的应用价值。例如，(1)交通拥堵检测问题：将城市交通道路网络构建成一个网络图，通过车速和车流量来检测道路网络中的异常子图，并通过直观的异常子图演化分析，可以得知哪些区域的路网结构是经常性发生拥堵的，可以为未来城市道路发展作为参考；(2)社交媒体事件检测问题：通过社交媒体数据(例如微博数据)构建一个以人为节点的社交网络，通过某个事件的语料库检测动态社交网络中的异常子图，从而可以直观地分析该时间在社交网络中传播的过程，可以通过影响一些关键节点来影响舆论的传播。

本发明的技术方案是一种从动态属性图中检测多异常子图演化算法，以下描述步骤：

第一步：获取动态网络数据集；

第二步：对数据进行预处理，筛选实验中所需要的数据字段，对数据缺失值进行删除或者补全的处理；

第三步:构建动态网络；

第四步：将动态图和参数M输入到算法模型DE-MASS中，输出一组演化异常子图Ψ^ω使目标函数的值最大；

第五步：将演化异常子图Ψ^ω在动态图中可视化出来，直观地发现异常子图的演化模式和演化特点。

该方法模型的理论技术主要包含如下：

1)动态图和演化异常子图的符号定义

动态图：在每个时间片上是一个无向连通图，随着时间的演化动态图的结构是不变的，其中是顶点集，l是顶点总数，表示边集，T＝{1,…,n}表示动态图中包含的所有时间片；