[发明专利]一种融合时序网络的动态社区发现系统

权利要求书

1.一种融合时序网络的动态社区发现系统，其特征在于，包括：社区数据获取模块、数据处理模块、数据优化模块、社区分区模块和数据展示模块；

社区数据获取模块的数据输出端与数据处理模块的数据输入端相连，数据处理模块的数据输出端与数据优化模块的数据输入端相连，数据优化模块的数据输出端与社区分区模块的数据输入端相连，社区分区模块的数据输出端与数据展示模块的数据输入端相连；

所述数据优化模块包括非线性优化模块和图优化模块；非线性优化模块的数据输入端与数据处理模块的数据输出端相连，非线性优化模块的数据输出端与图优化模块的数据输入端相连，图优化模块的数据输出端与社区分区模块的数据输入端相连；

所述社区数据获取模块用于获取当前社区的数据信息，将其作为待处理社区信息；

所述数据处理模块用于将待处理社区信息进行预处理；

所述非线性优化模块用于构造误差函数，接着对此误差函数的二次型进行最小化处理；

所述图优化模块用于利用图优化策略，对误差函数求梯度，并根据梯度方向进行迭代；

所述社区分区模块用于得到分区社区数据信息；

所述数据展示模块用于展示其分区社区数据信息及评价指标。

2.根据权利要求1所述的一种融合时序网络的动态社区发现系统，其特征在于，所述数据处理模块包括：

构建观测模型：

S^t＝W^t+Z^t,t＝0,1,2,... (14)

其中，W^t为时刻^t的邻接矩阵，Z^t是一个均值为零，方差为的独立高斯噪音矩阵，t表示t时刻；

构建系统进化的时序动态观测模型：

y^t＝H^ty^t-1+z^t (15)

其中H^t表示状态转移模型，y^t是时刻t的邻接矩阵W^t的向量化表示，y^t-1是时刻t-1的邻接矩阵W^t-1的向量化表示，z^t表示过程噪音，是一个均值为零，协方差矩阵为Θ^t的随机向量；根据观测模型S^t与观测噪音Z^t的向量化表达，该观测模型(15)可改写为：

s^t＝g(y^t)+z^t (16)

s^t为S^t的向量化表达，y^t是时刻t的邻接矩阵W^t的向量化表示，z^t表示过程噪音；

其中逻辑激活函数g(·)采用Sigmod函数处理，即：

其中，e表示自然底数。