[发明专利]一种基于压缩感知的回声壁社交网络结构预测方法

说明书

本发明公开了一种基于压缩感知的回声壁社交网络结构预测方法，包括：S1、通过Hegselmann‑Krause连续观点动力学模型(HK模型)生成观测信号，其中包括对于网络中每一个节点，生成连续的时间序列信号，信号的取值范围[0,1]；S2、通过Stochastic BlockModel社团结构生成模型(SBM模型)生成网络结构，且步骤S1中的网络结构在此生成，每个节点根据SBM模型隶属于一个社团；S3、构造回声壁效应(Echo chamber)的观点分布和对比的随机(Chaos chamber)观点分布，根据步骤S1的节点属性和S2的网络结构属性，将节点属性按回声壁效应和随机效应分布到网络结构中；S4、构造基于压缩感知的网络结构重构凸优化算法，且针对S1～S3带属性结构的网络，逐一做网络结构重构。根据本发明，通过压缩感知在回声壁社交网络的还原构造，预测社交网络结构。

技术领域

本发明涉及文本识别的技术领域，特别涉及一种基于压缩感知的回声壁社交网络结构预测方法。

背景技术

社交网络中的回声壁效应(Echo chamber)描述了这样一种情况：某些想法、信念或数据点通过一个封闭系统的重复而得到加强，不允许替代或竞争的想法或概念自由流动。在回音室中，有一种暗示，即某些想法或结果胜出，因为在如何收集输入方面存在固有的不公平。社交网络平台上经常根据启发式算法或学习式算法从一般来源中选择一些数据。用户可能会看到社交媒体上的信息变成了常见的、类似的想法的回音室，并思考为什么会发生这种情况。但是针对回声壁效应效应，缺乏一种有效的社交网络结构预测方法。

针对压缩感知技术，专利公布号CN201910952609.1涉及基于残差网络的激光图像高分辨率压缩感知重构方法，将所有重构图像块拼接得到期望的高质量激光图像重构结果。专利公布号 CN201810086381.8公开了一种基于分块观测的压缩感知网络及全图重构方法，主要解决现有网络恢复图像质量差的问题。专利公布号 CN201810086400.7提供了一种基于全图观测的压缩感知网络及感知损失重构方法，主要解决现有网络恢复的重构图像具有块效应的问题。专利公布号CN201910126717.3涉及一种基于稀疏去噪自编码网络的图像压缩感知方法，在去噪自编码网络的基础上加入稀疏性限制，将图像压缩和重建集成到一个统一的自编码网络框架中。专利公布号 CN201910166307.1公开了一种基于深度学习的感兴趣区域压缩感知图像重构方法，克服了现有压缩感知图像重构方法在有限的观测资源下对图像中感兴趣区域重构质量低的问题。专利公布号 CN201910973693.5提供了一种基于压缩感知和超分辨率重构的多相机全景图像构建方法，将图像超分辨率理论引入到压缩感知重构中，从降低压缩感知观测冗余和去除受损观测值的观测干扰角度出发，建立鲁棒性压缩感知图像超分辨率重构技术。现有的压缩感知技术，主要用户图像处理领域，在社交网络的结构预测中，需要重新设计适用于回声壁效应的重构预测方法，回声壁是社交网络中广泛存在的一种用户观点相关影响的现象，但是缺乏预测方法能够对网络重构。

发明内容

针对现有技术中存在的不足之处，本发明的目的是提供一种基于压缩感知的回声壁社交网络结构预测方法，通过压缩感知在回声壁社交网络的还原构造，预测社交网络结构。为了实现根据本发明的上述目的和其他优点，提供了一种基于压缩感知的回声壁社交网络结构预测方法，包括：

S1、通过Hegselmann-Krause连续观点动力学模型(HK模型)生成观测信号，其中包括对于网络中每一个节点，生成连续的时间序列信号，信号的取值范围[0,1]。

S2、通过Stochastic Block Model社团结构生成模型(SBM模型) 生成网络结构，且步骤S1中的网络结构在此生成，每个节点根据SBM 模型隶属于一个社团。

S3、构造回声壁效应(Echo chamber)的观点分布和对比的随机 (Chaos chamber)观点分布，根据步骤S1的节点属性和S2的网络结构属性，将节点属性按回声壁效应和随机效应分布到网络结构中。