[发明专利]一种动态社交网络表示学习方法

权利要求书

1.一种动态社交网络表示学习方法，其特征在于，包括如下步骤：

步骤1：构建动态网络序列，基于给定的一组时间步{1,2,...,T}，对于其中某一时间步的社交网络数据，构建子图G^{a}＝(V,E^{a},W^{a})，a∈{1,2,...,T}；

其中，V是节点集合，表示网络中的用户；E^{a}是当前时间步的边集合，代表用户间的关系；W^{a}是权重集合，表示用户间的连接强度；动态网络是所有时间步的子图构成的一个序列G＝{G⁽¹⁾,G⁽²⁾,...,G^(T)}；

步骤2：社区划分，根据网络的结构，并标记每个节点所处的社区；由于动态网络随时间演化，因此需要对每一时间步的网络进行社区划分

步骤3：基于三元闭包过程保留网络演化特征；对G^{a}，其中三个满足以下关系的用户构成一个开放三元组(v_i,v_j,v_k)：用户v_i和v_j互相不认识，但他们有一个共同好友v_k；共同好友v_k会决定是否在下一时间步介绍v_i和v_j认识使得开放三元组闭合；在这一过程中影响他的决定的三个主要因素分别是：用户影响力、用户相似度和社区结构；

步骤4：基于同质性和社区结构保留网络结构特征，依据社会同质性相互连接的节点对会更紧密地嵌入到潜在的表示空间中；

步骤5：时间平滑性，为了保持动态网络在a时间步的平滑演化，构建时间平滑性损失函数如下：

其中，表示节点v_i在a时间步的嵌入向量，表示同一节点v_i在相邻时间步a和a+1的嵌入向量的欧氏距离；

步骤6：结合网络演化特征和结构特征进行嵌入得到每个节点的特征表示；为了学习动态社交网络节点的低维嵌入表示，同时保留节点的演化特征和结构特征，我们需要对三个损失函数和进行优化；将全局结构损失函数权重参数设为1，采用两个超参数β₀和β₁分别控制三元闭包过程和时间平滑性；因此，对于先给定初始的时间步长T，整体优化问题为：

其中和是归一化项，设置潜在空间维数为d，最终获得社交网络的节点嵌入表示U＝{U⁽¹⁾，U⁽²⁾，...，U^(T)}和社会策略参数θ；表示保留社会同质性和社区结构的损失函数，表示三元闭包过程的损失函数，表示时间平滑性的损失函数；采用两个超参数η₀和η₀分别控制三元闭包过程和时间平滑性，T为给定的总的时间步长；

可以应用于各种社交网络具体分析任务。

2.根据权利要求1所述的一种动态社交网络表示学习方法，其特征在于，所述步骤2中，通过经典的社区发现算法semi-synchronized LPA获取社区信息。

3.根据权利要求1所述的一种动态社交网络表示学习方法，其特征在于，所述步骤3中，

用户影响力：如果v_k是一个在社交网络中影响力较大的用户，则他介绍v_i和v_j在下一时间步认识并建立联系的概率相对较小；如意见领袖的影响力远远高于普通用户，则他们介绍与自己相连的两个用户认识的概率显然有所不同，前者低于后者；

用户相似度：当v_k与v_i和v_j相似时，更倾向于介绍v_i和v_j在下一时间步认识并建立联系，因此开放三元组闭合的概率增大；

社区结构：相比v_i和v_j属于同一社区的情况，v_k介绍属于不同社区的这两个朋友需要付出的努力显然更大，则闭合开放三元组的概率相对较小。