[发明专利]基于离散化天牛须算法的在线知识分享平台社区划分方法

说明书

本发明涉及一种基于离散化天牛须算法的在线知识分享平台社区划分方法，包括：构建带有学习者学习特征的异构信息网络；分解异构信息网络，基于二部图结构进行分层学伴关系挖掘；融合多层学伴关系，获得在线知识分享平台的高维同构信息网络表示结构，通过降维处理后，获得具有低维特征向量表示的待挖掘同构信息网络；使用离散化天牛须算法进行网络结构划分；使用多目标优化函数作为划分过程中目标函数和进化算法中适应度函数，使得每一个社区划分结构中的学习者能够进行由兴趣驱动的合作学习，输出得到全局最优划分结果。与现有技术相比，本发明针对大型复杂网络，能够快速、准确地进行社区划分，具有划分结构完整紧密、社区结构提取准确等优点。

技术领域

本发明涉及社区挖掘技术领域，尤其是涉及一种基于离散化天牛须算法的在线知识分享平台社区划分方法。

背景技术

社会学习理论认为在线知识分享平台是平台参与者经由群体行为进行学习的公共空间，其所有学习行为和互动发生在网络环境中。以知乎为例，知乎作为国内最大的知识分享平台之一，用户作为学习者能够使用知乎进行提问或者搜索答案，或能作为答主对问题进行作答，平台会针对学习者喜好进行相关用户推荐，促使学习者在平台中结识更多的学习伙伴，建立更长期稳固的学伴关系，进一步促进平台中的知识构建过程。然而，当前学术界对于在线学伴并没有一个明确的定义，依据相关研究本发明将在线学伴定性表达为相互依存、亲密合作、牢固持久的学习伙伴。在线知识分享平台本质上仍是一个社交网络，根据Garrison的理论可知，以在线学伴间的学伴关系为基础，在线知识分享平台中存在着潜在社区结构即网络学习社区，同一社区中的学习者能够因为某种共性或相似性聚集在一起进行学习活动。针对学习者在平台中的学习行为和学习资源，挖掘学习者潜在的学伴关系和在线学伴，有利于进一步探究学习者在线学习过程中的学习行为习惯、学习兴趣等的表征和特点，在实际应用场景中可以推动学习者在线学习中取得更好的学习结果。

在获得网络中学伴关系的基础上，使用传统社区发现方法挖掘在线知识分享平台中潜在的学伴社区结构，无法获得兼具网络拓扑结构最优和社区语义表征最优的划分结果。第一，在传统社区发现问题研究中，会将社区发现问题简化为单目标优化问题，从而导致划分结果陷入局部最优，如使用模块度作为目标函数时会出现模块度一旦呈现下降趋势即停止社区划分。近年来，研究者更倾向于常将社区发现问题转化为多目标优化问题，但社区结构发现问题中的目标函数也仅仅聚焦社区结构上，虽然针对不同应用场景具有更强的鲁棒性，但挖掘出的社区结构在一定程度上并不能满足场景需求。对于教育领域的社区发现问题研究，使用常用的多目标优化函数，例如模块度、NMI值作为多目标函数同时优化，会导致划分结果不具有可实际应用的教育属性。第二，传统社区发现方法在解决大型复杂网络中社区发现问题时，会表现出较低的性能和效能，因此基于群体智能优化方法进行改进的社区算法近年也常被用以解决复杂网络中社区发现问题。将传统算法如标签传播算法与优化策略进行结合、寻找全局最优解，如离散化鲸鱼算法、离散化蜉蝣算法等，这些优化算法需要在初始化时将整个网络进行初始划分并在优化过程中需要优化各节点的社区标签值，但是群体智能优化仍然存在算法时间性能等性能上的缺陷。第三，在特定场景中解决应用问题时，丰富的异质信息能够帮助模型有效挖掘更精确的特征表示，传统社区发现方法聚焦于同构信息网络结构的挖掘，这使得社交网络中丰富的异构信息被丢弃即忽略了客体和链接的异质性。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于离散化天牛须算法的在线知识分享平台社区划分方法，针对大型复杂网络，能够快速、准确地进行社区划分。

本发明的目的可以通过以下技术方案来实现：一种基于离散化天牛须算法的在线知识分享平台社区划分方法，包括以下步骤：

S1、构建带有学习者学习特征的异构信息网络；

S2、分解异构信息网络，基于二部图结构进行分层学伴关系挖掘；

S3、融合多层学伴关系，获得在线知识分享平台的高维同构信息网络表示结构，通过全连接层降维处理后，获得具有低维特征向量表示的待挖掘同构信息网络；