[发明专利]一种时序网络与时序数据的多态聚类方法

摘要

本发明提出了多态聚类的概念，并公开了一种时序网络与时序数据的多态聚类分析方法。多态聚类是一种针对时序网络或时序数据，以多种标准作为相似性度量指标的聚类分析方法，包括以下步骤首先，如果处理对象为时序数据，则只对时序数据加工成特定的形式，而如果处理对象为时序网络，则通过谱映射的方法把时序网络映射为特定形式的时序数据。其次建立此时序数据的多态向量，最后，对多态向量采用改进的同步化聚类方法聚类得到多态聚类结果。本发明允许人们从不同的角度观察时序网络或时序数据的社区结构，从而得到更全面的分析结果。

主权项

一种针对时序网络与时序数据的聚类方法，其特征在于，包括以下步骤：(1)判断数据形式，如果是时序网络，则转步骤(2)；如果是时序数据，则转步骤(5)；(2)将时序网络按照设定时间间隔划分为m个有序的静态网络；(3)采用基于谱方法的静态网络映射方法，将每一个静态网络的顶点，映射到k维空间；一个有n个节点的静态网络可得到n×k的数据矩阵；若静态网络为非联通图，则通过加入虚拟节点的方式连接各联通分支，以降低映射过程中导致网络结构的损失；(4)将m个静态网络映射得到的数据矩阵按顺序拼接，得到数据矩阵M；M的每一行，为同一节点不同时刻映射值的顺序组合，对节点不存在时对应维度的映射值用“‑1”标记，“‑1”表示节点缺失；(5)处理数据矩阵M得到多态向量矩阵，包括3个趋势向量矩阵，分别为范围变化趋势矩阵、疏密变化趋势矩阵、强弱变化趋势矩阵，和1个活跃度向量矩阵，活跃度向量矩阵由邻域内变化节点的个数向量组合而成；(6)利用同步化聚类算法，设置调节因子后，对所述数据矩阵M进行聚类，得到可调节的联系聚类结果，所述同步化聚类算法为：计算矩阵中任意两个节点之间的距离：其中，一个有m个时间片时序节点ni，其坐标由一个1行2m列矩阵表示为：f(t)为调节因子，它是时间片t的函数，其中t取自然数，f(t)根据需求指定；根据节点之间的距离，对矩阵中的节点进行聚类；f(t)为以下三种取值之一：或其中n为时间片总数；(7)利用同步化聚类算法，分别对三个趋势向量矩阵聚类，得到三个有不同侧重点的趋势聚类结果，其中三个不同侧重点分别为范围趋势、疏密趋势、综合强弱趋势；所述三个趋势向量矩阵，分别为范围变化趋势矩阵、疏密变化趋势矩阵、强弱变化趋势矩阵，所述范围变化趋势矩阵由所有节点的邻域内节点数向量组成；其中，一个节点的邻域内节点数向量是该节点各时刻邻域内节点数的有序排列，共mˊ维，且节点数不包括所考查节点，它用于刻画节点的联系范围；所述疏密变化趋势矩阵是由所有节点的邻域内节点平均距离向量组成；其中，一个节点的邻域内节点平均距离向量是该节点各时刻邻域内节点平均距离的有序排列，共mˊ维，它用于刻画节点联系的紧密程度；所述强弱变化趋势矩阵是由所有节点的强弱向量组成；其中，一个节点的强弱向量通过该节点的邻域内节点数向量和邻域内节点平均距离向量得到，共mˊ维，每个维度的值为它用于反映节点与周围节点联系的强弱；(8)利用同步化聚类算法，对活跃度向量矩阵聚类，得到活跃度聚类结果，所述活跃度向量矩阵由各节点邻域内变化节点的个数向量组成，该向量是mˊ‑1维向量，每个维度的值为相邻时间片邻域内发生变化节点的个数，即为增加节点的个数与减少节点的个数之和。