[发明专利]一种基于粒子群随机游走的角色识别方法

摘要

本发明涉及一种基于粒子群随机游走的角色识别方法；首先对采集到的社会网络数据进行预处理；其次对社会网络的数据进行网络结构分析，利用基于时间序列的动态网络子图快照对时序网络结构进行结构化表征。然后从节点的高维特征中提取基本特征和迭代特征。对节点进行粒子群初始化，由时序网络结构特征提取结果形成适应度值矩阵，并根据适应度函数的高低确定核心粒子，每个粒子受到转移概率和适应度目标函数的双重指导，从而产生不同的角色。最后，计算相邻时间片下的粒子群相似度，预测相邻时间片的角色分布，分析社会网络的动态演化规律。本发明提高大规模动态社会网络研究方法适应性和准确性，有效预测动态社会网络演化规律和角色分布结果。

主权项

一种基于粒子群随机游走的角色识别方法，其特征在于：包括以下步骤：步骤一、社会网络数据预处理：对采集到的社会网络数据进行预处理，使用数据预处理技术对噪音的、杂乱的、非结构化的，无法直接进行分析的数据进行清洗或关联；步骤二、社会网络结构分析：将社会网络构建成为一个由节点以及节点之间的边组成的图结构G＝(V,E)，其中V表示所有节点的集合，E为所有边的集合；设置A为图G的N×N邻接矩阵，N表示V中的节点个数；步骤2.1，分析节点的度中心性：节点的度中心性表示为DCi＝∑j∈N(i)Aij，其中N(i)表示节点i的邻居节点集合；当G为无权图时，对于如果则Aij＝1,否则Aij＝0；当G为加权图时，wij表示边eij的权重，则Aij＝wij；步骤2.2，分析介度中心性：介度中心性表示为其中gjk(i)表示节点j和k之间通过节点i的最短路径的条数；步骤2.3，分析基于随机游走的中心性：将节点的影响力引入转移矩阵函数πij＝∑i∈neb(j)tpijpij，其中neb(j)表示节点j的所有邻居节点，表示节点j的邻居节点i对除节点j的邻居节点外的信息转移概率；在无向图中，di表示节点i的度，在有向图中，di则为节点i的出度；tpij越大，表示其在网络中信息权威性越高；依据随机游走理和连续时间马尔可夫链理论，引入时间老化因子α∈(0，1)，则权威性度量值为ARj＝α+(1‑α)∑πijAR(i)；步骤三、时序网络结构形式化：将步骤二中的社会网络图结构D＝(V，E)构建成为一个时间有序的子图序列D＝<S1，S2，...ST>，其中St＝＜Vt，Et＞是动态网络D在t时刻的子图快照，Vt为St的节点集合，Et为St的边集合，T为动态网络长度；步骤四、网络结构特征提取：提取步骤二中所述的节点的度中心性、介数中心性、基于随机游走中心性，以及自网络包含的边数、参与三角形的个数作为基本特征，利用聚集函数sum和mean递归式的对邻居节点的基本特征进行计算得到递归特征，为每个节点计算特征值，直到没有新特征产生为止；由此得到快照St的特征矩阵其中N为节点个数，nt为在t时刻的特征个数；针对动态网络D进行特征提取得到了特征矩阵序列F＝＜F1，F2，...，FT＞；步骤五、基于粒子群随机游走的角色识别：具体包括以下步骤：步骤5.1、初始化粒子群，第一代粒子群由马尔可夫随机游走方法产生，设置种群规模、最大速度区间、初始位置和初始速度；步骤5.2，在迭代过程中，计算每个粒子的适应度值，寻找个体极值和全局极值；基于随机游走的粒子飞行过程中，每个粒子受到转移概率和适应度目标函数的双重指导；转移矩阵由动态网络D的邻接矩阵P表示，P＝<P1，P2，...，PT>，适应度值矩阵由步骤四中的特征矩阵序列F＝<F1，F2，...，FT>表示，其中Pt＝(pij)N×N表示在时刻t的邻接矩阵，假设粒子群在当前t时刻位于节点i，则粒子在下一步访问节点j的转移概率表示为那么粒子群的访问概率矩阵即可表示为步骤5.3，根据适应度函数的高低进行降序排序，将大于最小信任度阈值δ的粒子作为核心粒子，进而下一代粒子按照粒子群算法的速度和位置更新公式进行更新，通过集成方法将所有粒子的局部解叠加成全局解；如果当前粒子的适应度值由优于下一代适应度值，则下一代更新速度不变；使适应度值趋于收敛，收敛后的结果便是所有粒子群信息融合的结果；依据对上述过程，将T个时间快照分别进行上述粒子群迭代过程，形成T个时间片段下的时序粒子群适应度矩阵结果；步骤六、根据收敛后的T个时间片段下的粒子群适应度矩阵序列<F1，F2，...，FT>和核心粒子序列<C1，C2，...，CT>，计算相邻时间片t和t+1时刻的粒子之间的余弦相似性，表示如下：其中ε为当前网络最小相似性阈值。