一种基于时序网络社团检测的影响力最大化方法与流程

技术特征：
1.一种基于时序网络社团检测的影响力最大化方法，其特征在于，该方法具体是：步骤(1)节点嵌入，包括微观动力学嵌入和宏观动力学嵌入：对于一个给定的时序网络对于一个给定的时序网络和ε分别为节点集和边集，为时间序列，每个时序边(u
i
,u
j
,t)∈ε表示节点u
i
和节点u
j
在t时刻产生连边，ε为边的集合；时序网络嵌入的目标为学习一个映射函数其中d为嵌入维度，且其中d为嵌入维度，且表示实数域；所述的微观动力学嵌入，通过最小化以下目标函数来记录时序网络中的微观动态：其中，p表示节点u
i
在t时刻之前的某个历史邻居，和分别是节点u
i
和u
j
在t时刻之前的历史邻居集；所述的宏观动力学嵌入，通过最小化以下目标函数来记录时序网络中的宏观动态：δe(t)＝e(t)
‑
e(t
‑
1)；e(t)为截至t时刻的累计边数，δe
′
(t)为t时刻产生的新连边数；统一目标函数宏观动力学嵌入所占权重η∈[0,1]；步骤(2)社区检测：采用一种不指定社区数量的聚类方法，将网络中的节点划分到不同社区；首先将网络进行嵌入，根据嵌入结果，计算每个节点对之间的相似性；然后将每个节点作为一个社区，如果两个节点之间的相似度是最大的，则将两个节点划分到同一个社区；将新创建的社区视为一个节点，继续上一个步骤，直到达到结束条件；步骤(3)生成候选种子节点：对于一个给定的时序网络和一个种子节点集的大小k，通过社区检测得到一组社区，即聚类结果c＝{c1,c2,
…
,c
r
}，c
r
即为第r个社区，n
r
为社区c
r
中的节点数，则重要社区选择每个重要社区中节点度和相似度总和的前τ％的节点作为候选种子节点，τ＝5～20，节点度为邻居节点的个数；步骤(4)种子节点选择：(4
‑
1)种子节点分配：对于一个给定的时序网络和种子节点集的大小k，假设c
s
＝{c
′1,c
′2,
…
,c
′
r
′
}，并且每个社区c
′
r
′
有n
′
r
′
个节点，则c
′
r
′
中分配的种子节点数(4
‑
2)选择种子节点：使用位置分数和中枢度两个指标作为评价指标，使用优先级比较规则比较候选节点集中节点的优先级，确定最终的种子节点；位置分数位置分数表示任意；节点的中枢度sc为社区集c
中已经选择了种子节点的社区集；对于给定的一个社区中的两个候选节点，按照优先级比较规则进行比较，通过收集每个重要社区quota(c
′
i
)个高优先级节点，获得种子节点集。2.如权利要求1所述的一种基于时序网络社团检测的影响力最大化方法，其特征在于，步骤(1)中微观动力学嵌入具体是：首先，对于一条时序边o＝(u
i
,u
j
,t)，通过网络嵌入得到嵌入矩阵,t)，通过网络嵌入得到嵌入矩阵为节点u
i
嵌入得到的向量，时序边o＝(u
i
,u
j
,t)出现强度为：中，g(
·
)是度量两个节点相似度的函数，t
p
表示历史邻居p建立连边的时刻；和分别为节点u
i
的历史邻居节点u
p
和节点u
j
的历史邻居节点u
q
嵌入得到的向量；α和β为两个由分层时序注意力机制定义的注意力系数，时间衰减函数κ(t
‑
t
p
)＝exp(
‑
δ
i
(t
‑
t
p
))，δ
i
＞0是与节点相关且可学习的衰减率；使用指数函数对出现的强度进行变换，得到均为正实数的出现强度确定来自邻居节点的局部影响：节点u
i
的历史邻居节点u
p
与节点u
j
之间的相似度u
p
对于o＝(u
i
,u
j
,t)依赖于节点u
i
，并随着邻域结构的变化而变化，局部注意力系数中间参数中间参数为并置运算，注意向量w为局部权重矩阵，sigmoid函数σ(x)＝exp(x)/(1 exp(x))；确定来自所有邻居的全局影响：节点u
i
与节点u
j
形成的连边的全局注意力系数其中，节点u
i
的注意力中间参数节点u
j
的注意力中间参数节点u
i
所有历史邻居的信息集合节点u
j
所有历史邻居的信息集合过去事件的平均衰减量s(
·
)为单层神经网络，通过邻居聚合信息获得聚合嵌入，并且以过去事件的平均时间衰减量作为输入；则，t时刻节点u
i
和u
j
之间建立一条连边的概率通过最小化以下目标函数来记录时序网络中的微观动态：
3.如权利要求2所述的一种基于时序网络社团检测的影响力最大化方法，其特征在于，步骤(1)中宏观动力学嵌入具体是：网络规模的演化过程中，用网络中边的数量来指代网络规模，则边数量时间序列t时刻产生的新连边数其中，n(t)为截止到t时刻的累计节点数，为平均可达邻居数量，为线性稀疏系数，γ为幂律稀疏指数；任意节点u
i
在t时刻连接其他节点的概率θ为时间衰减指数；通过最小化以下目标函数来记录时序网络中的宏观动态：δe(t)＝e(t)
‑
e(t
‑
1)。4.如权利要求3所述的一种基于时序网络社团检测的影响力最大化方法，其特征在于，步骤(2)具体是：(2
‑
1)计算节点间相似度：对于每个都有一个d维向量来表示；则相邻两节点u
i
和u
j
的相似度(2
‑
2)计算模块化增益：对于一个给定的时序网络假设其聚类结果c＝{c1,c2,
…
,c
r
}，c
r
为网络中节点的第r个聚类，r＝1,2,
…
,r，r聚类总数；则，模块化增益其中，c
r
中节点相似度的和c
r
中节点和网络中其他节点的相似度之和网络中任意两个节点的相似度之和对于网络给定两个不同的聚类结果c和c
′
，由c到c
′
的模块化增益δq
c
→
c
′
＝q(c
′
)
‑
q(c)，假设上次迭代的聚类结果和这次迭代的聚类结果分别为c和c
′
；如果由c到c
′
的模块化增益为负，则聚类停止。5.如权利要求4所述的一种基于时序网络社团检测的影响力最大化方法，其特征在于，步骤(4)中对于给定的一个社区中的两个候选节点，优先级比较规则如下：a.比较两个非中枢节点时，度越大的节点优先级越高；如果非两个中枢节点的度相同，则相似度之和越大的节点优先级越高；b.比较两个中枢节点时，位置分数越高的节点优先级越高；如果两个中枢节点的位置分数相同，则度越大的节点优先级越高；如果度也相同，则相似度之和越大的节点优先级越高；除此之外，中枢节点的中枢度必须大于中枢阈值，因为中枢阈值过低代表他覆盖的社区太多；c.比较中枢节点和非中枢节点时，度越大的节点优先级越高；如果两个节点的度相同，则相似度之和越大的节点优先级越高；如果度也相同，则中枢节点优先级较高。

技术总结
本发明公开了一种基于时序网络社团检测的影响力最大化方法。现有方法时间复杂度较高，无法处理规模较大的网络，或者对网络结构依赖程度较高。本专利方法将静态网络中的影响力最大化问题扩展到时序网络中，首先对时序网络进行嵌入，将网络中节点的用低维度向量表示，以捕捉到网络中的拓扑结构，然后通过节点嵌入向量计算节点间的相似性，根据相似性将节点划分为不同社区，最后在不同社区中选择种子节点，构成最终的种子节点集。本发明方法考虑到网络中的时序信息，并采用社区划分方法选择种子节点，解决现有影响力最大化种子节点选取方法对时序信息考虑不足，选择种子节点精确度不足的缺点。不足的缺点。


技术研发人员：詹秀秀 张恺悦 张子柯 刘闯
受保护的技术使用者：杭州师范大学
技术研发日：2021.08.12
技术公布日：2021/11/5