申请/专利权人：西安电子科技大学

申请日：2024-01-17

公开（公告）日：2024-04-16

公开（公告）号：CN117893344A

主分类号：G06Q50/00

分类号：G06Q50/00;G06Q50/26;G06F18/214;G06F18/243;G06N3/0464;G06F18/213

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.03#实质审查的生效;2024.04.16#公开

摘要：基于特征相关性的动态社交网络社区演化预测方法、系统、设备及介质，方法包括：时间帧划分、社区发现、社区追踪、获取社区在演化过程中的特征变化信息、使用卷积核求社区变化特征的高阶特征、预测未来时刻变化特征、预测演化事件；系统、设备及介质：用于实现基于特征相关性的动态社交网络社区演化预测方法；本发明通过描述社区历史状态的多种特征间的相关性，对社区演化过程中每一个变化状态，均使用卷积操作挖掘其中有相关性的变化特征信息，通过对每一个变化状态进行特定的特征提取，更全面、深入地理解社区演化行为的变化规律，使随机森林分类器更准确地学习社区演化行为的特定模式，能够提高各类演化事件预测性能，并深刻理解社区演化行为。

主权项：1.基于特征相关性的动态社交网络社区演化预测方法，其特征在于，包括以下步骤：步骤1，时间帧划分：利用时间帧划分策略对社交网络进行划分，得到每个时间窗口下的网络快照；步骤2，社区发现：使用团簇渗透CPM社区发现算法获取步骤1得到的每个网络快照中的所有社区；步骤3，社区追踪：对步骤2得到的每个网络快照中的所有社区，使用群体进化发现GED社区追踪算法，得到不同社区的演化序列和社区在演化过程中发生的演化事件；步骤4，获取社区在演化过程中的特征变化信息：对步骤3得到的不同社区的演化序列，使用捕捉社区拓扑特征的计算公式，计算社区在演化序列中所有相邻时间窗口的特征变化，计算时关注不同特征间的相关性，得到社区在演化过程中特征变化信息序列；步骤5，使用卷积核求社区变化特征的高阶特征：对步骤4得到的社区在演化过程中的特征变化信息序列中每一时刻的特征变化信息，使用不同大小的卷积核和不同数目的卷积层，计算不同类别的特征变化信息的抽象高阶特征，得到描述任一社区演化过程的新的变化特征序列；步骤6，预测未来时刻变化特征：对步骤5得到的社区演化过程的新的变化特征序列，使用循环神经网络模型进行回归模型的训练，预测未来时刻变化特征，得到社区在演化过程中的完整的变化特征信息；步骤7，预测演化事件：对步骤6得到的社区在演化过程中的完整的变化特征信息和步骤3得到的社区在演化过程中发生的演化事件，使用分类器学习社区在演化过程中的变化特征信息，预测测试集中的所有进化序列未来可能发生的演化事件。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于特征相关性的动态社交网络社区演化预测方法、系统、设备及介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD