文档介绍：一种基于排名聚合的社交网络关键用户挖掘方法
作者: 摘 要:带有时间属性的动态社交网络逐步成为社交网络研究热点。相比静态网络,动态网络考虑用户交互发生的先后顺序,能够更直接地描述用户的交互关系和顺序。传统社交网络挖掘方法往往从用户動态社交网络考虑了用户之间交互的时间、先后顺序和频率,能够更准确地刻画用户的交互关系 [1-5]。传统静态社交网络关键用户识别方法很多,如度中心性、介数中心性、紧密度中心性、特征向量中心性等[6-8]。刘建国等[6]从网络结构和传播动力学角度,对现有网络中的节点重要性排序方法进行了系统归纳和总结;Liu等[9]综合网络结构和传播动力学特征进行耦合分析,利用差分方程评估传播过程,对节点重要性进行排序;王亮亮等[10]讨论一种能够有效表示社交网络中用户关系的数据结构,介绍了用户关系识别的有关方法;陈志扬[11]挖掘当前社交网络中具有相同内在因素、特定组织结构的群体,提出一种基于特定用户群体关系的挖掘与分析方法;仇丽青等[12]考虑微博网络中的粉丝关注和转发,同时引入用户关系权重,提出加权网络下基于微博转发关系的FW-Rank算法,用来识别重要用户。然而动态社交网络不同于传统的静态网络,由于考虑了时间因素,动态社交网络中节点的交互会随时间的推移产生和消失[5,13]。近年来,有关动态社交网络节点重要性的研究越来越多,动态社交网络通常用时序网络表征进行分析和研究。 Kim[14]在构建网络时对时间切片引入时序最短路径,定义了时序网络中的时序介数中心性、时序接近度中心性等中心性指标;***丹等[15]从时序网络建模方法、时效网络结构特性、时序网络与人类行为结合的统计特性及处理时序网络的理论方法等方面,对时序网络当前的研究进展进行了总结和归纳;Yang[16]考虑不同节点层间关系的不同,引入邻居拓扑重叠系数,提出了基于节点层间相似性的时序网络节点重要性方法,进一步完善了时序网络节点重要性研究。 但从时间切片内部和外部连接关系角度出发,杨剑楠[16]的研究仅得出了各时间切片的节点重要性排序,并不能给出整个时序网络节点重要性的综合评价;Anjela等[17]提出了排名聚合方法,该模型根据节点之间的排名先后关系建立评分矩阵来评价节点。因此,本文在杨剑楠等[13]研究基础上,综合用户的交互顺序与时间影响,采用超邻接矩阵描述动态网络,并用排名聚合理论对用户影响力综合排名,提出一种基于排名聚合的社交网络关键用户识别方法。本文以删除节点后的节点对网络连通力影响大小作为评判节点重要性基准,采用动态社交网络中的时序中心度、时序介数中心性、时序接近度中心性3种节点重要性方法作对比。利用Workspace实证数据集对比其它3种方法进行实验,显示本方法在准确率对比结果中,%,实验证明了该方法在社交网络关键用户挖掘中的适用性和有效性。
1 模型与方法
基于排名聚合的社交网络关键用户识别方法
动态社交网络是一个包含个体与其他个体相互关系随时间变化而变化的系统,其中用户可以表示为节点,用户间的相互关系可以表示为连边。社交网络可以用[G=(V,E(i,j))]表示,其中节点为[V={v1,v2,?,vN}],[E(i,j)]表示节点在[[i,j]]时间段内的连边,即用户间的交互关系。这里将动态社交网络分成[T]个时间切片进行分析。本文所介绍的基于排名聚合的社交网络关键用户识别方法考虑了动态社交网络层内、层间和时间因素,其思想是根据层内和层间关系,建立基于层间相似性的邻接矩阵(SSAM,similarity-based supra-adjacency matrix),并利用特征向量中心性计算各时间切片网络的节点重要性排序,按照时间切片内层的节点排序进行排名聚合,最后由聚合结果评价整个动态社交网络中用户的影响力,从而挖掘出关键用户。
基于层间相似性的超邻接矩阵动态社交网络模型
为了考慮同一节点与其它节点在相邻时间切片的连接关系和持续连接度,文献[16]提出基于层间相似性的超邻接矩阵(SSAM,similarity-based supra-adjacency matrix)时序网络模型。SSAM为[NT×NT]的分块矩阵,对于一个给定节点数为[N]的动态社交网络[G],其切分的有序时间切片网络集合为[G={G1,G2,?GT}],[T]为切分的时间切片总数,其基于层间相似性的超邻接矩阵(SSAM)表示如下:
其中,[Α]为基于节点层间相似性的超邻接矩阵SSAM,[A(t)]表示[t(1tT)]时刻对应的时间切片内连接关系,这里用[N×N]的邻接矩阵表示,[C(t-1,t)]表示两个相邻时间切片的连接关系,这里用[N×N]的对