一种适用于符号网络的网络分解方法
文献发布时间:2024-04-18 19:58:30
技术领域
本发明属于互联网技术领域,具体涉及一种适用于符号网络的网络分解方法,根据符号网络中的符号特性和扩展的结构平衡理论,生成目标攻击节点序列,相较于其他一般中心性方法,可以达到将网络快速分解的目的。
背景技术
在线社交网络极大地促进了信息的传播效率,用户传递和获取信息的能力也得到了前所未有的提高,海量的信息通过用户之间的互动和用户社交影响力的催化下动态演化。虽然信息的快速流通给我们带来了极大的便利性,但也不可避免地产生了一些负面影响。
近年来随着复杂网络的诞生和兴起,为研究社交网络当中出现的问题提供了全新的视角。在复杂网络中,通过节点表示在线社交网络上的用户,利用连边刻画用户之间的互动行为。为了减少信息在网络传播过程中可能出现的有害影响,可以利用网络拆解方法来研究这一问题。网络拆解问题在社交网络分析领域中受到了很多关注,其核心思想是通过移除网络中最小规模的节点集或连边集,将网络拆解成一系列小规模、不连通的片段,从而抑制或延迟不需要的传播动态。将网络拆解方法应用在实际的在线社交网络当中,可以节省大量的人工、时间和金钱成本,挖掘出不良信息传播过程中的关键用户,从而最大程度上抑制其带来的危害。
目前,大部分关于网络拆解的研究方法都是面向无符号网络(即不存在对立关系的网络)所提出的。但是在现实世界当中,社交网络的实体对象之间往往存在着多种关系,譬如:赞成与反对、朋友与敌人、喜欢与厌恶等等,利用“+”、“-”两种符号分别表示节点之间的正关系和负关系,因此这种网络类型被称为符号网络。相比于无符号网络,符号网络能够更贴近现实在线社交网络地特征,同时利用不同节点之间的符号属性,所得到的研究结果也能够更加有效地应用到现实当中去。
发明内容
本发明的目的在于提供一种适用于符号网络的网络分解方法,该方法从符号网络的符号特性和结构平衡理论出发,迭代利用社团划分技术,动态寻找社团中度最大的节点作为目标攻击节点,最终形成能够对符号网络有效攻击的节点序列。
本发明的具体步骤如下:
步骤(1)、构建符号网络G=(V,E
步骤(2)、节点嵌入:统计符号网络的各连通片大小,选取最大连通子图作为待嵌入网络,利用深度学习框架,通过搭建两层隐藏层深度神经网络,实现对符号网络节点的嵌入;包括提取三元组、构建目标函数、训练优化参数。
提取三元组:设定P为包含(v
扩展的结构平衡理论认为,对于一个三元组(v
在符号网络中,若v
构建目标函数:在扩展结构平衡理论下,得到符号网络嵌入的目标函数为:
其中,训练集的大小C=|P|+|P
本发明通过构建两个具有相同参数隐藏层的深度学习框架来对上面的目标函数进行学习,从而得到节点的嵌入向量。
训练优化参数:采用反向传播算法对参数进行更新,利用元素全为零的向量作为符号网络中每个节点的初始化向量表示,x
步骤(3)、社团划分:利用K-means算法对这些向量进行聚类,即先随机选取K个向量作为初始的质心,然后计算每个向量与各个质心之间的距离,根据距离大小分配到其最近的质心,每个质心就代表一个聚类,一旦所有向量都被分配完成,每个聚类的聚类中心会根据聚类中现有的对象被重新计算,该过程将不断重复直到满足某个终止条件,所得到的聚类结果作为最终符号网络的社团划分结果。
步骤(4)、移除目标节点:根据社团划分结果,选取网络中最大的社团,即包含节点数目的社团,然后在该社团中找出度(节点的连边数)最大的节点,最后在网络中移除该节点,同时计算移除节点后,网络中最大连通片的相对大小,即移除节点后最大连通片所包含的节点数量所占网络总节点数的比例。
步骤(5)、动态攻击:在移除目标攻击节点后,网络可能会被拆分成几个连通碎片,选取网络中的最大连通片作为下一次攻击过程中的初始待嵌入网络,然后重复步骤(2)-(4),直至网络完全崩溃,攻击过程停止。
步骤(6)、网络鲁棒性评价:当完成上述算法过程后,最终得到目标攻击节点序列,计算R值来对网络鲁棒性进行评价,同时也是对算法攻击效果的评价:
本发明的有益效果:本发明提出了在符号网络上利用社团划分技术的网络分解方法,利用符号网络中的符号特性和社团结构进行高效分解。本发明充分考虑到了符号网络中符号所传递的信息,可以为符号网络上进行网络分解提供新思路。本发明能够有效阻止不良信息在社交媒体和用户群组之间的传播,从而能够最大程度上降低其带来的风险和危害。符号网络相比于一般网络,最重要的是前者能够反映现实当中不同实体间的相互关系。从社会治理层面来看,本发明能够有效地解决和优化现有的一些社会问题。因此,在符号网络当中的网络拆解方法能够保障信息安全和维持社会稳定,将不良信息对社会带来的危害后果降至最小,甚至在一些领域起到防范作用。
附图说明
图1为本发明的整体框架流程图。
具体实施方式
如图1所示,一种适用于符号网络的网络分解方法,具体流程如下:
步骤(1)、构建符号网络G=(V,E
步骤(2)、节点嵌入:统计符号网络的各连通片大小,选取最大连通子图GCC(GiantConnectedComponent)作为待嵌入网络,利用深度学习框架,通过搭建两层隐藏层深度神经网络,实现对符号网络节点的嵌入;包括提取三元组、构建目标函数、训练优化参数三个部分。
提取三元组:设定P为包含(v
在符号网络中,若v
构建目标函数:
通过构建两个具有相同参数隐藏层的深度学习框架对目标函数进行学习,得到节点的嵌入向量。
训练优化参数:采用反向传播算法对参数进行更新,利用元素全为零的向量作为符号网络中每个节点的初始化向量表示,x
步骤(3)、社团划分:步骤(2)得到了每个节点的向量表示,利用K-means算法对向量进行聚类,即先随机选取K个向量作为初始的质心,然后计算每个向量与各个质心之间的距离,根据距离大小分配到其最近的质心,每个质心就代表一个聚类,一旦所有向量都被分配完成,每个聚类的聚类中心会根据聚类中现有的对象被重新计算,该过程将不断重复直到满足某个终止条件,所得到的聚类结果作为最终符号网络的社团划分结果。
步骤(4)、移除目标节点:利用步骤(3)得到的社团划分结果,选取网络中最大的社团,即包含节点数目最大的社团,在该社团中移除度最大的节点,同时计算移除节点后,网络中最大连通片的相对大小,即移除节点后最大连通片所包含的节点数量所占网络总节点数的比例;节点的度即为节点的连边数。
步骤(5)、动态攻击:在移除目标攻击节点后,网络被拆分成几个连通碎片,选取网络中的最大连通片作为下一次攻击过程中的初始待嵌入网络,然后重复步骤(2)-(4),直至网络完全崩溃,攻击过程停止。
步骤(6)、网络鲁棒性评价:得到目标攻击节点序列,计算R值对网络鲁棒性进行评价,同时也是对算法攻击效果的评价:
本实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
- 一种基于图卷积网络的符号网络符号的预测方法
- 基于变分解耦合方式对符号有向网络的表达学习方法