基于改进的图卷积神经网络的社交网络桥节点识别方法

本发明涉及桥节点识别，特别是涉及一种基于改进的图卷积神经网络的社交网络桥节点识别方法。

背景技术：

1、社交网络可以看作是由大量的节点和连边构成的图。节点代表社交媒体中的用户，边则代表用户之间的关系。社交网络中会形成内部连接比外部连接更加紧密的节点集群，大规模的集群被称为社区，集群内部节点用户角色相似，不同集群节点用户相异。桥节点是连接不同集群的一类特殊关键节点，能够控制不同类型的用户集群间的信息传递与交流。识别社交网络的桥节点有助于舆情控制、用户分析等研究。

2、桥节点识别的方法主要分为基于社区结构的方法和不考虑社区结构的方法。基于社区的桥节点评估方法在有较好的应用前景，但忽略了节点作为集群间节点的角色这一情况，不能全面的评价节点桥接的作用；且依赖特定的社区划分算法，算法的选择可能影响桥节点识别的准确性。不考虑社区结构的方法则消除了社区对网络的限制，可以直接应用到没有社区结构的网络中，目标是从节点桥接的角度寻找有影响力的节点，但可用信息限制它只能从节点的局部拓扑或全局信息中挖掘与桥接效应相关的属性，具有局限性。

技术实现思路

1、为此，本发明的一个实施例提出一种基于改进的图卷积神经网络的社交网络桥节点识别方法，以全面、准确的识别社交网络中的桥节点。

2、根据本发明一实施例的基于改进的图卷积神经网络的社交网络桥节点识别方法，包括以下步骤：

3、步骤s1，对社交网络进行数据标记，采用leiden算法进行社区划分，再采用vikor多属性决策方法综合nbnc三元组、模块度变化度、本地网关指数计算每个节点的综合桥接得分，然后通过阈值选取预设数量的节点作为社交网络中的桥节点标签；

4、步骤s2，构建节点特征向量，从局部信息与全局信息的角度中选取节点的度中心性、介数中心性、节点的pagerank值作为节点特征向量；

5、步骤s3，构建改进的图卷积神经网络模型，改进的图卷积神经网络模型具有计算路径可靠性的聚合规则，以扩大小度桥节点感受野；

6、步骤s4，将步骤s2中节点特征向量输入至步骤s3构建的模型中，并利用步骤s1得到的桥节点标签，多层传播后输出使用softmax函数进行输出，反向传播更新参数，训练模型从而进行社交网络桥节点识别任务。

7、根据本发明实施例的基于改进的图卷积神经网络的社交网络桥节点识别方法，分别从依赖社区划分的评估方法角度选取本地网关指数(gateway local rank，glr)、模块度变化度(modularity vitality)，以及不依赖社区角度的nbnc三元组(neighborhood-basedbridge node centrality tuple)三种指标，通过结合两类对社区依赖程度不同的桥节点识别方法全面的获取桥节点标记，解决现有技术在评价桥节点时过于依赖社区划分的问题；通过对图卷积神经网络进行改进利用路径可靠性分数扩大节点感受野，解决小度桥节点信息获取不足，识别不够准确的问题，增强模型的泛化能力，训练完的模型具备迁移学习的能力，经过训练后的模型在新的数据集中的收敛速度会有所提升。

8、另外，根据本发明上述实施例的基于改进的图卷积神经网络的社交网络桥节点识别方法，还可以具有如下附加的技术特征：

9、进一步地，步骤1具体包括：

10、采用leiden算法对社交网络进行社区划分，随后计算每个节点的nbnc分数、本地网关指数、模块度变化度，并计算nbnc分数、本地网关指数、模块度变化度的kendall系数作为权重，然后构建决策矩阵，对决策矩阵标准化得到标准化的决策矩阵，然后计算每个节点的个体遗憾值与群体效益值，利用距离公式计算个体遗憾值与群体效益值得到每个节点的综合桥接得分，综合桥接得分越小越优，再设置阈值选取预设数量的节点作为社交网络中的桥节点标签。

11、进一步地，综合桥接得分qi的计算公式为：

12、

13、

14、

15、

16、

17、

18、其中，w为决策系数，si为第i个节点的群体效益值，s*为所有n个节点中的最大效用，n为节点总数，s-为所有n个节点中的最小效用，ri为第i个节点的个体遗憾值，r*为所有n个节点中的个体最大遗憾，r-为所有n个节点中的个体最小遗憾，ωp为指标p的kendall系数，vip为归一化后的节点i在p指标下的得分，为p指标下的正理想解，为p指标下的负理想解，dip表示节点i在p指标下的得分。

19、进一步地，步骤s3具体包括：

20、对每个节点进行若干次不返回的限制长度的随机游走，记录每个目标节点通过随机路径抵达的节点集，通过路径可靠性分数的计算剔除节点集种对于目标节点不可靠的节点，获得每个节点的可靠节点集，计算方法如下：

21、

22、其中，m为n的后继节点，n为m的任一前驱节点，sii-1(·,m)表示m节点的所有的前驱节点集，|si(n,·)|表示所有的后继节点集的数量，r(m)表示m的可靠性分数，r(n)表示n的可靠性分数；

23、通过设置超参数最短路径长度β，即对于目标节点i可至少获得可靠节点β-1个，获得可靠节点集后，将可靠的节点加入目标节点的感受野，改进图卷积神经网络的聚合规则，具体的聚合规则如下：

24、

25、其中，为节点i经过l+1层神经网络传播后的特征，为节点j第l层时的特征向量，σ为sigmoid非线性激活函数，将聚合规则设计为两部分计算之和，表示节点i的一阶邻居集合，表示节点i的一阶邻居之外的其他可抵节点，k为中的节点，ci表示节点i的一阶邻居的度数之和，表示节点i的一阶邻居之外的其他可抵节点的度数之和，w(l)、b(l)分别是连接第l层对应的权重矩阵和偏置向量，分别是连接第l+1层对应的权重矩阵和偏置向量，为节点k在第l层的特征向量，为一阶邻域外的节点在传播规则中的权重。

技术特征：

1.一种基于改进的图卷积神经网络的社交网络桥节点识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于改进的图卷积神经网络的社交网络桥节点识别方法，其特征在于，步骤1具体包括：

3.根据权利要求2所述的基于改进的图卷积神经网络的社交网络桥节点识别方法，其特征在于，综合桥接得分qi的计算公式为：

4.根据权利要求3所述的基于改进的图卷积神经网络的社交网络桥节点识别方法，其特征在于，步骤s3具体包括：

技术总结
本发明提供一种基于改进的图卷积神经网络的社交网络桥节点识别方法，本发明分别从依赖社区划分的评估方法角度选取本地网关指数(gateway local rank，GLR)、模块度变化度(Modularity Vitality)，以及不依赖社区角度的NBNC三元组(Neighborhood‑based bridge node centrality tuple)三种指标，通过结合两类对社区依赖程度不同的桥节点识别方法全面的获取桥节点标记，解决现有技术在评价桥节点时过于依赖社区划分的问题；通过对图卷积神经网络进行改进利用路径可靠性分数扩大节点感受野，解决小度桥节点信息获取不足，识别不够准确的问题，增强模型的泛化能力，训练完的模型具备迁移学习的能力，经过训练后的模型在新的数据集中的收敛速度会有所提升。

技术研发人员：杨贤晟,舒坚,舒馨
受保护的技术使用者：南昌航空大学
技术研发日：
技术公布日：2024/4/29