【《基于长短时记忆网络的社区演化预测分析案例》2300字】

基于长短时记忆网络的社区演化预测分析案例目录TOC\o"1-3"\h\u32657基于长短时记忆网络的社区演化预测分析案例 194201.1特征集提取 1272181.2长短时记忆网络预测模型 350021.3实验及结果分析 377341.3.1Facebook数据的预测结果 3205171.3.2DBLP数据的预测结果 5219371.4小结 81.1特征集提取为了预测社区的下一阶段，我们考虑三类主要特征：社区本身的属性、社区领导者成员的属性，以及社区历史信息特征。这些特征总结在表（1.1）中，并在下面详细解释。表1.1社区特征类型特征特征定义公式值域结构属性SizeRatio在时间窗口𝑡社区𝑖的节点数量n[2,∞)Density社区密度，E表示社区Cti的边集，2(0,1]Cohesion社区内部连接的紧密程度相对于社区外部的连接的紧密程度2(0,∞)AverageClusteringCoefficient平均聚类系数c(0,1]AverageDegreeCentrality社区CtD(0,1]AverageClosenessCentrality平均紧密中心性度C(0,1]AverageEigenVectorCentrality平均特征向量中心度E领导者成员属性ClosenessLeaders影响力成员的平均紧密中心性度(0,1]DegreeLeaders影响力成员的平均度(0,1]LeadersAverageEigenVectorCentrality影响力成员的平均特征向量中心度历史信息属性LifeSpan社区的年龄PreviousSplit在历史的演化中，是否发生过Split{true,false}PreviousMerge在历史的演化中，是否发生过Merge{true,false}PreviousContinue在历史的演化中，是否发生过Continue{true,false}PreviousGrow在历史的演化中，是否发生过Grow{true,false}PreviousShrink在历史的演化中，是否发生过Shrink{true,false}（1）结构属性（StructuralCommunityFeatures）：社区的特点为，内部彼此连接比与网络其余部分连接更紧密。按照社区的属性概念，我们可以利用从社区的拓扑分析中收集所有结构信息。（2）领导者成员属性（InfluentialMembersFeatures）：为了分析网络演化，我们通常考虑所有成员及其属性。但是，社区通常由特定的成员领导，这些人对其他社区成员具有相当大的影响力并指导着社区的命运。在这种情况下，我们考虑了最有影响力的节点（称为领导者）的特征。本文，特征向量中心度值（eigenvectorcentrality）前20％的节点被视为领导者（3）历史信息属性（Temporalchangesoffeatures）：我们将社区存在的时间，以及历史事件发生的演化事件。1.2长短时记忆网络预测模型在取特征集之后，每一个时间窗口的每一个社区都可以使用这12个特征来述。而预测模型，本文选用了逻辑回归（LogisticRegression）、朴素贝叶斯分类器（NaiveBayes）、J48决策树（J48）、bagging方法（Bagging）、SVM分类器（SupportVectorMachines“SMO”）、随机树（RandomTree）和LSTM七种算法。针对每一种演化类型进行训练和预测，且分类结果为两类，用0或1表示，其中1表示该社区发生了某种演化类型。因此针对每一种演化类型要分别进行一次训练和预测。例如，当需要预测t+1时间窗口的社区在下一个时间窗口的演化情况，就需要将1到t时间窗口的所有社区的特征集以及演化分类结果作为训练集如图？所示，训练好学习模型之后再使用t+1时间窗口的社区样本作为测试集，对其在下一个时间窗口的演化事件进行预测。1.3实验及结果分析1.3.1Facebook数据的预测结果表Facebook数据集不同演化链长度下不同预测模型对不同演化类型的预测正确率演化链长度分类器ContinueMergeSplitDissolveGrowShrink2Logistic0.6050.7040.9140.7530.6120.788NaiveBayes0.5940.6820.8740.7250.6510.791J480.7080.7480.9190.8150.7100.816Bagging0.7310.7530.9180.8130.7230.821SMO0.5870.6910.9120.7280.6090.773RandomTree0.6850.7260.9040.8030.6970.799LSTM0.6720.7250.9130.8210.7340.8153Logistic0.7300.7120.8740.7510.6740.753NaiveBayes0.6940.6920.8930.6920.6990.662J480.7040.6990.8840.7550.7160.762Bagging0.7080.6360.8890.8820.7140.783SMO0.6730.7230.8460.6940.6760.719RandomTree0.6940.7040.8900.7380.6840.730LSTM0.7230.7320.8910.8870.7260.7644Logistic0.7060.7860.8860.7580.7130.724NaiveBayes0.5920.7460.8960.6820.6980.669J480.7040.7340.8830.7710.7240.760Bagging0.7060.7480.8760.8710.7230.732SMO0.7230.7900.8990.7170.6170.756RandomTree0.6970.6680.8630.7180.6830.708LSTM0.7310.7920.8930.7860.7330.7595Logistic0.7380.7920.9240.7430.6490.688NaiveBayes0.7490.7770.8630.6850.6510.626J480.7560.7540.8860.7480.7330.731Bagging0.7250.6940.8960.7730.6880.776SMO0.7160.7750.8640.7160.6370.752RandomTree0.7390.7160.8370.6970.7080.764LSTM0.7570.7960.8830.7820.7350.768对于Facebook数据集，本文对不同的演化链长度的社区数据进行预测，且对比6种不同的机器学习方法进行实验。实验结果如上表，可以看出，演化链长度越长可以对预测的准确性有一定的提高，特别是对LSTM模型预测效果的提高相对明显。且在演化链长度增加后，LSTM的预测相对其他机器学习的方法，更具优势，预测更加准确。图Facebook数据集不同演化链长度下不同预测模型的演化类型预测正确率如上图，对比不同的演化类型，对于演化链增加的敏感度是不同的，合并、分裂保持的预测准确性是正向作用的。1.3.2DBLP数据的预测结果表DBLP数据集不同演化链长度下不同预测模型对不同演化类型的预测正确率演化链长度分类器continuemergesplitdissolvegrowshrink2Logistic0.5810.7060.8050.6380.6240.713NaiveBayes0.4960.5360.8210.5230.4270.634J480.6230.6780.8700.6880.6660.770Bagging0.6800.7100.9000.7290.6790.784SMO0.5870.6820.9200.6150.6450.735RandomTree0.6290.6250.8450.6660.6270.733LSTM0.6310.7130.9120.6910.6810.7673Logistic0.6370.6200.6570.6470.6510.701NaiveBayes0.4310.7190.8350.4720.6180.411J480.6550.6260.7880.6830.6370.684Bagging0.6520.6230.8240.7240.6810.756SMO0.7150.6900.8020.6330.6860.709RandomTree0.5870.6200.6630.6580.6570.673LSTM0.6510.7220.8320.7310.6820.7584Logistic0.6600.9000.9750.6860.6630.671NaiveBayes0.5470.9020.9320.4590.5760.612J480.6020.6470.7790.6670.6780.684Bagging0.6680.7110.7750.7280.6360.722SMO0.6030.7980.9000.6900.7090.760RandomTree0.7010.7990.8310.6160.7210.674LSTM0.6930.8030.8430.7340.6930.7715Logistic0.9170.6570.6570.6280.5760.685NaiveBayes0.6620.6570.4370.6880.6320.540J480.8040.5800.7330.5810.7020.750Bagging0.4430.3140.5030.7150.6860.776SMO0.8330.5000.5550.6850.7200.773RandomTree0.6320.7320.6220.6230.6310.617LSTM0.8850.7840.7960.7330.7310.783对于DBLP数据集，同样对不同的演化链长度的社区数据进行预测，且对比6种不同的机器学习方法进行实验。实验结果如上表，可以看出，演化链长度为5时，LSTM预测最佳。图DBLP数据集不同演化链长度下不同预测模型对演化类型预测正确率图对于DBLP数据集的重要特征对比当实验确定了动态社交网络预测任务的最佳结果，本论文根据WEKA中的wrapper方法，针对这三个数据集合研究了这些重要特征对于预测结果的贡献程度。如上图可以得出以下结论：（1）在演化链长度为2时，中心性指标对于预测的贡献度较高；聚类系数对于分裂和合并演化类型的预测比较重要。（2）在演化链长度为3时，社区历史演化信息对于预测结果贡献度较高，凝聚性对于预测分裂事件比较重要。（3）在演化链长度为4时，聚类系数和凝聚性对于预测各类演化类型的贡献度较高。1.47小结本章介绍了本文使用LSTM对社交网络动态社区演化分析与预测，使用了Facebook和DBLP数据集来进行实验，并