基于社区发现的集体社交行为的提取方法及系统

1.本发明涉及社交网络分析技术领域，特别涉及一种基于社区发现的针对在线社交网络 中集体社交行为的提取方法及系统。


背景技术：

2.社交网络是由参与者以及他们之间的相互关系结构所组成，它可以表示为一群节点和 一组代表它们之间联系的链接组成的网络结构。这群节点由个人、团体、组织和相关系统 通过相同的价值观、环境、想法相互连接；也可以是社交接触、纠纷、金融证券交易、商 业等事件，作为一种或多种由人际关系的许多方面组成的群体相互结合在一起。当上述的 关系成功形成后，社交网络能通过获取人力、社会、自然、物质和金融资本及相关的信息 内容影响更广泛的社会进程。在开发工作中，它们可以影响政策、战略、计划和项目，以 及构成其基础的伙伴关系。根据在线社交网络的这些特征，使在线社交网络分析在处理许 多问题上成为一个有效点。
3.社交网络分析通常被称为分析研究，其目的是揭示社交网络中节点和节点之间联系的 相关信息。通过将这些关系作为社交网络分析的信息来处理，可以确保对该网络结构有更 好的理解。社交网络分析现在几乎被用于多有领域，如个人和社会群体结构和行为的检测 (组件分解、聚类、关系确定)、电子商务在线广告(客户概况和趋势分析、个性化广告和 提案提交)、大型数据集分析(媒体跟踪、学术出版物分析、基因研究)等。研究人员会在 社交网络分析时运用多种数据挖掘技术实现目标。
4.社区发现是基于网络拓扑结构的一类算法，根据研究内容的不同，可以将其分为以下 几类：层次聚类算法是基于节点之间的相似性或连接强度来对社区进行划分的，最常用的 聚类算法有newman快速算法，newman贪婪算法，还有基于谱的聚类算法等；光谱聚类 算法是通过分析拉普拉斯矩阵或由邻接矩阵形成的标准矩阵的特征值和特征向量来发现网 络中的社区；基于模块化的算法包含模块化优化算法和改进的模块化算法。模块化优化算 法是通过以模块化函数为优化目标来检测网络中的社区。常用的算法有贪婪算法，模拟退 火算法，louvain算法等；改进的模块化算法采用改进的模块化函数，将模块化应用于不同 类型的网络实现社区发现。
5.集体社交行为的研究在社交网络中是分析社区和网络基础的关键，准确提取出在线社 交网络中的集体社交行为具有重要意义。例如通过回购率、销量和不同地区来源等方面研 究网络购物的从众心理；建立社会社区集体行为特征模型揭示集体行为和社区主题之间的 关系；分析社交数据中的集体行为发现用户可以将自己的偏好感受传递给有连接的其他用 户，使得他们逐渐分享相同或相似的主观感受。
6.现有方法存在的问题在于：提取社交行为的过程中仅考虑了社交网络中社区的结构特 征，忽略了社交网络中节点本身的语义信息，并且对于表现出明显不同于个体语义行为特 征的集体社交行为很难被准确提取出来。据此，我们提取出社交网络中的语义信息，通过 社区发现将社交网络中具有相似行为的用户形成一个社区，从而准确地提取出社交
网络中 的集体社交行为。


技术实现要素：

7.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
8.为此，本发明的一个目的在于提出一种基于社区发现的集体社交行为的提取方法，该 方法解决了现有技术对明显不同于个体语义行为特征的集体社交行为很难准确提取，所导 致能表现在线社交网络的集体社交行为准确度不高，鲁棒性不足的技术问题。
9.本发明的另一个目的在于提出一种基于社区发现的集体社交行为的提取系统。
10.为达到上述目的，本发明一方面实施例提出了基于社区发现的集体社交行为的提取方 法，包括以下步骤：步骤s1，抓取社交网络中多个用户发表的帖子作为初始数据集，并对 所述初始数据集进行清洗、分词处理，得到数据集；步骤s2，利用lda模型处理所述数 据集，生成多个主题和每条帖子的主题分布；步骤s3，构造基于稀疏表达的相似度计算函 数求解每个帖子与所述主题分布的相似度，得到亲和矩阵；步骤s4，基于自适应损失函数 和所述亲和矩阵构建社区发现算法，以确定目标函数；步骤s5，使用交替迭代法使所述目 标函数不断学习，得到所述亲和矩阵中同一主题下每个帖子之间的连通分量，以构建目标 相似度矩阵确定社区网络中的社区结构；步骤s6，引入node2vec模型将所述社区结构可视 化，根据所述社区结构中中节点的分布情况提取集体社交行为。
11.本发明实施例的基于社区发现的集体社交行为的提取方法，利用自适应损失函数学习 相似度矩阵，高质量地处理了社交网络的初始数据信息，完成了社交网络的重构与社区发 现，保证输出的社区结构具有较高的内聚性及稳定性，不仅实现了在线社交网络的集体社 交行为提取，还使结果具有优良的准确度与鲁棒性。
12.另外，根据本发明上述实施例的基于社区发现的集体社交行为的提取方法还可以具有 以下附加的技术特征：
13.进一步地，在本发明的一个实施例中，所述亲和矩阵为：
[0014][0015]
其中，c
i,j
为亲和矩阵的第i行j列的值，m为自适应用户的邻居个数，为 节点i和j主题分布的l2-norm。
[0016]
进一步地，在本发明的一个实施例中，所述目标函数为：
[0017]
min
s,f
||c
(v)-s||
σ
+εtr(f
t
lf)
[0018]
s.t.1
t
si＝1,s
i,j
≥0,f
t
f＝i
[0019]
其中，s为目标变量，c为亲和矩阵，σ为自适应参数，ε为平衡因子，f为聚类指 示矩阵，l为目标变量的拉普拉斯矩阵，tr()为迹，1
t
si为s第i列的所有值之和，s
i,j
为s 第i行j列的值，i为单位矩阵。
[0020]
进一步地，在本发明的一个实施例中，所述步骤s5具体为：利用交替迭代法，先固定 聚类指示矩阵求解目标变量，再固定所述目标变量求解所述聚类指示矩阵，直至所述目
标 变量的相对变化小于10-3
或者迭代次数大于150次，得到同一主题下每个帖子之间的连通 分量，进而构建所述目标相似度矩阵确定社区网络中的社区结构。
[0021]
进一步地，在本发明的一个实施例中，所述步骤s6中提取集体社交行为的方法为：若 所述社区结构的中节点分布稀疏，则采用最小化的圆覆盖社区中所有节点，取离圆中心最 近的节点作为所述集体社交行为；若所述社区结构的中节点分布密集，则使用中心度提取 所述集体社交行为。
[0022]
为达到上述目的，本发明另一方面实施例提出了基于社区发现的集体社交行为的提取 系统，包括：获取和预处理模块，用于抓取社交网络中多个用户发表的帖子作为初始数据 集，并对所述初始数据集进行清洗、分词处理，得到数据集；主题分布生成模块，用于利 用lda模型处理所述数据集，生成多个主题和每条帖子的主题分布；构建亲和矩阵模块， 用于构造基于稀疏表达的相似度计算函数求解每个帖子与所述主题分布的相似度，得到亲 和矩阵；确定目标函数模块，用于基于自适应损失函数和所述亲和矩阵构建社区发现算法， 以确定目标函数；迭代学习模块，用于使用交替迭代法使所述目标函数不断学习，得到所 述亲和矩阵中同一主题下每个帖子之间的连通分量，以构建目标相似度矩阵确定社区网络 中的社区结构；提取集体社交行为模块，用于引入node2vec模型将所述社区结构可视化， 根据所述社区结构中中节点的分布情况提取集体社交行为。
[0023]
本发明实施例的基于社区发现的集体社交行为的提取系统，利用自适应损失函数学习 相似度矩阵，高质量地处理了社交网络的初始数据信息，完成了社交网络的重构与社区发 现，保证输出的社区结构具有较高的内聚性及稳定性，不仅实现了在线社交网络的集体社 交行为提取，还使结果具有优良的准确度与鲁棒性。
[0024]
另外，根据本发明上述实施例的基于社区发现的集体社交行为的提取系统还可以具有 以下附加的技术特征：
[0025]
进一步地，在本发明的一个实施例中，所述亲和矩阵为：
[0026][0027]
其中，c
i,j
为亲和矩阵的第i行j列的值，m为自适应用户的邻居个数，为 节点i和j主题分布的l2-norm。
[0028]
进一步地，在本发明的一个实施例中，所述目标函数为：
[0029]
min
s,f
||c
(v)-s||
σ
+εtr(f
t
lf)
[0030]
s.t.1
t
si＝1,s
i,j
≥0,f
t
f＝i
[0031]
其中，s为目标变量，c为亲和矩阵，σ为自适应参数，ε为平衡因子，f为聚类指 示矩阵，l为目标变量的拉普拉斯矩阵，tr()为迹，1
t
si为s第i列的所有值之和，s
i,j
为s 第i行j列的值，i为单位矩阵。
[0032]
进一步地，在本发明的一个实施例中，所述迭代学习模块具体用于：利用交替迭代法， 先固定聚类指示矩阵求解目标变量，再固定所述目标变量求解所述聚类指示矩阵，直至所 述目标变量的相对变化小于10-3
或者迭代次数大于150次，得到同一主题下每个帖子
之间 的连通分量，进而构建所述目标相似度矩阵确定社区网络中的社区结构。
[0033]
进一步地，在本发明的一个实施例中，所述提取集体社交行为模块中提取集体社交行 为的方法为：若所述社区结构的中节点分布稀疏，则采用最小化的圆覆盖社区中所有节点， 取离圆中心最近的节点作为所述集体社交行为；若所述社区结构的中节点分布密集，则使 用中心度提取所述集体社交行为。
[0034]
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明 显，或通过本发明的实践了解到。
附图说明
[0035]
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和 容易理解，其中：
[0036]
图1是本发明一个实施例的基于社区发现的集体社交行为的提取方法的流程图；
[0037]
图2是本发明一个实施例的模块度随主题数变化的结果示意图；
[0038]
图3是本发明一个实施例的node2vec模型对相似度矩阵的可视化结果图；
[0039]
图4是本发明一个实施例的集体社交行为提取结果图；
[0040]
图5是本发明一个实施例现有ncut、louvain以及can算法与本技术的模块度比对 分析图；
[0041]
图6是本发明一个实施例的基于社区发现的集体社交行为的提取系统的结构示意图。
具体实施方式
[0042]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同 或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描 述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0043]
下面参照附图描述根据本发明实施例提出的基于社区发现的集体社交行为的提取方 法及系统，首先将参照附图描述根据本发明实施例提出的基于社区发现的集体社交行为的 提取方法。
[0044]
图1是本发明一个实施例的基于社区发现的集体社交行为的提取方法的流程图。
[0045]
如图1所示，该基于社区发现的集体社交行为的提取方法及系统包括以下步骤：
[0046]
在步骤s1中，抓取社交网络中多个用户发表的帖子作为初始数据集，并对初始数据 集进行清洗、分词处理，得到数据集。
[0047]
具体地，在线社交网络数据信息可以通过python编写爬虫程序在社交网页抓取帖 子获取，例如基于用户关系的社交媒体平台微博。在得到数据信息后，为了保证实验 结果的准确度，对数据集进行清洗(例如去除广告，重复，简短类帖子)，分词(jieba 分词)处理，得到数据集。
[0048]
在步骤s2中，利用lda模型处理数据集，生成多个主题和每条帖子的主题分布。
[0049]
具体地，利用lda模型处理数据集，生成t个主题，任意节点vi可以属于一个主题 或多个主题(即主题分布)，以浮点数表示节点vi所属主题的概率。lda模型的生成过程 对应如下联合分布：
[0050][0051]
其中，θd＝dirichlet(α)为主题分布，βd＝dirichlet(η)为词分布；z
d,n
为主题编号，w
d,n
为词概率，参数α和η为超参数向量，d∈d，主题z
d,n
取决于用户发表的文本信息 的主题分布θd；单词w
d,n
取决于所有主题的词分布β
1,k
和主题z
d,n
。数据将以矩阵的形 式存储，以x表示该矩阵，其中行表示节点vi所属主题z
d,n
的概率，列表示节点特征向 量。
[0052]
在步骤s3中，构造基于稀疏表达的相似度计算函数求解每个帖子与主题分布的相似 度，得到亲和矩阵。
[0053]
具体地，本发明实施例通过计算特征向量之间的相似度得到亲和矩阵，使社交网 络中的关联度较大的用户之间(用户发表的语义信息之间所对应的特征向量距离较小) 对应一个较大的相似度值，关联度较小的用户之间对应的相似度值较小甚至是零相似 度，进而得到亲和矩阵，完成社交网络的重构，其中，可以通过解决下面的问题得到亲 和矩阵：
[0054][0055]
其中，为步骤s2得到的数据矩阵，d为社交网络中语义信息的特征的维数 (主题个数)，n为数据个数(社交网络中用户的个数)；它的第j个列向量表示为xj，第i,j 个元素表示为x
i,j
；α为稀疏调节因子。经过计算和推导可得到结果：
[0056][0057]
其中，并且会将其从小到大进行排序，使c
i,j
的学习满足且 m为自适应用户的邻居个数。使用公式(3)将得到的社交网络的亲和矩阵c， 根据亲和矩阵可得知用户之间存在的连接关系。公式(3)所示的计算方法相比于全连接图 和k近邻图(余弦相似度，高斯核相似度等计算获得)等固定的连接图结构，能够自适应 用户的邻居个数m。这样构造出的亲和矩阵能准确的反映社交网络中用户之间的关系，能 够弥补谱聚类对节点相似度要求较高的劣势，使后续进行社区发现的效果更好。
[0058]
在步骤s4中，基于自适应损失函数和亲和矩阵构建社区发现算法，以确定目标函数。
[0059]
具体地，本发明实施例选用使用l1-norm和l2-norm来构造损失函数，l1-norm构造的 损失函数对较大的离群点不敏感，但对较小的离群点很敏感的缺点；l2-norm恰好相反，而 自适应损失函数中和了上述的两个问题。函数定义如下：
[0060][0061]
通过公式(3)重构出社交网络的亲和矩阵c后，为了学习到最优的相似度矩阵s，提 出如下目标函数：
[0062][0063]
其中，l为s的拉普拉斯矩阵，rank(l)＝n-k为秩约束，使得相似度矩阵s具有k个 连通分量。为了避免出现异常节点(没有任何邻居)，设置约束1
t
si＝1，使得s每一行的 和都为1。
[0064]
然而，l依赖目标变量s，并且秩约束式非线性，导致公式(5)难以求解。所以令λi(l) 表示l的第i小的特征值，如果l的前k个最小特征值满足秩约束就得到了满 足。给定平衡因子ε，公式(5)就能表示为：
[0065][0066]
根据fan的理论，可知
[0067][0068]
其中，f＝{f1,f2,
…
,fk}为聚类指示矩阵。将公式(7)代入公式(6)能得到：
[0069][0070]
公式(8)即为最终的目标函数，目标变量s具有k个连通分量，即使用该算法能直接 得到最终的社区发现结果，其中，s为目标变量，c为亲和矩阵，σ为自适应参数，ε为 平衡因子，f为聚类指示矩阵，l为目标变量的拉普拉斯矩阵，tr()为迹，1
t
si为s第i列 的所有值之和，s
i,j
为s第i行j列的值，i为单位矩阵。
[0071]
在步骤s5中，使用交替迭代法使目标函数不断学习，得到亲和矩阵中同一主题下每 个帖子之间的连通分量，以构建目标相似度矩阵确定社区网络中的社区结构。
[0072]
进一步地，在本发明的一个实施例中，步骤s5具体包括：利用交替迭代法，先固定 聚类指示矩阵求解目标变量，再固定目标变量求解聚类指示矩阵，直至目标变量的相对变 化小于10-3
或者迭代次数大于150次，得到同一主题下每个帖子之间的连通分量，进而构 建目标相似度矩阵确定社区网络中的社区结构。
[0073]
具体而言，使用交替迭代法求解目标函数，更新一个变量的同时，保持其他变量不变， 如下所示：
[0074]
(1)固定聚类指示矩阵f，求目标变量s。
[0075]
当聚类指示矩阵f被固定后，利用拉普拉斯矩阵性质可 将公式(8)变为：
[0076][0077]
定义矩阵其中，为e的第i列，它的第j个元素为因为s中每一行具有独立性，可将公式(9)以向量形式写出：
[0078][0079]
其中，si为目标相似度矩阵s的第i行元素构成的列向量，ci为亲和矩阵的第i行元素构成 的列向量；ui的取值为：
[0080][0081]
对公式(10)进行化简得：
[0082][0083]
令利用拉格朗日乘子法，有其中η，ξ为拉格朗日乘子，前者为标量，后者为向量。根据kkt条件有：
[0084][0085]
又由于1
t
si＝1,根据公式(13)中的1式有将其代入公式(13)，得 到最优解如下：
[0086][0087]
令对任意j有根据公式(13)得到：
[0088][0089]
因此只需要确定就能得到最优解根据公式(15)和公式(13)就能得到：
[0090][0091]
由于因此的最优解为定义一个关于ξ
*
的函数 当f(ξ
*
)＝0就能确定由于ξ
*
≥0，并且f'(ξ
*
)≤0是 分段线性凸函数，所以f'(ξ
*
)＝0的根可以利用newton法解决，即
[0092][0093]
(2)固定目标变量s，求聚类指示矩阵f
[0094]
当目标变量s被固定后，相当于求解以下问题：
[0095][0096]
此时聚类指示矩阵f的最优解为拉普拉斯矩阵l前k个最小特征值对应的特征向量组 成。
[0097]
不断迭代上述两个过程，直至目标变量s的相对变化小于10-3
或者迭代次数大于150 次，完成迭代学习。
[0098]
在步骤s6中，引入node2vec模型将社区结构可视化，根据社区结构中中节点的分布 情况提取集体社交行为。
[0099]
具体地，本发明实施例为了更容易理解和分析社交网络的集体社交行为，可以将社区 发现的结果以可视化结果进行表示。因此引入node2vec图嵌入模型，它是一种节点向量化 模型，从截断的随机游走中获得局部信息，将节点视作词项，将游走视为句子来学习潜在 表示，通过改变随机游走序列的生成方式进一步扩展了deepwalk算法。
[0100]
然后，对集体社交行为进行提取，若社区结构的中节点分布稀疏，则采用最小化的圆 覆盖社区中所有节点，取离圆中心最近的节点作为集体社交行为；若社区结构的中节点分 布密集，则使用中心度提取集体社交行为。
[0101]
下面通过两个具体实施例对本发明实施例提出的基于社区发现的集体社交行为的提取 方法进一步说明。
[0102]
具体实施例一
[0103]
利用爬虫从新浪微博抓取了2021年3月1日到2021年3月5日期间用户发表的10176 条的帖子。对数据集进行清洗(去除广告，重复，简短等帖子)，留下了1584条帖子作为 初始数据集。对语义信息进行jieba分词后可得数据集，如下：
[0104]
1：正业 科技 株洲市 国有资产 投资控股集团
……
通力合作 建设 半导体 无损 检 测 智能
[0105]
2：好奇 马自达 压燃 火花塞 机械 增压
……
安定 因素 出借 人数 万次 合法 途 径
[0106]
3：俄罗斯 矢量 科学 中心 主任 新冠 疫情
……
候选 疫苗 第二期 研究 中位 安 全性
[0107]
4：中国 成功 研发 疫苗 三栖 储运
……
业务 扬州 基地 海陆空 多种 长途运输 方式
[0108]
……
[0109]
1584：晚间 新闻 黄色 预警 小心 道路 结冰 新规 事关 教育
……
越来越 匹配 菜市场
[0110]
利用lda模型生成t个主题和每条帖子的主题分布，主题数的确定依据评价指标模块 度q，如附图2所示，据此选择主题数为30，最终得到数据矩阵(30
×
1584)如下：
[0111][0112]
根据公式(3)可得微博数据的亲和矩阵(1584
×
1584)：
[0113][0114]
根据基于自适应损失函数的社区发现算法，学习到具有指定数目连通分量的相似度矩 阵(1584
×
1584)如下：
[0115][0116]
引入node2vec图嵌入模型对相似度矩阵进行可视化，结果如附图3所示。最后使用两种不 同的方法对社交网络进行集体社交行为的提取，分别用两种不同的图形标出，方法1为菱 形，方法2为五角星，如附图4所示。
[0117]
具体实施例二
[0118]
选取现有ncut、louvain以及can算法与本发明提出的提取方法进行比对实现，用 webkb、bbc新闻报道和20ngs新闻文档数据集作为验证数据，用模块度q衡量社区发 现结果的稳定性及凝聚力，验证结果如图5所示，可以发现本发明实施例在性能上都处于 领先的位置。
[0119]
根据本发明实施例提出的基于社区发现的集体社交行为的提取方法，利用自适应 损失函数学习相似度矩阵，高质量地处理了社交网络的初始数据信息，完成了社交网 络的重构与社区发现，保证输出的社区结构具有较高的内聚性及稳定性，不仅实现了 在线社交
网络的集体社交行为提取，还使结果具有优良的准确度与鲁棒性。
[0120]
其次参照附图描述根据本发明实施例提出的基于社区发现的集体社交行为的提取系 统。
[0121]
图6是本发明一个实施例的基于社区发现的集体社交行为的提取系统。
[0122]
如图6所示，该系统10包括：获取和预处理模块100、主题分布生成模块200、构建 亲和矩阵模块300、确定目标函数模块400、迭代学习模块500和提取集体社交行为模块 600。
[0123]
其中，获取和预处理模块100用于抓取社交网络中多个用户发表的帖子作为初始数据 集，并对初始数据集进行清洗、分词处理，得到数据集；主题分布生成模块200用于利用 lda模型处理数据集，生成多个主题和每条帖子的主题分布；构建亲和矩阵模块300用于 构造基于稀疏表达的相似度计算函数求解每个帖子与主题分布的相似度，得到亲和矩阵。 确定目标函数模块400用于基于自适应损失函数和亲和矩阵构建社区发现算法，以确定目 标函数。迭代学习模块500用于使用交替迭代法使目标函数不断学习，得到亲和矩阵中同 一主题下每个帖子之间的连通分量，以构建目标相似度矩阵确定社区网络中的社区结构。 提取集体社交行为模块600用于引入node2vec模型将社区结构可视化，根据社区结构中中 节点的分布情况提取集体社交行为。
[0124]
进一步地，在本发明的一个实施例中，亲和矩阵为：
[0125][0126]
其中，c
i,j
为亲和矩阵的第i行j列的值，m为自适应用户的邻居个数，为 节点i和j主题分布的l2-norm。
[0127]
进一步地，在本发明的一个实施例中，目标函数为：
[0128]
min
s,f
||c
(v)-s||
σ
+εtr(f
t
lf)
[0129]
s.t.1
t
si＝1,s
i,j
≥0,f
t
f＝i
[0130]
其中，s为目标变量，c为亲和矩阵，σ为自适应参数，ε为平衡因子，f为聚类指 示矩阵，l为目标变量的拉普拉斯矩阵，tr()为迹，1
t
si为s第i列的所有值之和，s
i,j
为s 第i行j列的值，i为单位矩阵。
[0131]
进一步地，在本发明的一个实施例中，迭代学习模块500具体用于：
[0132]
利用交替迭代法，先固定聚类指示矩阵求解目标变量，再固定目标变量求解聚类指示 矩阵，直至目标变量的相对变化小于10-3
或者迭代次数大于150次，得到同一主题下每个 帖子之间的连通分量，进而构建目标相似度矩阵确定社区网络中的社区结构。
[0133]
进一步地，在本发明的一个实施例中，提取集体社交行为模块600中提取集体社交行 为的方法为：若社区结构的中节点分布稀疏，则采用最小化的圆覆盖社区中所有节点，取 离圆中心最近的节点作为集体社交行为；若社区结构的中节点分布密集，则使用中心度提 取集体社交行为。
[0134]
需要说明的是，前述对基于社区发现的集体社交行为的提取方法实施例的解释说
明也 适用于该实施例的系统，此处不再赘述。
[0135]
根据本发明实施例提出的基于社区发现的集体社交行为的提取系统，利用自适应损 失函数学习相似度矩阵，高质量地处理了社交网络的初始数据信息，完成了社交网络 的重构与社区发现，保证输出的社区结构具有较高的内聚性及稳定性，不仅实现了在 线社交网络的集体社交行为提取，还使结果具有优良的准确度与鲁棒性。
[0136]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者 隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐 含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三 个等，除非另有明确具体的限定。
[0137]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、 或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包 含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须 针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一 个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技 术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合 和组合。
[0138]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的， 不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例 进行变化、修改、替换和变型。