一种适用于符号网络的网络分解方法

本发明属于互联网，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：

1、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。

2、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。

3、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。

技术实现思路

1、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。

2、本发明的具体步骤如下：

3、步骤(1)、构建符号网络g＝(v,e+,e-)，其中v＝{v1,v1,…,vn}表示符号网络中所有节点构成的集合，n表示符号网络中的总节点个数，表示符号网络中所有正边所构成的集合，表示符号网络中所有负边所构成的集合，p和q分别为符号网络中正边和负边的数量。

4、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。

5、提取三元组：设定p为包含(vi,vj,vk)三个节点的三元组，vi,vj,vk∈v，其中节点vi和节点vj具有正连接，节点vi和节点vk具有负连接：p＝{(vi,vj,vk)|ei,j＝1,ei,k＝-1}；

6、扩展的结构平衡理论认为，对于一个三元组(vi,vj,vk)∈p，在一定的相似性度量条件下，vi与具有正连接的vj的相似性程度大于与vi具有负连接的vk，数学模型表示为：f(xi,xj)≥f(xi,xk)+δ；其中xi、xj、xk分别是vi、vj、vk的维度为d的低维向量表示，f(·,·)是衡量节点之间的相似性函数，参数δ用于调节这两中相似性之间的差异，随着δ的增加，使得vi与vj的相似性提高，vi与vk之间的相似性减小。

7、在符号网络中，若vi与vj以及vi与vk之间只有仅包含正连接或负连接，则仅包含正连接或负连接的三元组p′＝{(vi,vj,vk)|ei,j＝±1,ei,k＝±1}，无法学习节点vi的d维向量表示，需引入一个虚拟节点v0，p′产生两个三元组p1和p2，(vi,vj,v0)∈p1，(vi,vk,v0)∈p2；假设vi与vj有正边，vi与v0有负边，得到类似的节点相似性数学模型表示：f(xi,xj)≥f(xi,x0)+δ0；其中xi、xj、x0，分别是vi、vj、v0的d维向量表示，参数δ0用于调节这两中相似性之间的差异，随着δ0的增加，使得vi与vj的相似性提高，vi与v0之间的相似性减小。

8、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：

9、其中，训练集的大小c＝|p|+|p0|，p0为p1或p2，x＝{x1,x2,…,xm}为m个节点的低维表示；θ是所定义节点相似性函数f的参数集合，θ＝{w11,w12,w2,wt,b1,b2,b}，w11、w12、w2、wt为各层网络权重，b1、b2、b为偏差；r(θ)为避免训练过拟合的正则化器，α是控制正则化器的参数，||·||f表示frobenius范数，定义为向量各项元素的绝对值平方的总和；||·||2表示l2范数，定义为向量所有元素平方和的开平方；f(xi,xj)和f(xi,xk)两个隐藏层的最终输出，输出形式为：f(xi,xj)＝tanh(wtz21+b)，f(xi,xk)＝tanh(wtz22+b)，z21和z22表示为第二层隐藏层的输出，tanh(·)为双曲正切函数，作为该深度神经网络中的激活函数。

10、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。

11、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，x0作为虚拟节点的向量表示，基于小批量随机梯度下降进行训练，不断更新参数集合θ中的参数和节点的初始化向量，直至算法收敛，得到最终的网络中每个节点的向量表示集合x，每个向量表示用于刻画对应节点与其邻居之间的相似程度。

12、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。

13、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。

14、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。

15、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：s(q)表示移除q个节点后网络中最大连通片的大小，n表示网络节点总数量。

16、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。