基于分塊檢測的社區網絡敏感信息聚類算法

王學軍

（廣州華立學院，廣州 511325）

0 引言

隨著虛擬網絡和社區網絡信息傳播數量的不斷增強，社區網絡的多維度聯動、多主體參與性特征越來越明顯，結合運行機制及危機治理模式化運行，需要建立社區網絡敏感特征信息檢測模型，通過探究影響網絡輿情熱度的主要因素，采用主題詞和敏感詞特征分析方法，實現對無線虛擬社區網絡敏感性的影響因素和情感分析，提高無線虛擬社區網絡敏感信息檢測能力［1］。

當前，對無線虛擬社區網絡敏感特征信息聚類方法主要有K-Means 聚類法、社區網絡敏感區域模糊聚類方法、智能仿生群聚類方法等，建立無線虛擬社區網絡敏感特征信息的特征提取和大數據融合模型［2］，通過相應的融合聚類算法，實現對無線虛擬社區網絡敏感特征檢測。文獻［3］中提出基于權重差異度的動態模糊聚類算法，采用加權自適應學習實現大數據聚類，但該方法的計算開銷較大，實時性不好。文獻［4］中提出優化子空間的高維聚類算法，通過社區網絡敏感特征信息分塊層次結構設計，提高數據聚類的精度，但該方法的模糊度較大，特征聚類性不好。針對上述問題，本文提出基于分塊文本相似度檢測的無線虛擬社區網絡敏感特征信息網格強化聚類算法。首先采用異構有向圖分析方法進行無線虛擬社區網絡敏感特征信息存儲結構設計，然后采用分塊文本相似度檢測的方法實現對社區網絡敏感特征信息譜密度特征提取和融合聚類處理。最后進行仿真測試分析，展示了本文方法在提高無線虛擬社區網絡敏感特征信息網格強化聚類能力方面的優越性能。

1 敏感特征信息結構分析和特征提取

1.1 無線虛擬社區網絡敏感特征信息結構分析

采用有向圖模型構建無線虛擬社區網絡敏感特征信息的聚類節點分布結構模型，引入知識圖譜提升推薦方法，得到無線虛擬社區網絡敏感特征信息的異構存儲結構模型［5］，計算無線虛擬社區網絡敏感特征信息的模糊聚類特征分布集，得到融合度函數定義為：

其中，xi，yi，zi分別表示敏感特征參數分布集，采用語義本體模型構造的方法，進行無線虛擬社區網絡敏感特征信息表達，分析無線虛擬社區網絡敏感特征信息集統計差異分布特性，采用分段線性擬合方法進行無線虛擬社區網絡敏感特征信息譜聚類，得到每個社區網絡敏感特征插值點的實際值為：

其中：dm＋1（m）為無線虛擬社區網絡敏感特征信息集在第m點的預測值，dk＋1（m）為采用第m點處采集的無線虛擬社區網絡敏感特征信息的模糊性特征量。根據無線虛擬社區網絡敏感特征信息的特征提取結果［6］，采用回歸分析方法建立無線虛擬社區網絡敏感特征信息聚類模型，得到模糊回歸分布系數為：

其中，Mi表示無線虛擬社區網絡敏感特征信息聚類的中位數；Lm為無線虛擬社區網絡敏感特征信息聚類的下界；fm為無線虛擬社區網絡敏感特征信息的中位數；fless表示各維度下無線虛擬社區網絡敏感特征信息的最小統計特征量。

1.2 網絡敏感特征信息特征提取

分析無線虛擬社區網絡敏感特征信息的自相關特征量，通過對數據的模糊聚類和線性規劃設計，得到無線虛擬社區網絡敏感特征信息的狀態特征分布集為p（x0），構建資源聚類的節點分布模型，在大數據背景下進行無線虛擬社區網絡敏感特征信息網格強化聚類優化設計［7］，假設無線虛擬社區網絡敏感特征信息聚類節點圖模型屬性集為X ＝｛x1，x2，…，xn｝，采用語義本體模型構造的方法，進行無線虛擬社區網絡敏感特征信息分析，通過自相關特征匹配方法，求得無線虛擬社區網絡敏感特征信息的關聯規則概念集，對無線虛擬社區網絡敏感特征信息進行粗糙集調度，得到對貼近度φ1定義為：

2 信息融合聚類

2.1 敏感特征信息結構重組

采用網格化的數據采樣，得到無線虛擬社區網絡敏感特征信息標量時間序列為x（t），并且t ＝0，1，…，n -1，給定無線虛擬社區網絡敏感特征信息信息流的一向量組x1，x2，…，xn∈Cm（m維復數空間），將無線虛擬社區網絡敏感特征信息聚類的特征提取問題轉化為一個二元語義決策問題，無線虛擬社區網絡敏感特征信息聚類的模糊特征匹配評價指標集為Ek∈E（k ＝1，2，…，t），采用主題詞匹配的方法，分析X的相似度函數，得到無線虛擬社區網絡敏感特征信息的模糊隸屬度函數為：

其中，xj（k），xi（k）分別表示社區網絡敏感特征信息聚類參數，采用決策樹模型進行無線虛擬社區網絡敏感特征信息的特征重構，得到無線虛擬社區網絡敏感特征信息的模糊信息加權權重向量vi，無線虛擬社區網絡敏感特征信息的相關特征分布矩陣表示為：

其中，c為無線虛擬社區網絡敏感特征信息聚類的搜索步數，μik為無線虛擬社區網絡敏感特征信息的語義關聯度決策系數。根據上述分析，進行無線虛擬社區網絡敏感特征信息的特征分析和優化調度，得到無線虛擬社區網絡敏感特征信息的模糊聚類中心為di，在融合聚類中心滿足m→1 時，snξ→tanhξ，采用分塊特征演化方法，進行無線虛擬社區網絡敏感特征信息的關聯特征檢測，結合模糊相關性融合的方法，進行無線虛擬社區網絡敏感特征信息的網格強化聚類分析［9-11］。

2.2 譜密度聚類分析

采用模糊C 均值聚類方法進行無線虛擬社區網絡敏感特征信息的網格強化聚類和屬性分類識別，結合特征空間重組技術進行無線虛擬社區網絡敏感特征信息結構重組，提取無線虛擬社區網絡敏感特征信息的關聯信息特征量，得到無線虛擬社區網絡敏感特征信息的在線聚類準則為：

無線虛擬社區網絡敏感特征信息聚類節點的深度學習加權系數為We ＝（ωj（e），0）。修正每個無線虛擬社區網絡敏感特征信息聚類自適應加權學習系數vi，得到無線虛擬社區網絡敏感特征信息聚類有效性評價矩陣R ＝（rij，aij）m×n和指標權重W ＝（（ω1，β1），（ω2，β2），…，（ωn，βn）），通過譜密度聚類，得到無線虛擬社區網絡敏感特征信息的約束規劃模型為：

此時，無線虛擬社區網絡敏感特征信息聚類的最優評價集記為L1，…，Ln和，根據稀疏化特征值分析無線虛擬社區網絡敏感特征信息的傳輸碼元，當碼元個數為Nf個，無線虛擬社區網絡敏感特征信息譜采樣時間間隔為Tf，無線虛擬社區網絡敏感特征信息的優化聚類模型為：

其中，cosinij→x（dij，dxv）為無線虛擬社區網絡敏感特征信息的融合聚類特征集，綜上分析，實現對社區網絡敏感特征信息譜密度融合聚類處理［12］。

3 仿真測試

采用C＋＋和Matlab 7 混合編程進行無線虛擬社區網絡敏感特征信息聚類的算法處理，在Hadoop 云平臺中構建無線虛擬社區網絡敏感特征信息數據庫結構模型，無線虛擬社區網絡敏感特征信息大數據分布的初始樣本規模為1 200，模糊系數m設為2，社區網絡敏感特征采樣集的相似度為0.38，根據上述仿真參數設定，進行無線虛擬社區網絡敏感特征信息采樣，無線虛擬社區網絡敏感特征信息的時域分布如圖1 所示。

圖1 無社區網絡敏感特征信息數據的時域波形Fig. 1 Time domain waveform of sensitive characteristic information data of community-free network

這里，以圖1 中的數據為研究對象，對提取的無線虛擬社區網絡敏感特征信息特征量進行模糊聚類處理，提取無線虛擬社區網絡敏感特征信息的譜特征量，實現網格強化聚類，得到數據聚類輸出如圖2所示。

分析圖2 仿真結果得知，本文方法能有效實現對無線虛擬社區網絡敏感特征信息融合聚類處理，測試對社區網絡敏感信息的分塊檢測準確性，得到誤分率對比結果如圖3 所示。分析圖3 得知，采用該方法進行社區網絡敏感特征信息譜密度融合的聚類性較好，對社區網絡敏感信息的分塊檢測能力較強。

圖2 數據聚類輸出Fig. 2 Data clustering output

圖3 誤分率對比Fig. 3 Comparison of error rate

4 結束語

通過對虛擬社區網絡敏感特征信息融合聚類處理，提高對虛擬社區網絡敏感特征信息檢測能力，建立社區網絡敏感特征信息檢測模型，本文提出基于分塊文本相似度檢測的無線虛擬社區網絡敏感特征信息網格強化聚類算法，分析無線虛擬社區網絡敏感特征信息集統計差異分布特性，采用分段線性擬合方法進行無線虛擬社區網絡敏感特征信息譜聚類，采用分塊特征演化方法，進行無線虛擬社區網絡敏感特征信息的關聯特征檢測，結合模糊相關性融合的方法，實現對信息的譜密度融合聚類。分析得知，本文方法對社區網絡敏感特征信息譜密度融合的聚類性較好，提高了社區網絡敏感信息的分塊檢測能力。