王學(xué)軍

（廣州華立學(xué)院，廣州 511325）

0 引言

隨著虛擬網(wǎng)絡(luò)和社區(qū)網(wǎng)絡(luò)信息傳播數(shù)量的不斷增強(qiáng)，社區(qū)網(wǎng)絡(luò)的多維度聯(lián)動(dòng)、多主體參與性特征越來越明顯，結(jié)合運(yùn)行機(jī)制及危機(jī)治理模式化運(yùn)行，需要建立社區(qū)網(wǎng)絡(luò)敏感特征信息檢測(cè)模型，通過探究影響網(wǎng)絡(luò)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(shí)現(xiàn)對(duì)無線虛擬社區(qū)網(wǎng)絡(luò)敏感性的影響因素和情感分析，提高無線虛擬社區(qū)網(wǎng)絡(luò)敏感信息檢測(cè)能力［1］。

當(dāng)前，對(duì)無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息聚類方法主要有K-Means 聚類法、社區(qū)網(wǎng)絡(luò)敏感區(qū)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(qū)網(wǎng)絡(luò)敏感特征信息的特征提取和大數(shù)據(jù)融合模型［2］，通過相應(yīng)的融合聚類算法，實(shí)現(xiàn)對(duì)無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征檢測(cè)。文獻(xiàn)［3］中提出基于權(quán)重差異度的動(dòng)態(tài)模糊聚類算法，采用加權(quán)自適應(yīng)學(xué)習(xí)實(shí)現(xiàn)大數(shù)據(jù)聚類，但該方法的計(jì)算開銷較大，實(shí)時(shí)性不好。文獻(xiàn)［4］中提出優(yōu)化子空間的高維聚類算法，通過社區(qū)網(wǎng)絡(luò)敏感特征信息分塊層次結(jié)構(gòu)設(shè)計(jì)，提高數(shù)據(jù)聚類的精度，但該方法的模糊度較大，特征聚類性不好。針對(duì)上述問題，本文提出基于分塊文本相似度檢測(cè)的無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息網(wǎng)格強(qiáng)化聚類算法。首先采用異構(gòu)有向圖分析方法進(jìn)行無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息存儲(chǔ)結(jié)構(gòu)設(shè)計(jì)，然后采用分塊文本相似度檢測(cè)的方法實(shí)現(xiàn)對(duì)社區(qū)網(wǎng)絡(luò)敏感特征信息譜密度特征提取和融合聚類處理。最后進(jìn)行仿真測(cè)試分析，展示了本文方法在提高無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息網(wǎng)格強(qiáng)化聚類能力方面的優(yōu)越性能。

1 敏感特征信息結(jié)構(gòu)分析和特征提取

1.1 無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息結(jié)構(gòu)分析

采用有向圖模型構(gòu)建無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的聚類節(jié)點(diǎn)分布結(jié)構(gòu)模型，引入知識(shí)圖譜提升推薦方法，得到無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的異構(gòu)存儲(chǔ)結(jié)構(gòu)模型［5］，計(jì)算無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的模糊聚類特征分布集，得到融合度函數(shù)定義為：

其中，xi，yi，zi分別表示敏感特征參數(shù)分布集，采用語義本體模型構(gòu)造的方法，進(jìn)行無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息表達(dá)，分析無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息集統(tǒng)計(jì)差異分布特性，采用分段線性擬合方法進(jìn)行無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息譜聚類，得到每個(gè)社區(qū)網(wǎng)絡(luò)敏感特征插值點(diǎn)的實(shí)際值為：

其中：dm＋1（m）為無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息集在第m點(diǎn)的預(yù)測(cè)值，dk＋1（m）為采用第m點(diǎn)處采集的無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的模糊性特征量。根據(jù)無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的特征提取結(jié)果［6］，采用回歸分析方法建立無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息聚類模型，得到模糊回歸分布系數(shù)為：

其中，Mi表示無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息聚類的中位數(shù)；Lm為無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息聚類的下界；fm為無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的中位數(shù)；fless表示各維度下無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的最小統(tǒng)計(jì)特征量。

1.2 網(wǎng)絡(luò)敏感特征信息特征提取

分析無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的自相關(guān)特征量，通過對(duì)數(shù)據(jù)的模糊聚類和線性規(guī)劃設(shè)計(jì)，得到無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的狀態(tài)特征分布集為p（x0），構(gòu)建資源聚類的節(jié)點(diǎn)分布模型，在大數(shù)據(jù)背景下進(jìn)行無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息網(wǎng)格強(qiáng)化聚類優(yōu)化設(shè)計(jì)［7］，假設(shè)無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息聚類節(jié)點(diǎn)圖模型屬性集為X ＝｛x1，x2，…，xn｝，采用語義本體模型構(gòu)造的方法，進(jìn)行無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息分析，通過自相關(guān)特征匹配方法，求得無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的關(guān)聯(lián)規(guī)則概念集，對(duì)無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息進(jìn)行粗糙集調(diào)度，得到對(duì)貼近度φ1定義為：

2 信息融合聚類

2.1 敏感特征信息結(jié)構(gòu)重組

采用網(wǎng)格化的數(shù)據(jù)采樣，得到無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息標(biāo)量時(shí)間序列為x（t），并且t ＝0，1，…，n -1，給定無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息信息流的一向量組x1，x2，…，xn∈Cm（m維復(fù)數(shù)空間），將無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息聚類的特征提取問題轉(zhuǎn)化為一個(gè)二元語義決策問題，無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息聚類的模糊特征匹配評(píng)價(jià)指標(biāo)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(shù)，得到無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的模糊隸屬度函數(shù)為：

其中，xj（k），xi（k）分別表示社區(qū)網(wǎng)絡(luò)敏感特征信息聚類參數(shù)，采用決策樹模型進(jìn)行無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的特征重構(gòu)，得到無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的模糊信息加權(quán)權(quán)重向量vi，無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的相關(guān)特征分布矩陣表示為：

其中，c為無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息聚類的搜索步數(shù)，μik為無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的語義關(guān)聯(lián)度決策系數(shù)。根據(jù)上述分析，進(jìn)行無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的特征分析和優(yōu)化調(diào)度，得到無線虛擬社區(qū)網(wǎng)絡(luò)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(shí)，snξ→tanhξ，采用分塊特征演化方法，進(jìn)行無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的關(guān)聯(lián)特征檢測(cè)，結(jié)合模糊相關(guān)性融合的方法，進(jìn)行無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的網(wǎng)格強(qiáng)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(jìn)行無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的網(wǎng)格強(qiáng)化聚類和屬性分類識(shí)別，結(jié)合特征空間重組技術(shù)進(jìn)行無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息結(jié)構(gòu)重組，提取無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的關(guān)聯(lián)信息特征量，得到無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的在線聚類準(zhǔn)則為：

無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息聚類節(jié)點(diǎn)的深度學(xué)習(xí)加權(quán)系數(shù)為We ＝（ωj（e），0）。修正每個(gè)無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息聚類自適應(yīng)加權(quán)學(xué)習(xí)系數(shù)vi，得到無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息聚類有效性評(píng)價(jià)矩陣R ＝（rij，aij）m×n和指標(biāo)權(quán)重W ＝（（ω1，β1），（ω2，β2），…，（ωn，βn）），通過譜密度聚類，得到無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的約束規(guī)劃模型為：

此時(shí)，無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息聚類的最優(yōu)評(píng)價(jià)集記為L1，…，Ln和，根據(jù)稀疏化特征值分析無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的傳輸碼元，當(dāng)碼元個(gè)數(shù)為Nf個(gè)，無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息譜采樣時(shí)間間隔為Tf，無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的優(yōu)化聚類模型為：

其中，cosinij→x（dij，dxv）為無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的融合聚類特征集，綜上分析，實(shí)現(xiàn)對(duì)社區(qū)網(wǎng)絡(luò)敏感特征信息譜密度融合聚類處理［12］。

3 仿真測(cè)試

采用C＋＋和Matlab 7 混合編程進(jìn)行無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息聚類的算法處理，在Hadoop 云平臺(tái)中構(gòu)建無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息數(shù)據(jù)庫結(jié)構(gòu)模型，無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息大數(shù)據(jù)分布的初始樣本規(guī)模為1 200，模糊系數(shù)m設(shè)為2，社區(qū)網(wǎng)絡(luò)敏感特征采樣集的相似度為0.38，根據(jù)上述仿真參數(shù)設(shè)定，進(jìn)行無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息采樣，無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的時(shí)域分布如圖1 所示。

圖1 無社區(qū)網(wǎng)絡(luò)敏感特征信息數(shù)據(jù)的時(shí)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(shù)據(jù)為研究對(duì)象，對(duì)提取的無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息特征量進(jìn)行模糊聚類處理，提取無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的譜特征量，實(shí)現(xiàn)網(wǎng)格強(qiáng)化聚類，得到數(shù)據(jù)聚類輸出如圖2所示。

分析圖2 仿真結(jié)果得知，本文方法能有效實(shí)現(xiàn)對(duì)無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息融合聚類處理，測(cè)試對(duì)社區(qū)網(wǎng)絡(luò)敏感信息的分塊檢測(cè)準(zhǔn)確性，得到誤分率對(duì)比結(jié)果如圖3 所示。分析圖3 得知，采用該方法進(jìn)行社區(qū)網(wǎng)絡(luò)敏感特征信息譜密度融合的聚類性較好，對(duì)社區(qū)網(wǎng)絡(luò)敏感信息的分塊檢測(cè)能力較強(qiáng)。

圖2 數(shù)據(jù)聚類輸出Fig. 2 Data clustering output

圖3 誤分率對(duì)比Fig. 3 Comparison of error rate

4 結(jié)束語

通過對(duì)虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息融合聚類處理，提高對(duì)虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息檢測(cè)能力，建立社區(qū)網(wǎng)絡(luò)敏感特征信息檢測(cè)模型，本文提出基于分塊文本相似度檢測(cè)的無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息網(wǎng)格強(qiáng)化聚類算法，分析無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息集統(tǒng)計(jì)差異分布特性，采用分段線性擬合方法進(jìn)行無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息譜聚類，采用分塊特征演化方法，進(jìn)行無線虛擬社區(qū)網(wǎng)絡(luò)敏感特征信息的關(guān)聯(lián)特征檢測(cè)，結(jié)合模糊相關(guān)性融合的方法，實(shí)現(xiàn)對(duì)信息的譜密度融合聚類。分析得知，本文方法對(duì)社區(qū)網(wǎng)絡(luò)敏感特征信息譜密度融合的聚類性較好，提高了社區(qū)網(wǎng)絡(luò)敏感信息的分塊檢測(cè)能力。