基于分块检测的社区网络敏感信息聚类算法

王学军

（广州华立学院，广州 511325）

0 引言

随着虚拟网络和社区网络信息传播数量的不断增强，社区网络的多维度联动、多主体参与性特征越来越明显，结合运行机制及危机治理模式化运行，需要建立社区网络敏感特征信息检测模型，通过探究影响网络舆情热度的主要因素，采用主题词和敏感词特征分析方法，实现对无线虚拟社区网络敏感性的影响因素和情感分析，提高无线虚拟社区网络敏感信息检测能力［1］。

当前，对无线虚拟社区网络敏感特征信息聚类方法主要有K-Means 聚类法、社区网络敏感区域模糊聚类方法、智能仿生群聚类方法等，建立无线虚拟社区网络敏感特征信息的特征提取和大数据融合模型［2］，通过相应的融合聚类算法，实现对无线虚拟社区网络敏感特征检测。文献［3］中提出基于权重差异度的动态模糊聚类算法，采用加权自适应学习实现大数据聚类，但该方法的计算开销较大，实时性不好。文献［4］中提出优化子空间的高维聚类算法，通过社区网络敏感特征信息分块层次结构设计，提高数据聚类的精度，但该方法的模糊度较大，特征聚类性不好。针对上述问题，本文提出基于分块文本相似度检测的无线虚拟社区网络敏感特征信息网格强化聚类算法。首先采用异构有向图分析方法进行无线虚拟社区网络敏感特征信息存储结构设计，然后采用分块文本相似度检测的方法实现对社区网络敏感特征信息谱密度特征提取和融合聚类处理。最后进行仿真测试分析，展示了本文方法在提高无线虚拟社区网络敏感特征信息网格强化聚类能力方面的优越性能。

1 敏感特征信息结构分析和特征提取

1.1 无线虚拟社区网络敏感特征信息结构分析

采用有向图模型构建无线虚拟社区网络敏感特征信息的聚类节点分布结构模型，引入知识图谱提升推荐方法，得到无线虚拟社区网络敏感特征信息的异构存储结构模型［5］，计算无线虚拟社区网络敏感特征信息的模糊聚类特征分布集，得到融合度函数定义为：

其中，xi，yi，zi分别表示敏感特征参数分布集，采用语义本体模型构造的方法，进行无线虚拟社区网络敏感特征信息表达，分析无线虚拟社区网络敏感特征信息集统计差异分布特性，采用分段线性拟合方法进行无线虚拟社区网络敏感特征信息谱聚类，得到每个社区网络敏感特征插值点的实际值为：

其中：dm＋1（m）为无线虚拟社区网络敏感特征信息集在第m点的预测值，dk＋1（m）为采用第m点处采集的无线虚拟社区网络敏感特征信息的模糊性特征量。根据无线虚拟社区网络敏感特征信息的特征提取结果［6］，采用回归分析方法建立无线虚拟社区网络敏感特征信息聚类模型，得到模糊回归分布系数为：

其中，Mi表示无线虚拟社区网络敏感特征信息聚类的中位数；Lm为无线虚拟社区网络敏感特征信息聚类的下界；fm为无线虚拟社区网络敏感特征信息的中位数；fless表示各维度下无线虚拟社区网络敏感特征信息的最小统计特征量。

1.2 网络敏感特征信息特征提取

分析无线虚拟社区网络敏感特征信息的自相关特征量，通过对数据的模糊聚类和线性规划设计，得到无线虚拟社区网络敏感特征信息的状态特征分布集为p（x0），构建资源聚类的节点分布模型，在大数据背景下进行无线虚拟社区网络敏感特征信息网格强化聚类优化设计［7］，假设无线虚拟社区网络敏感特征信息聚类节点图模型属性集为X ＝｛x1，x2，…，xn｝，采用语义本体模型构造的方法，进行无线虚拟社区网络敏感特征信息分析，通过自相关特征匹配方法，求得无线虚拟社区网络敏感特征信息的关联规则概念集，对无线虚拟社区网络敏感特征信息进行粗糙集调度，得到对贴近度φ1定义为：

2 信息融合聚类

2.1 敏感特征信息结构重组

采用网格化的数据采样，得到无线虚拟社区网络敏感特征信息标量时间序列为x（t），并且t ＝0，1，…，n -1，给定无线虚拟社区网络敏感特征信息信息流的一向量组x1，x2，…，xn∈Cm（m维复数空间），将无线虚拟社区网络敏感特征信息聚类的特征提取问题转化为一个二元语义决策问题，无线虚拟社区网络敏感特征信息聚类的模糊特征匹配评价指标集为Ek∈E（k ＝1，2，…，t），采用主题词匹配的方法，分析X的相似度函数，得到无线虚拟社区网络敏感特征信息的模糊隶属度函数为：

其中，xj（k），xi（k）分别表示社区网络敏感特征信息聚类参数，采用决策树模型进行无线虚拟社区网络敏感特征信息的特征重构，得到无线虚拟社区网络敏感特征信息的模糊信息加权权重向量vi，无线虚拟社区网络敏感特征信息的相关特征分布矩阵表示为：

其中，c为无线虚拟社区网络敏感特征信息聚类的搜索步数，μik为无线虚拟社区网络敏感特征信息的语义关联度决策系数。根据上述分析，进行无线虚拟社区网络敏感特征信息的特征分析和优化调度，得到无线虚拟社区网络敏感特征信息的模糊聚类中心为di，在融合聚类中心满足m→1 时，snξ→tanhξ，采用分块特征演化方法，进行无线虚拟社区网络敏感特征信息的关联特征检测，结合模糊相关性融合的方法，进行无线虚拟社区网络敏感特征信息的网格强化聚类分析［9-11］。

2.2 谱密度聚类分析

采用模糊C 均值聚类方法进行无线虚拟社区网络敏感特征信息的网格强化聚类和属性分类识别，结合特征空间重组技术进行无线虚拟社区网络敏感特征信息结构重组，提取无线虚拟社区网络敏感特征信息的关联信息特征量，得到无线虚拟社区网络敏感特征信息的在线聚类准则为：

无线虚拟社区网络敏感特征信息聚类节点的深度学习加权系数为We ＝（ωj（e），0）。修正每个无线虚拟社区网络敏感特征信息聚类自适应加权学习系数vi，得到无线虚拟社区网络敏感特征信息聚类有效性评价矩阵R ＝（rij，aij）m×n和指标权重W ＝（（ω1，β1），（ω2，β2），…，（ωn，βn）），通过谱密度聚类，得到无线虚拟社区网络敏感特征信息的约束规划模型为：

此时，无线虚拟社区网络敏感特征信息聚类的最优评价集记为L1，…，Ln和，根据稀疏化特征值分析无线虚拟社区网络敏感特征信息的传输码元，当码元个数为Nf个，无线虚拟社区网络敏感特征信息谱采样时间间隔为Tf，无线虚拟社区网络敏感特征信息的优化聚类模型为：

其中，cosinij→x（dij，dxv）为无线虚拟社区网络敏感特征信息的融合聚类特征集，综上分析，实现对社区网络敏感特征信息谱密度融合聚类处理［12］。

3 仿真测试

采用C＋＋和Matlab 7 混合编程进行无线虚拟社区网络敏感特征信息聚类的算法处理，在Hadoop 云平台中构建无线虚拟社区网络敏感特征信息数据库结构模型，无线虚拟社区网络敏感特征信息大数据分布的初始样本规模为1 200，模糊系数m设为2，社区网络敏感特征采样集的相似度为0.38，根据上述仿真参数设定，进行无线虚拟社区网络敏感特征信息采样，无线虚拟社区网络敏感特征信息的时域分布如图1 所示。

图1 无社区网络敏感特征信息数据的时域波形Fig. 1 Time domain waveform of sensitive characteristic information data of community-free network

这里，以图1 中的数据为研究对象，对提取的无线虚拟社区网络敏感特征信息特征量进行模糊聚类处理，提取无线虚拟社区网络敏感特征信息的谱特征量，实现网格强化聚类，得到数据聚类输出如图2所示。

分析图2 仿真结果得知，本文方法能有效实现对无线虚拟社区网络敏感特征信息融合聚类处理，测试对社区网络敏感信息的分块检测准确性，得到误分率对比结果如图3 所示。分析图3 得知，采用该方法进行社区网络敏感特征信息谱密度融合的聚类性较好，对社区网络敏感信息的分块检测能力较强。

图2 数据聚类输出Fig. 2 Data clustering output

图3 误分率对比Fig. 3 Comparison of error rate

4 结束语

通过对虚拟社区网络敏感特征信息融合聚类处理，提高对虚拟社区网络敏感特征信息检测能力，建立社区网络敏感特征信息检测模型，本文提出基于分块文本相似度检测的无线虚拟社区网络敏感特征信息网格强化聚类算法，分析无线虚拟社区网络敏感特征信息集统计差异分布特性，采用分段线性拟合方法进行无线虚拟社区网络敏感特征信息谱聚类，采用分块特征演化方法，进行无线虚拟社区网络敏感特征信息的关联特征检测，结合模糊相关性融合的方法，实现对信息的谱密度融合聚类。分析得知，本文方法对社区网络敏感特征信息谱密度融合的聚类性较好，提高了社区网络敏感信息的分块检测能力。