9、社交网络中的异常行为挖掘与地点标签探索

社交网络中的异常行为挖掘与地点标签探索

1. 借贷网络结构分析

在借贷网络分析中，我们首先关注网络的连通性。网络中存在85746个最大强连通分量和47个最大弱连通分量。最大的强连通分量包含3513个顶点（占比3.94%），而最大的弱连通分量由89171个顶点组成（占比99.89%）。

网络的度相关性衡量了顶点与具有相似度的其他顶点连接的偏好。该网络的度相关性值约为 -0.03，这意味着存在轻微的非度相关性，即相似度的顶点之间没有明显的连接倾向。

以下是相关数据的表格呈现：
| 连通分量类型 | 数量 | 最大分量顶点数 | 占比 |
| ---- | ---- | ---- | ---- |
| 最大强连通分量 | 85746 | 3513 | 3.94% |
| 最大弱连通分量 | 47 | 89171 | 99.89% |

2. 借贷网络的时间切片分析

为了检测网络结构中边的资金流动，需要进行时间分析。例如，有三个成员用顶点u、v和w表示，u借给v，v借给w，但如果这些交易在时间上相互独立，就不能推断资金从u转移到了w。每笔贷款的期限以月为单位，每笔贷款都有起始日期，标志着借款人收到资金并开始还款。只要从v到w的交易在u到v的贷款期限结束前开始，就可以合理认为资金可能从u间接转移到了w。

数据集中任何贷款的最短期限为12个月。因此，在同一12个月内进行交易的网络部分将允许成员之间的资金流动。我们使用四个月的时间切片，滑动窗口为两个月。这样可以使贷款得以偿还，并使相关资金在网络中相对快速地传播。每两个月产生一个新的切片，以第一个月为索引。每个切片包含从第一个月开始到四个月后结