【技术实现步骤摘要】
本专利技术涉及社会网络
,特别是一种社会网络中的邻域跟随社区发现方法。
技术介绍
从社会网络中检测社区结构是社会网络分析中的一项重要任务,无论是理论上还是实际应用中都具有十分重要的意义。通过挖掘网络中的社区结构,能够发现网络中隐含的组织结构信息、社会功能以及社区成员之间隐含的有趣属性,如共同爱好等。通过研究社会网络中社区之间、个体之间以及个体与社区之间的关系,可以挖掘出大量有价值的信息,可应用于许多领域。针对社区发现,已经出现了很多经典的方法。总体上,社区发现的经典方法包括基于图分割、层次聚类、模块度优化、标签传播、极大团、边图划分、种子节点扩展、模糊聚类的社区发现方法。KL方法是较早出现的一种社区发现方法,其优化目标为极小化社区间连接数目与社区内连接数目之差,并使用贪心策略寻找最优的社区划分。KL方法的主要缺点在于需要社区数和社区的平均规模作为算法的输入参数,且对输入参数很敏感,算法的时间复杂度也较高。GN是Girvan和Newman提出的基于边介数的分裂式层次聚类方法。由于边介数的计算代价较大,GN方法的时间复杂度达到O(m2n),其中m为边数,n为节点数,不适用于大规模网络。为解决大规模网络的应用问题,Newman等在GN的基础上提出了FN方法。FN方法提出了模块度作为网络划分质量的标准,设计了一种基于模块度的凝聚式层次聚类方法,其时间复杂度为O(mn)。模块度为研究人员提供了一种用于选择网络划分的目标函数,研究人员将贪心策略、模拟退火、极值优化、禁忌搜索、整数规划等多种优化策略应用于模块度优化 ...
【技术保护点】
一种社会网络中的邻域跟随社区发现方法,其特征在于,包括以下步骤:步骤A:读取社会网络数据,构造以社会网络用户为节点,用户关系为边的社会网络图;步骤B:根据社会网络图,遍历社会网络图中的节点,将所有节点的角色初始化为未确定;步骤C:根据社会网络图,遍历社会网络图中的节点,确定节点间的跟随关系;步骤D:根据节点间的跟随关系,遍历社会网络图中的节点,将跟随同一节点的节点划分至同一社区。
【技术特征摘要】
1.一种社会网络中的邻域跟随社区发现方法,其特征在于,包括以下步骤:
步骤A:读取社会网络数据,构造以社会网络用户为节点,用户关系为边的社会网络图;
步骤B:根据社会网络图,遍历社会网络图中的节点,将所有节点的角色初始化为未确定;
步骤C:根据社会网络图,遍历社会网络图中的节点,确定节点间的跟随关系;
步骤D:根据节点间的跟随关系,遍历社会网络图中的节点,将跟随同一节点的节点划分至同一社区。
2.根据权利要求1所述的一种社会网络中的邻域跟随社区发现方法,其特征在于,所述步骤C中,确定节点间的跟随关系,包括以下步骤:
步骤C1:对于所遍历的节点x,按照最可信赖邻域跟随规则选择节点k;
步骤C2:设置节点x的社区跟随目标为节点k,并更新节点k的社区跟随者数量,即以节点k为社区跟随目标的节点数量;
步骤C3:若节点x的角色尚未确定,则将节点x的角色设置为社区跟随者;
步骤C4:判定节点k是否满足作为社区领导者的条件,如果满足,设置节点k的角色为社区领导者;反之设置节点k的角色为社区跟随者;
步骤C5:重复步骤C1~C4,直到社会网络图中的所有节点均已遍历。
3.根据权利要求2所述的一种社会网络中的邻域跟随社区发现方法,其特征在于,所述步骤C1中,采用的最可信赖邻域跟随规则为:获取节点x的邻域中社区跟随节点最多的节点作为节点x的社区跟随目标,定义为:
其中followingx 表示节点x所选择的社区跟随目标,Neighborhood(x)表示节点x的邻域,定义为:
其中N(x)为节点x的邻居节点集合,由与节点x有边相连的所有节点构成,定义为:
其中V、E分别为社会网络图G的节点集合与边集合;
fcj表示节点j的社区跟随节点数,即节点j的邻域中,以节点j为社区跟随目标的节点数量,定义为:
其中followersj表示节点j的邻域中,以节点j为社区跟随目标的节点集合,即与节点j之间存在直接邻域跟随关系的节点集合,定义为:
其中表示节点p与节点j之间存在直接邻域跟随关系,定义为:
节点x的邻域包含节点本身,因此节点x的社区跟随目标可以是节点x本身;如节点x的邻域中有多个节点满足跟随节点数最多的条件,则从中选择度最大的节点作为节点x的社区跟随目标;如仍有多个节点满足度最大的条件,则从中随机选择一个节点作为节点x的跟随目标。
4.根据权利要求3所述的一种社会网络中的邻域跟随社区发现方法,其特征在于,定义节点在...
【专利技术属性】
技术研发人员:陈羽中,牛玉贞,郭文忠,施松,
申请(专利权)人:福州大学,
类型:发明
国别省市:福建;35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。