基于密度聚类的增量动态社区发现方法技术

发明专利技术涉及一种基于密度聚类的增量动态社区发现方法，包括S1：采集初始时刻t1的网络数据集，生成网络图G1；S2：通过余弦相似度计算初始时刻t1的网络中节点间距；S3：采用改进的DBSCAN算法进行初始时刻t1的社区生成;S4:对初始时刻t1生成的社区进行迭代合并；S5：输出初始时刻t1的最终社区划分结果；S6：计算t

【技术实现步骤摘要】
基于密度聚类的增量动态社区发现方法
本专利技术涉及复杂网络上的动态社区发现
，具体涉及一种基于密度聚类的增量动态社区发现方法。
技术介绍
社区发现已经在信息传播、生物网络、群体事件等领域存在广泛应用。社区发现是指把网络划分成多个不同组织，各组织内部连接紧密，组织间连接较为稀疏。由于真实社会网络中个体及其之间的联系是不断动态变化的，动态社区发现的研究已经成为当前社交网络领域研究的热点之一。动态社区发现实质是研究社会网络的演化发展行为。目前，动态社区发现方法主要分为基于时空独立评价的方法、基于时空集成评价的方法、基于统一评价的方法和增量动态社区发现方法等4类。其中，增量动态社区发现方法重点对相邻时刻的局部差量节点进行处理，具有较低的时间复杂度，成为动态社区发现算法的一个重要研究方向。增量动态社区发现通过比较不同时刻的网络快照，分析网络快照的差量节点，并基于差量节点进行社区扩展。主要采用基于物理定律的增量策略和基于图特征的增量策略。目前已有一些学者对动态社区发现进行了研究，也取得了一定的成果，但现有多数增量动态社区发现算法存在的无法较好处理网络结构突变和增量累计误差等问题。专利技术内本文档来自技高网...

【技术保护点】
1.一种基于密度聚类的增量动态社区发现方法，其特征在于：包括以下步骤：步骤S1:采集初始时刻t1的网络数据集，生成网络图G1；步骤S2:通过余弦相似度计算初始时刻t1的网络中节点间距；步骤S3:采用改进的DBSCAN算法进行初始时刻t1的社区生成；步骤S4:对初始时刻t1生成的社区进行迭代合并，以降低噪声社区对社区发现结果的影响；步骤S5:输出初始时刻t1的最终社区划分结果；步骤S6:计算ti时刻的增量节点；步骤S7:采用余弦相似度求取ti时刻新增节点IVt间的距离；步骤S8:采用改进的DBSCAN算法对ti时刻的新增节点IVt进行社区生成；步骤S9：对ti时刻邻居发生变化的节点NCVt及其邻...

【技术特征摘要】
1.一种基于密度聚类的增量动态社区发现方法，其特征在于：包括以下步骤：步骤S1:采集初始时刻t1的网络数据集，生成网络图G1；步骤S2:通过余弦相似度计算初始时刻t1的网络中节点间距；步骤S3:采用改进的DBSCAN算法进行初始时刻t1的社区生成；步骤S4:对初始时刻t1生成的社区进行迭代合并，以降低噪声社区对社区发现结果的影响；步骤S5:输出初始时刻t1的最终社区划分结果；步骤S6:计算ti时刻的增量节点；步骤S7:采用余弦相似度求取ti时刻新增节点IVt间的距离；步骤S8:采用改进的DBSCAN算法对ti时刻的新增节点IVt进行社区生成；步骤S9：对ti时刻邻居发生变化的节点NCVt及其邻居节点进行社区归属调整；步骤S10：迭代的把ti时刻生成的社区进行合并以降低噪声社区对社区发现结果的影响；步骤S11：得到ti时刻最终的社区划分结果。2.根据权利要求1所述的基于密度聚类的增量动态社区发现方法，其特征在于：所述步骤S1具体为：读取t1时刻网络数据集，生成用于划分t1时刻社区结构的网络图G1＝(V1,E1)，其中V1表示t1时刻的节点集，E1表示t1时刻的边集。3.根据权利要求2所述的基于密度聚类的增量动态社区发现方法，其特征在于：所述步骤S2具体为：步骤S21:遍历V1中每个节点v；步骤S22:遍历节点v的每个邻居u，根据公式(1)、(2)求出节点u，v间的距离d(u,v)，并把d(u,v)添加到距离集合Dis中：d(u,v)＝1-σ(u,v)(2)其中|NB+(u)|表示节点u的邻居节点个数，|NB+(v)|表示节点v的邻居节点个数σ(u,v)表示节点u,v的余弦相似度；步骤S23:遍历节点u的每个邻居r，按公式(3)、(4)求出节点r，v间的距离d(r,u)，并把d(r,v)添加到距离集合Dis中；d(r,v)＝1-σ(r,v)(4)其中|NB+(r)|表示节点r的邻居节点个数；步骤S24：输出距离集合Dis。4.根据权利要求3所述的基于密度聚类的增量动态社区发现方法，其特征在于：所述步骤S3具体为：步骤S31:初始化噪声节点集合Sn、核心点集合Sc、聚类生成的簇集合Sclu、共享节点字典Ssn、核心点扩展对列EQ和节点访问标记字典Vis为空；步骤S32:采用DBSCAN算法对节点集V1进行聚类，得到共享节点并添加到共享节点字典Ssn中；步骤S33:遍历共享节点字典Ssn中的每个元素，获取每个元素对应的节点u所属的社区集合Cid，并把节点u划分到社区集合Cid中每个元素所代表的社区中；步骤S34：输出生成的社区CSt和噪声节点集合Sn。5.根据权利要求4所述的基于密度聚类的增量动态社区发现方法，其特征在于：所述步骤S4具体为：步骤S41:初始化模块度增益矩阵M1为零矩阵；步骤S42:通过公式(5)、(6)计算t1时刻的模块度增益矩阵：ΔQij＝2(eij-ai×aj)(5)其中，ΔQij表示社区Ci，Cj合并后的模块度增益，ei,j表示Ci与Cj(i≠j)之间的连接边...

【专利技术属性】
技术研发人员：郭昆，彭胜波，郭文忠，陈羽中，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35