基于万有引力定律的社交网络社区集群挖掘方法及系统技术方案

本发明专利技术属于数据挖掘领域，涉及一种基于万有引力定律的社交网络社区集群挖掘方法及系统。该方案为：为用户提供一个输入接口，用户输入社交网络中的个体节点信息以及节点之间的连接信息，将其转换为无向图中的节点和边；模仿星系演化过程，将个体节点按照质量升序排序并依次取出，根据万有引力定律计算该节点和与它相关联节点之间的引力，将引力最大的节点定为该节点要归属的社区中心节点；在这个过程中不断更新社区质量；迭代执行此演化过程，直到每个个体节点都被处理，输出社区中所有被搜索出的紧密连接的节点的集群，即社交网络中的社区集群信息。本发明专利技术能够快速高效地发现良好的网络划分，检测出所有节点紧密联系的社区集群。

【技术实现步骤摘要】
基于万有引力定律的社交网络社区集群挖掘方法及系统
本专利技术属于数据挖掘领域，具体涉及基于万有引力定律的社交网络社区集群挖掘方法及系统。
技术介绍
目前，社区检测在社交网络、生物化学网络、食品网络、引用和协作网络等科学领域中应用广泛。在许多大型复杂网络结构中，需要了解网络结构和特性来揭示更多的隐性知识。社区是社交网络中紧密连接的节点的集群，检测社区结构可以帮助我们了解它们的网络特性。本专利技术主要针对大型的复杂社交网络，从中搜索紧密连接的节点的集群，主要涉及社区检测技术。目前，在社区检测领域大多数流行的算法都是基于模块化优化的。非常著名的Louvain算法就是基于优化模块化函数的思想，该算法在寻找社区结构时具有良好的效率和有效性。智能局部移动(SLM)算法以更复杂的方式利用著名的局部移动启发式策略，可以识别出具有更高模块度的社区结构。MLPA是一种基于相似性模块度最大约束标记传播的快速网络社团发现算法，该方法采用结构相似度计算，通过最大约束标记传播模型更新节点标记，使社团的划分结果更加符合社团内部结构相对紧密、社团之间结构相对稀疏的特点本文档来自技高网...

【技术保护点】
1.一种基于万有引力定律的社交网络社区集群挖掘方法，其特征在于，包括以下步骤：/n接收用户输入的社交网络中的个体节点信息以及节点之间的连接信息，将其转换为无向图中的节点和边；/n将无向图中的节点按照质量升序排序，其中质量是节点的度数；/n对于每一个节点，根据万有引律定律计算当前节点与该当前节点的关联节点之间的引力，并判定该当前节点要归属的社区中心节点，将该当前节点归属于该社区中心节点所在的社区中并更新社区质量；/n迭代处理每个节点，输出所有紧密连接的节点的集群，即社交网络中的社区集群信息。/n

【技术特征摘要】
1.一种基于万有引力定律的社交网络社区集群挖掘方法，其特征在于，包括以下步骤：
接收用户输入的社交网络中的个体节点信息以及节点之间的连接信息，将其转换为无向图中的节点和边；
将无向图中的节点按照质量升序排序，其中质量是节点的度数；
对于每一个节点，根据万有引律定律计算当前节点与该当前节点的关联节点之间的引力，并判定该当前节点要归属的社区中心节点，将该当前节点归属于该社区中心节点所在的社区中并更新社区质量；
迭代处理每个节点，输出所有紧密连接的节点的集群，即社交网络中的社区集群信息。


2.根据权利要求1所述的方法，其特征在于，所述个体节点为社交网络中的个体用户，定义于网络的数据来源和使用领域；所述节点之间的连接信息指个体用户在具体的社交网络使用中有互动和联系。


3.根据权利要求1所述的方法，其特征在于，所述无向图中的一个节点表示一个个体用户，两个节点之间的一条边表示两个用户在网络使用中有互动和联系，整个无向图表示社交网络的结构信息。


4.根据权利要求1所述的方法，其特征在于，所述将无向图中的节点按照质量升序排序，包括：将每个节点的度数即每个节点所连接的边的数量作为节点的质量，并按照从小到大的顺序排序存到内存中。


5.根据权利要求1所述的方法，其特征在于，所述根据万有引律定律计算当前节点与该当前节点的关联节点之间的引力，所采用的万有引力定律公式中的各个元素设置为：每个节点度数为节点质量，连通两个节点的跳数为两节点之间的距离，代入万有引力定律公式，设置引力常数为1，计算得到两个节点之间的引力。

【专利技术属性】
技术研发人员：梁媛媛，廖名学，王蕊，郑昌文，
申请(专利权)人：中国科学院软件研究所，
类型：发明
国别省市：北京;11