基于图论在有向复杂网络中识别子网类型的方法技术

本发明专利技术提供了一种基于图论在复杂网络中识别不同类型子网的方法，属于计算机技术应用领域。该方法先获取有向复杂网络的拓扑图，并计算该网络中全部节点的图特征量，通过遍历有向复杂网络中的所有节点，根据全部节点的图特征量及初步识别条件，初步识别出不同类型的子网络，然后对初步识别的子网络进行验证，对于初步识别错误的子网络，剔除初步识别结果。本发明专利技术的方法所需数据数据简单，且使得子网类型识别准确率更高。识别准确率更高。识别准确率更高。

【技术实现步骤摘要】
基于图论在有向复杂网络中识别子网类型的方法


[0001]本专利技术涉及计算机应用
，尤其涉及一种基于图论在有向复杂网络中识别子网类型的方法。

技术介绍

[0002]大规模复杂网络中因包含海量的结点和边而存在复杂的拓扑结构和层次关系，一般图分析方法很难对其进行系统的研究。为此，一般是通过社团发现放来对网络结构进行分析。社团发现是利用图拓扑结构中所蕴藏的信息从复杂网络中解析出其模块化的节点集合，有助于以一种分而治之的方式研究整个网络的模块、功能及其演化，更准确地理解复杂系统的组织原则、拓扑结构与动力学特性。
[0003]当前对社团结构的研究的主要方法包括：
[0004]基于模块度优化方法，该方法利用模块度Q值通过比较真实网络中各社团的边密度和随机网络中对应子图的边密度之间的差异来度量社团结构的显著性。包括自底向上进行聚合的方法、自顶向下进行分裂的方法、直接寻优法；
[0005]基于谱分析的方法，该方法是根据特定图矩阵的特征向量导出对象的特征，利用导出特征来推断对象之间的结构关系。通常选用的特定图矩阵有拉普拉斯矩阵和随机矩阵两类；参考Donetti L,Munoz M A.Detecting Network Communities:a new systematic and efficient algorithm[J].Journal of Statistical Mechanics Theory&Experiment,2004,2004(10):10012；和A.Capocci and V.D.P.Servedio and G.Caldarelli and F.Colaiori.Detecting communities in large networks[J].PhysicaA:Statistical Mechanics and itsApplications,2005,352(2
‑
4):669
‑
676。
[0006]基于信息论的方法，该方法是把网络的模块化描述看作对网络拓扑结构的一种有损压缩,从而将社团发现问题转换为信息论中的一个基础问题:寻找拓扑结构的有效压缩方式，参考Rosvall M,Bergstrom C T.An information
‑
theoretic framework for resolving community structure in complex networks[J].Proceedings of the National Academy of Sciences,2007,104(18):7327
‑
7331；
[0007]基于团渗透的方法，该算法通过合并相邻的k
‑
团来实现社团发现，而那些处于多个k
‑
社团中的节点即是社团的“重叠”部分，参考Palla G,Deranyi I,Farkas I,et al.Uncovering the overlapping community structure of complex networks in nature and society[J].Nature,2005,435(7043):814；
[0008]以上研究主要是利用网络的量化特征通过划分、优化等技术将节点归为重叠或不重叠的社团，在实际使用过程中，以上方法过分依赖节点间共享邻居以及需要事先设定社团个数等问题，容易造成识别结果异常、不精确、不全面等情况。
[0009]为解决传统社团划分算法在大规模网络上无精确划分、精度偏差大等问题，近年来部分学者将研究对象从网络结构特征转移到网络节点特征的视角，刘瑶等提出了一种基于节点亲密度和度的社团发现方法，参考刘瑶,康晓慧,高红等。基于节点亲密度和度的社
会网络社团发现方法[J].计算机研究与发展,2015,52(10):2363
‑
2372，冯健等依托层次聚类思想基于节点重要度、社团接近度指标，从庞大复杂网络中发现潜在的社区结构，参考冯健,史丹丹,罗香玉,等，利用节点重要度和社团接近度发现社团结构，西安科技大学学报,2020(01):181
‑
186。但是这两种方法仅能发现网络中的社团，并未对社团结构、社团内节点间关系进行识别。
[0010]一个大的复杂网络通常由不同类型的小的子网络组成，常见的网络主要有规则网络、随机网络、小世界网络、无标度网络等，规则网络又分为最近邻耦合网络、星型网络以及完全网络这三种形式。
[0011]目前的社团发现算法多半无法适应复杂的工作，如在工商登记网络中寻找投资担保关系、新浪微博的粉丝关系、微信朋友圈中的双向朋友圈查看权限等，规模有向社交网络中社团发现都是重要的有向社交网络关系。因此，需要有更新的技术对此进行研究
[0012]现有技术至少存在以下不足：
[0013]1.现有技术更强调对全局网络中各个节点的分析，而对节点组成的子网络类型研究较少，造成无法对全局网络进行更细层面的识别和认知。本专利技术从节点之间的边出发，根据边的方向、数量确定各种网络类型，达到更准确认知的目的。
[0014]2.侧重对无向网络的社团结构挖掘，目前的社团发现算法多半无法适应复杂的工作，尤其对新兴的网络社交、知识图谱等存在方向权重的子网络涉及较少并且缺乏高效的划分工具。本专利技术从网络类型属性出发，构建每种网络类型的判别标准，进而实现对一个整体网络所包含的子网络进行准确认知。

技术实现思路

[0015]为解决现有技术中存在的技术问题，本专利技术提供了一种在有向复杂网络中识别子网类型的方法，该方法先获取有向复杂网络的拓扑图，并计算该网络中全部节点的图特征量，通过遍历有向复杂网络中的所有节点，根据全部节点的图特征量及初步识别条件，初步识别出不同类型的子网络，然后对初步识别的子网络进行验证，对于初步识别错误的子网络，剔除初步识别结果。本专利技术的方法所需数据数据简单，且使得子网类型识别准确率更高。
[0016]本专利技术提供了一种基于图论在有向复杂网络中识别子网类型的方法，包括以下步骤：
[0017]获取有向复杂网络的拓扑图；
[0018]遍历有向复杂网络的全部节点，构建有向复杂网络中全部节点的邻接矩阵；
[0019]计算有向复杂网络中全部节点的图特征量，所述图特征量包括度、两点间的距离、集聚系数、有向复杂网络中全部节点的平均距离和有向复杂网络中全部节点的平均集聚系数；
[0020]根据有向复杂网络中全部节点的图特征量及初步识别条件，初步识别有向复杂网络中的子网络；
[0021]根据初步识别出的子网络的特征量取值范围，对初步识别出的子网络进行验证，符合条件的，确定为识别出的子网类型，不符合条件的，剔除初步识别结果；
[0022]至有向复杂网络中所有节点在邻接矩阵中体现，或者无法识别出图形，结束识别，
否则重复进行初步识别和初步识别结果验证。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图论在有向复杂网络中识别子网类型的方法，其特征在于，包括以下步骤：获取有向复杂网络的拓扑图；遍历有向复杂网络的全部节点，构建有向复杂网络中全部节点的邻接矩阵；计算有向复杂网络中全部节点的图特征量，所述图特征量包括度、两点间的距离、集聚系数、有向复杂网络中全部节点的平均距离和有向复杂网络中全部节点的平均集聚系数；根据有向复杂网络中全部节点的图特征量及初步识别条件，初步识别有向复杂网络中的子网络；根据初步识别出的子网络的特征量取值范围，对初步识别出的子网络进行验证，符合条件的，确定为识别出的子网类型，不符合条件的，剔除初步识别结果；至有向复杂网络中所有节点在邻接矩阵中体现，或者无法识别出图形，则结束识别，否则重复进行初步识别和初步识别结果验证。2.根据权利要求1所述的基于图论在有向复杂网络中识别子网类型的方法，其特征在于，初步识别，包括最近邻耦合网络的识别，包括如下步骤，逐步遍历邻接矩阵行向量的各个节点，寻找各个节点出度和入度均为1、且邻接矩阵中各行、各列的节点有且仅有一次相交；若寻找到的节点符合条件A1，则由符合条件A1的邻接子阵的节点构成子网初步识别为最近邻耦合网络；所述条件A1包括：寻找到的节点构成的子网中全部边的数量等于全部节点的数量；初步识别结果的校验，包括最近邻耦合网络的初步识别结果校验，若初步识别为最近邻耦合网络的子网满足条件A2，则确定初步识别为最近邻耦合网络的子网为最近邻耦合网络，若不满足，则剔除该子网的初步识别结果；所述条件A2包括：初步识别为最近邻耦合网络的子网包括的节点数量大于1；初步识别为最近邻耦合网络的子网中的所有节点的度相同，记为k；初步识别为最近邻耦合网络的子网中的节点间距离及平均距离满足：最小距离为1；最大距离为：平均距离为：平均集聚系数为：N为初步识别确定的子网中的所有节点数量；C为平均集聚系数；
k为最近邻耦合网络的子网中的所有节点的度；d
max
为最近邻耦合网络的子网中节点间最大距离；d
mean
为最近邻耦合网络的子网中节点间平均距离。3.根据权利要求1所述的基于图论在有向复杂网络中识别子网类型的方法，其特征在于，初步识别还包括星型网络子网的初步识别，以及初步识别结果的验证中还包括初步识别为星型网络的子网的验证，星型网络子网初步识别包括如下步骤：逐步遍历复杂网络中的全部节点，若某个节点P仅与其他节点相联接，设与其联系的节点数量为K，该节点P及与其连接的节点总数量为N，若满足条件B1，则由节点P和与其连接的其他节点构成子网初步识别为星型网络，节点P确定为该星型网络的中心节点；所述条件B1包括：3≤K≤N，且与该节点P连接的其他节点不与除节点P以外的其他节点连接；初步识别为星型网络的子网的验证包括，若初步识别为星型网络的子网满足条件B2，则确定初步识别为星型网络的子网为星型网络；若不满足，则剔除该子网的初步识别结果；所述条件B2包括:中心节点P的度为N
‑
1，其余节点的度都为1；初步识别为星型网络的子网中，节点间距离满足：中心节点P到其余节点的距离均为1，除中心节点P外的其余任意两节点间的距离为2；平均距离为中心节点P的集聚系数为0；除中心节点P以外的其余节点的集聚系数为1；N为初步识别确定的子网中的所有节点数量。4.根据权利要求1所述的基于图论在有向复杂网络中识别子网类型的方法，其特征在于，初步识别还包括链形网络子网初步识别，以及初步识别结果的验证中还包括初步识别为链形网络的子网的验证，链形网络子网初步识别包括如下步骤：逐步遍历邻接矩阵行向量的各个节点，从初始行向量节点开始，顺次挑选出与该节点的下一个节点有交集的节点，若挑选出的节点符合条件C1，则由符合条件C1的邻接子阵的节点构成子网初步识别为为链形网络；所述条件D包括：挑选出的全部节点的数量与挑选出的全部边的数量的差为1；挑选出的全部节点的数量大于3；初步识别为链形网络的子网的验证包括，若初步识别为链形网络的子网满足条件C2，则确定初步识别为链形网络的子网为链形网络；若不满足，则剔除该子网的初步识别结果；所述条件C2包括：某个节点只有1个出度而没有入度，确定该节点为首节点；某个节点只有一个入度没有出度，确定该节点为尾节点，除首节点和尾节点以外，其余各节点的出度和入度均为1。5.根据权利要求1所述的基于图论在有向复杂网络中识别...

【专利技术属性】
技术研发人员：ꢀ七四专利代理机构，
申请(专利权)人：北京大唐神州科技有限公司，
类型：发明
国别省市：