【技术实现步骤摘要】
一种基于潜在结构和属性的非负矩阵分解社区检测方法
[0001]本专利技术涉及社区网络检测领域,尤其涉及一种结合拓扑结构信息、属性信息以及潜在结构信息的非负矩阵分解社区检测方法。
技术背景
[0002]随着科学技术的迅速发展,网络检测受到许多研究人员的关注并且将其作为一个重要课题,其中一个重要原因是网络检测能更好地帮助理解各种类型的网络,挖掘出网络中隐藏的重要信息;这里所谓的网络指的是自然界和社会中高度互联的实体组成的各种各样的系统,包括神经网络、交通网络、社交网络及其蛋白质相互作用网络等。网络往往有一个共同的特征,即同一组节点之间关联紧密,不同组的节点之间关联稀疏,这种一组一组的节点集合定义为社区;分析这些社区对理解网络的深层特性及功能有着重要意义,例如,它可以用于挖掘政治社交网络的联盟和敌对团体;在合著网络中找到研究团队;在生物信息领域,通过划分生物分子来发现相同结构和功能的生物分子、寻找蛋白质相互作用网络(PPI)中蛋白质复合物;在在线社交网络中找到类似用户群体以及能为舆情分析、城市规划、互联网发展和危害防护等提供重要的参考信息。
[0003]目前最广泛采用的方法有模块化、最小割和非负矩阵分解(Non
‑
negative Matrix Factorization,NMF);其中模块化的提出极大地扩展了社区检测的研究,模块化的目的就是通过确保一个组中的边数明显大于预期的边数,将网络划分为不相交的集合;而最小割是将网络划分为不相交的子图,从而使这些子图之间的割数最小化。
[0004] ...
【技术保护点】
【技术特征摘要】
1.一种基于潜在结构和属性的非负矩阵分解社区检测方法,其特征在于,包括如下步骤:S1、对社区网络数据进行预处理;S2、计算社区网络的邻接矩阵A、属性矩阵T和潜在结构矩阵S;S3、建立以直系拓扑结构和属性信息为主、潜在结构为辅的社区检测模型;S4、计算迭代更新规则;S5、设置迭代次数iter,随机初始化社区成员矩阵Z
n
×
k
、社区
‑
社区矩阵社区
‑
社区矩阵和社区属性矩阵M
k
×
t
,同时调节平衡参数α、β、γ;S6、经过迭代获得社区成员矩阵Z
n
×
k
、社区
‑
社区矩阵社区
‑
社区矩阵和社区属性矩阵M
k
×
t
;S7、根据社区成员矩阵Z获得社区检测结果。2.根据权利要求1所述的一种基于潜在结构和属性的非负矩阵分解社区检测方法,其特征在于:步骤S2中,根据社区网络数据构建邻接矩阵A
n
×
n
,其中n表示网络节点数,若对于任意节点v
i
与v
j
之间存在链接关系,则A
ij
=A
ji
=1,反之不存在链接关系A
ij
=A
ji
=0,邻接矩阵表示社区网络的直系拓扑结构;根据社区网络数据构建属性矩阵T
n
×
t
,其中n表示网络节点数,t表示属性数量,标记属性1到t,若节点v
i
具有属性q(1≤q≤t),则T
iq
=1,反之不具有该属性则T
iq
=0;根据邻接矩阵构建社区网络的潜在结构矩阵S
n
×
n
,基于杰卡德(Jaccard)相似性系数计算获得网络潜在结构信息。3.根据权利要求1所述的一种基于潜在结构和属性的非负矩阵分解社区检测方法,其特征在于:步骤S3中,以社区网络直系拓扑结构信息(节点与节点直接链接)邻接矩阵A
n
×
n
和属性信息T
n
×
t
(节点存在某个属性)为主,以社区网络潜在结构信息S
n
×
n
(节点与节点不存在直接连接,但存在一定的关系)为辅,并对相关分...
【专利技术属性】
技术研发人员:陈自刚,肖琪,张镇江,潘鼎,颜逸,邵鑫,牟覃宇,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:
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。