一种基于图压缩的社区发现方法技术

本发明专利技术涉及一种基于图压缩的社区发现方法，包括以下步骤：获取初始图信息，并对图节点重要性进行排序，选择待压缩节点；将待压缩节点压缩后得到压缩图，利用压缩图重新构建邻接矩阵，并基于图卷积网络对压缩图进行社区检测；对压缩图检测的社区进行扩展，还原初始图的社区检测状态，得到社区发现结果。与现有技术相比，本发明专利技术具有能够将图压缩到一个较小规模，并能够获得更高的准确性等优点。并能够获得更高的准确性等优点。并能够获得更高的准确性等优点。

【技术实现步骤摘要】
一种基于图压缩的社区发现方法


[0001]本专利技术涉及社交网络领域，尤其是涉及一种基于图压缩的社区发现方法。

技术介绍

[0002]信息爆炸时代，随着电子设备的普及，社交网络的应用越来越广泛，其规模也在不断增大。社交网络的核心在于参与其中的用户，可以用节点表示用户(实体)，用边表示用户(实体)之间的关系，构建社交网络图。了解社交网络的底层数据结构对于研究社交网络非常重要。通过挖掘和识别社区结构，可以获取网络中的丰富信息，了解社区的发展规律以及社区结构之间的关系。这不仅有助于对社区用户进行推荐，实施个性化服务，还有利于特定信息的传播。然而，随着社交网络规模的不断增大，社交网络图往往非常庞大，数据量也很大。这些海量数据存在着冗余度高、处理困难等问题，这不仅占据大量的存储空间，而且还存在一些干扰信息。
[0003]由于社交网络图的规模较大，这给一些社区发现算法带来了挑战。因此，降低社交网络图的规模成为一个亟待解决的问题。一些压缩图的方法采用暴力的方式将度为1和2的节点压缩到它们的邻居中，这可以在一定程度上去除一些干扰信息，但是这种方法没有考本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图压缩的社区发现方法，其特征在于，包括以下步骤：步骤1)获取初始图信息，并对图节点重要性进行排序，选择待压缩节点；步骤2)将待压缩节点压缩后得到压缩图，利用压缩图重新构建邻接矩阵，并基于图卷积网络对压缩图进行社区检测；步骤3)对压缩图检测的社区进行扩展，还原初始图的社区检测状态，得到社区发现结果。2.根据权利要求1所述的一种基于图压缩的社区发现方法，其特征在于，所述步骤1)包括以下步骤：步骤11)获取初始图信息；步骤12)为初始图中的每个节点计算节点度中心性、特征向量中心性、中介中心性，作为节点重要性指标，并根据节点重要性对节点进行排序；步骤13)根据排序结果和选择标准，选择待压缩节点。3.根据权利要求2所述的一种基于图压缩的社区发现方法，其特征在于，所述度中心性的计算方法为：其中，DC(v
i
)表示节点v
i
的度中心性，n是社交网络的节点数量，d(v
i
)表示节点v
i
的度。4.根据权利要求2所述的一种基于图压缩的社区发现方法，其特征在于，所述中介中心性的计算方法为：其中，BC(v
i
)表示节点v
i
的中介中心性，d
st
表示节点s到节点t的最短路径的数量，d
st
(v
i
)表示最短路径中经过节点v
i
的数量。5.根据权利要求2所述的一种基于图压缩的社区发现方法，其特征在于，所述特征向量中心性的计算方法为：其中，EC(v
i
)和x
i
均表示节点v
i
的特征向量中心性，x
j
表示节点v
j
的特征向量中心性，c是比例常数，n是社交网络的节点数量，a
ij
是邻接矩阵中的元素，如果节点i和节点j之间有边，a
ij
＝1，否则a
ij
＝0。6.根据权利要求2所述的一种基于图压缩的社区发现方法，其特征在于，所述选择标准为：Set(target)＝bottom
p
(DC)∪bottom
p
(BC)∪bottom
p
(EC)
‑
top
p
(DC)∪top
p
(BC)∪top
p
(EC)其中，bottomp(DC)表示所有节点的度中心性大小排序后p％的集合，topp(DC)表示所有节点的度中心性大小排序前p％的集合；bottom
p
(BC)表示所有节点的中介中心性大小排序后p％的集合，top...

【专利技术属性】
技术研发人员：赵勤，苗亚茹，寇祖亮，杨茹，张波，
申请(专利权)人：上海新致软件股份有限公司，
类型：发明
国别省市：