一种基于motif感知的跨层游走社区检测方法技术

本发明专利技术公开一种基于motif感知的跨层游走社区检测方法，涉及计算机社交网络分析技术领域。获取用于社区检测的多层网络；根据获取的多层网络，从网络层和节点的角度综合度量多层网络中各层网络之间的相关性，分别计算该多层网络的连边共现系数和节点邻域结构相似性系数；根据获取的多层网络，构建基于motif的多层加权混合阶网络；基于多层加权混合阶网络进行跨层游走，得到游走序列；将游走序列输入到Skip

【技术实现步骤摘要】
一种基于motif感知的跨层游走社区检测方法


[0001]本专利技术涉及计算机社交网络分析
，尤其涉及一种基于motif感知的跨层游走社区检测方法。

技术介绍

[0002]近年来，随着网络规模的增加以及网络多元化的发展，多层网络具有更高的实用性，能够帮助人们更好地分析现实世界中的复杂系统。在社会学、生物学、医学等不同的研究领域产生了大量的多层网络，例如，社交网络中的每个个体可以被看作是一个节点，而它们之间的关系可以通过不同的层来表示，比如朋友关系、家庭关系、工作关系等等；一个城市的交通网络可以被看作是一个多层网络，其中每层表示不同的交通方式，如公共汽车、地铁、出租车、私家车等等；生物网络可以被表示为多层网络，其中每层代表一个不同的生物过程或代谢途径，例如基因调控、代谢途径等等。多层网络不同的层则反映了不同的方面或特性，对其进行分析可以帮助我们更好地理解这些系统的结构和功能，能够更好地支持网络应用和决策。
[0003]复杂系统分析的核心任务是识别和理解其内在的功能和内聚的特征，识别网络中的社区结构可以全面地理解复杂系统的整体功能，有助于更好地管理这些系统，社区检测已经在许多场景中得到了应用。在过去的多数研究中研究者只关注单层网络，其中节点之间的边只表征一种关系。然而，复杂系统是由不同网络层相互耦合组成的，其中每层代表许多可能的子系统或交互类型，简单地将其抽象为单层网络并进行网络分析是不足够的，单层网络应用的局限性越来越明显。因此，多层网络在描述现实生活的复杂系统中具有较高的优越性和实用性，通过有效整合多层信息，多层网络中的社区检测将显著优于单层网络中的社区检测。
[0004]尽管现有的多层网络社区检测方法取得了很大的成功，但大多数现有算法直接利用观察到的粗糙网络结构进行社区检测，由于观察到的连接不能精确地捕获节点之间的基本连接强度信息，并考虑到噪声链路的影响，它们通常会导致性能不佳。对于多层网络通常在网络层次结构中具有不同类型的关系，但现有方法通常不能很好地处理，Jin D,YuZ,Jiao P,et al.Asurvey of community detection approaches:From statistical modeling to deep learning[J].IEEE TKDE,2021。
[0005]现有多层网络中的社区检测方法大多数是基于单层网络社区检测方法的扩展，可以细化分两类：基于社区结构聚合和基于网络聚合。基于社区结构聚合的方法将多层网络分解为多个单层网络，然后在每个单层网络上分别应用单层网络检测方法进行检测，最后对每层网络社区检测结果进行聚合，得到最终的社区，这种方法将每层作为独立的网络层，忽略了多层网络中各层之间的相关性。基于网络聚合的方法则是将多层网络融合成单层网络，然后采用单层网络检测方法在融合的网络上进行检测，这种方法可丢失每层网络的部分结构信息。
[0006]此外，现有多层网络社区检测方法的研究主要依赖于单个节点和边的低阶结构，
忽略了高阶连通性结构对社区检测的影响，影响了检测准确性和可解释性。

技术实现思路

[0007]针对上述现有技术存在的不足，本专利技术提供一种基于motif感知的跨层游走社区检测方法，考虑了高阶结构对社区结构的影响，更好地学习了多层网络中层间相关性和各层特有的结构信息，提高社区检测结果的准确性和可解释性。
[0008]为了实现本专利技术的上述目的，本专利技术提供一种基于motif感知的跨层游走社区检测方法，该方法包括以下步骤：
[0009]步骤1：获取用于社区检测的多层网络G
M
；
[0010]步骤2：根据获取的多层网络，从网络层和节点的角度综合度量多层网络中各层网络之间的相关性，分别计算该多层网络的连边共现系数LCC和节点邻域结构相似性系数NNS；所述连边共现系数从网络层整体的角度表示不同网络层之间的结构的相似性；所述节点邻域结构相似性系数表示节点的邻域结构在不同网络层之间的相似性；
[0011]步骤3：根据获取的多层网络G
M
，构建基于motif的多层加权混合阶网络；所述基于motif的多层加权混合阶网络为网络中的边通过对单个节点和边级别的低阶结构和motif代表的高阶结构加权赋值得到的多层网络；
[0012]步骤4：基于多层加权混合阶网络进行跨层游走，得到游走序列；
[0013]步骤5：将游走序列输入到Skip
‑
Gram模型中，该模型通过最大化节点共现概率，将离散的网络节点表示成向量，得到节点向量表示X；
[0014]步骤6：将输出的节点向量表示输入到K
‑
means++聚类算法，得到社区检测结果。
[0015]进一步地，根据所述的一种基于motif感知的跨层游走社区检测方法，所述步骤3包括如下具体步骤：
[0016]步骤3.1：根据获取的多层网络G
M
，确定各层网络的代表性motif，进而得到多层网络的代表性motif的集合；所述代表性motif为具有最大z
‑
score值的motif类型；
[0017]步骤3.2：根据各层网络的代表性motif，对多层网络中各层网络的边权重新进行赋值，进而得到各层网络的新的邻接矩阵，并由各层网络的邻接矩阵组成多层网络加权混合阶网络。
[0018]进一步地，根据所述的一种基于motif感知的跨层游走社区检测方法，所述步骤4包括如下具体步骤：
[0019]步骤4.1：设定最大循环次数；
[0020]步骤4.2：随机选取多层网络中的任意网络层中的任意节点作为随机游走的初始节点；
[0021]步骤4.3：基于多层加权混合阶网络计算跳转因子和跳转概率，并根据跳转因子判断是否需要跳转到其他网络层；若需要跳转则随机跳转到其他网络层，并根据跳转概率确定下跳节点；若不需要跳转则留在当前网络层，并根据跳转概率确定下跳节点；所述跳转因子表示从当前网络层跳转到其他网络层的概率；所述跳转概率表示从当前节点跳转到该节点的邻居节点的概率；
[0022]所述判断是否需要跳转到其他网络层的方法为：生成(0,1)中的随机数r，若r的值小于当前节点的跳转因子则需要跳转，否则无需跳转；
[0023]所述根据跳转概率确定下跳节点的方法为：选择跳转概率最大的节点作为下跳节点；
[0024]步骤4.4：根据游走过程中遍历到的节点得到节点序列，计算当前节点序列所形成的子网络的平均直径avg_diameter；
[0025]步骤4.5：判断avg_diameter是否大于设定阈值T，当avg_diameter大于T时，结束本次游走，得到本次的节点的游走序列，更新循环次数；否则返回步骤4.3；
[0026]步骤4.6：当循环次数小于最大循环次数时，返回步骤4.2；当循环次数达到最大循环次数时停止循环，得到全部的游走序列。
[0027]进一步地，根据所述的一种基于motif感知的跨层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于motif感知的跨层游走社区检测方法，其特征在于，包括如下步骤：步骤1：获取用于社区检测的多层网络G
M
；步骤2：根据获取的多层网络，从网络层和节点的角度综合度量多层网络中各层网络之间的相关性，分别计算该多层网络的连边共现系数LCC和节点邻域结构相似性系数NNS；所述连边共现系数从网络层整体的角度表示不同网络层之间的结构的相似性；所述节点邻域结构相似性系数表示节点的邻域结构在不同网络层之间的相似性；步骤3：根据获取的多层网络G
M
，构建基于motif的多层加权混合阶网络；所述基于motif的多层加权混合阶网络为网络中的边通过对单个节点和边级别的低阶结构和motif代表的高阶结构加权赋值得到的多层网络；步骤4：基于多层加权混合阶网络进行跨层游走，得到游走序列；步骤5：将游走序列输入到Skip
‑
Gram模型中，该模型通过最大化节点共现概率，将离散的网络节点表示成向量，得到节点向量表示X；步骤6：将输出的节点向量表示输入到K
‑
means++聚类算法，得到社区检测结果。2.根据权利要求1所述的一种基于motif感知的跨层游走社区检测方法，其特征在于，所述步骤3包括如下具体步骤：步骤3.1：根据获取的多层网络G
M
，确定各层网络的代表性motif，进而得到多层网络的代表性motif的集合；所述代表性motif为具有最大z
‑
score值的motif类型；步骤3.2：根据各层网络的代表性motif，对多层网络中各层网络的边权重新进行赋值，进而得到各层网络的新的邻接矩阵，并由各层网络的邻接矩阵组成多层网络加权混合阶网络。3.根据权利要求1所述的一种基于motif感知的跨层游走社区检测方法，其特征在于，所述步骤4包括如下具体步骤：步骤4.1：设定最大循环次数；步骤4.2：随机选取多层网络中的任意网络层中的任意节点作为随机游走的初始节点；步骤4.3：基于多层加权混合阶网络计算跳转因子和跳转概率，并根据跳转因子判断是否需要跳转到其他网络层；若需要跳转则随机跳转到其他网络层，并根据跳转概率确定下跳节点；若不需要跳转则留在当前网络层，并根据跳转概率确定下跳节点；所述跳转因子表示从当前网络层跳转到其他网络层的概率；所述跳转概率表示从当前节点跳转到该节点的邻居节点的概率；所述判断是否需要跳转到其他网络层的方法为：生成(0,1)中的随机数r，若r的值小于当前节点的跳转因子则需要跳转，否则无需跳转；所述根据跳转概率确定下跳节点的方法为：选择跳...

【专利技术属性】
技术研发人员：信俊昌，王贝贝，陈金义，张弦，王之琼，
申请(专利权)人：东北大学，
类型：发明
国别省市：