【技术实现步骤摘要】
本专利技术涉及社交网络，具体为一种基于动态社团检测的社交群体发现方法。
技术介绍
1、在大数据时代，社交群体发现的研究对于社交网络和大数据应用领域有着重要的影响。随着社交网络的不断演化，群体结构可能发生变化，持续的社交群体发现能够实时监测这些动态变化。这项研究不仅有助于理解社交网络的组织形式，还对信息传播、个性化推荐系统等领域产生积极影响。通过深入挖掘社交网络内部的群体结构，我们能够更好地优化网络运营、改进推荐算法，并为社会学等学科提供新的数据视角。综合而言，社交群体发现不仅为社交网络领域的前沿研究提供了重要支持，也为更广泛的社会科学研究带来了丰富的可能性。
2、社交群体发现为大数据应用提供了更深层次的洞察。在社交网络中，群体结构蕴含着丰富的信息，包括用户行为、社交关系等。通过深入了解这些群体，我们可以更好地理解用户需求、行为模式，为大数据应用提供更为精准的个性化服务和推荐。
3、目前，动态网络中的社团检测方法主要分为以下两类：
4、第一类：增量方法认为社交群体结构随时间变化，只有小部分社团结构会发生变化。增量方法调整局部社团结构，以提高整体社团结构的准确性。增量方法的时间消耗不高，它直接在已有结果上进行改进，减少了多次重复计算。然而，通过增量方法获得的社团结构的质量在很大程度上依赖于以往社团划分的结果。如果一开始结果不准确，就很难在以后的时间步中获得准确的社团结构。
5、第二类：进化聚类的方法是利用时间平滑法来探索网络中的社团结构。这种方法假设社团不会突然变化，并且利用历史信息来
6、因此，目前公开的一些现有技术，均存在着不足之处，不能满足要求。
技术实现思路
1、本专利技术的目的在于：提供一种基于动态社团检测的社交群体发现方法，以解决以上缺陷。
2、为了实现上述目的，本专利技术提供如下技术方案：
3、一种基于动态社团检测的社交群体发现方法，其特征在于，包括以下步骤：
4、对动态网络进行相关定义，动态网络是将不同的网络划分为时间步，可以定义为gt＝{g1，g2，...，g3，...，gn}，其中gt＝(vt，et)表示动态网络在时间步t时的网络结构；vt＝{v1，v2，...，vi，...，vn}是在时间步t的一组节点；et＝{(vi，vj)|vi，vj∈v，i＝j}是一组连接，vi与vj表示vt网络中的两个节点，(vi，vj)表示它们之间的连边。et表示在时间步t时，网络中所有的连边。随着时间的推移，网络中将添加或删除节点，节点之间的关系也会发生变化；ct＝{c1，c2，...，cn}表示在时间步t网络中的n个社团结构；
5、s1、个体编码：
6、定义初始时间步t＝1，最大时间步tmax；采用k位实数变量来表示种群中的每个个体pi，以网络中节点数量为长度，编码中的每一位都表示与该节点相邻的一个邻居节点；vi节点与vj节点之间有连接，即et中(vi，vj)≠0，则节点i为节点j的邻居节点，编码i处的编码即为节点vi的一个邻居节点vj；
7、s2、种群初始化：
8、定义种群规模为pop，初始迭代次数gen＝0；对个体pi每一个基因位随机选取与该基因位节点相邻的节点作为当前基因位编码，重复执行直至得到pop个个体{p1，p2，...，pi，...，ppop}，构成初始种群p＝{p1，p2，...，pi，...，ppop}；
9、s3、适应值计算：
10、计算初始种群p中第i个个体pi的两个目标函数，包括：模块度q和归一化交互信息nmi；
11、s4、种群进化：
12、定义最大迭代次数为maxgen，交叉概率cr，变异概率mu；初始迭代次数gen＝0；经交叉策略、变异策略、选择操作，然后将gen+1赋值给gen，直到达到最大迭代次数为止，从而得到最终的种群；再从种群中选择模块度最大的个体作为该时间步最终的社团结构ct；直到所有时间步全部迭代完成，即t＝tmax，然后输出每个时间步社团检测结果，从而实现基于动态社团检测的社交群体发现的整个过程；如果t<tmax，则继续执行。
13、s5、多样性解迁移策略：
14、经个体选择策略，利用相邻时间步的网络gt与网络gt-1计算出网络变化中变化的节点和边，将变化分成四类：增加的节点、删除的节点、增加的边、删除的边，并分别进行处理；再将时间步t+1赋值给t；最后经多样性初始化后，返回至步骤s4继续执行。
15、优选地，在s3步骤中，所述模块度q的计算公式如下：
16、
17、式中，k是社团数目，s∈{1,2,...k}，m是边数目，ls是第s个社团内部边的总数，ds是第s个社团内部中所有节点度的总和；模块化q衡量了当前网络社团结构的质量，在模块化q中，第一部分表示社团中的边所占的比重，第二部分是随机得到社团中边所占比重的期望值。
18、优选地，在s3步骤中，所述归一化交互信息nmi，度量了当前时间步长与社团划分的前一个时间步长的相似性，其计算公式如下：
19、
20、式中，a和b是两个网络划分，ca和cb分别表示划分a和划分b的社团个数，矩阵c中元素cij是同时在划分a中属于社团i和在划分b中属于社团j的节点个数，n是网络中节点个数，ci.和c.j分别表示未矩阵c第i行元素总和以及第j列的元素总和。
21、优选地，在s4步骤中，所述交叉策略，具体操作为：遍历种群中的个体随机产生一个[0,1)的随机数r，如果r＜cr，交换个体pi和个体ppop-i+1对应位置的元素。
22、优选地，在s4步骤中，所述变异策略，具体操作为：
23、计算当前时间步网络的相似度矩阵，遍历种群中的个体对每个节点计算其邻居社团的社团相似度；利用节点相似度计算该节点与其邻居社团相似度，将该节点放到相似度最大的社团里，若模块度升高，则执行；否则，对下个基因位点继续变异操作；
24、所述社团相似度计算方式如下：
25、
26、式中，ns表示节点i与社团cj的相似度，j为社团cj中的节点，i表示待求社团相似度的节点，n为社团cj中节点的数量，sij表示节点i与节点j之间的相似度。
27、优选地，在s4步骤中，所述选择操作，具体操作为：遍历所有个体，保留原始个体和进化后个体中适应度值大的个体。
28、优选地，在s5步骤中，所述个体选择策略，具体操作为：
29、保留上个时间步所有迭代后的种群个体，并作非支配排序；
30、从第一前沿面开始，选择三分之一的种群规模即作为迁移的精英解决方案popelite；如果第本文档来自技高网...
【技术保护点】
1.一种基于动态社团检测的社交群体发现方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于动态社团检测的社交群体发现方法，其特征在于，在S3步骤中，所述模块度Q的计算公式如下：
3.根据权利要求1所述的一种基于动态社团检测的社交群体发现方法，其特征在于，在S3步骤中，所述归一化交互信息NMI，度量了当前时间步长与社团划分的前一个时间步长的相似性，其计算公式如下：
4.根据权利要求1所述的一种基于动态社团检测的社交群体发现方法，其特征在于，在S4步骤中，所述交叉策略，具体操作为：遍历种群中的个体随机产生一个[0，1)的随机数r，如果r＜cr，交换个体Pi和个体ppop-i+1对应位置的元素。
5.根据权利要求4所述的一种基于动态社团检测的社交群体发现方法，其特征在于，在S4步骤中，所述变异策略，具体操作为：
6.根据权利要求1所述的一种基于动态社团检测的社交群体发现方法，其特征在于，在S4步骤中，所述选择操作，具体操作为：遍历所有个体，保留原始个体和进化后个体中适应度值大的个体。
7.根据权利要求
8.根据权利要求7所述的一种基于动态社团检测的社交群体发现方法，其特征在于，在S5步骤中，对增加的节点、删除的节点、增加的边、删除的边，分别进行处理，其具体操作为：
...【技术特征摘要】
1.一种基于动态社团检测的社交群体发现方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于动态社团检测的社交群体发现方法，其特征在于，在s3步骤中，所述模块度q的计算公式如下：
3.根据权利要求1所述的一种基于动态社团检测的社交群体发现方法，其特征在于，在s3步骤中，所述归一化交互信息nmi，度量了当前时间步长与社团划分的前一个时间步长的相似性，其计算公式如下：
4.根据权利要求1所述的一种基于动态社团检测的社交群体发现方法，其特征在于，在s4步骤中，所述交叉策略，具体操作为：遍历种群中的个体随机产生一个[0，1)的随机数r，如果r＜cr，交换个体pi和个体ppop-i+1对应位置...
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。