[发明专利]动态社区发现及追踪系统及其方法

说明书

技术领域

本发明涉及SNS技术，尤其涉及一种动态社区发现及追踪系统及其方法。

背景技术

社会网络分析与挖掘，成为近几年学术界和产业界的热门研究领域，社区结构研究则是其中一个非常重要的研究课题。当前对社区结构的研究往往集中于静态层面，即给定一个网络，如何去发现其中隐藏的社区结构。然而,事实上，社会网络是不断变化的,社区结构也会随着网络的变化而演化,因此，人们开始关注动态社区的发现方法。

社区演化分析的开创性研究由Hopcroft等人进行[1]，他们分析了NEC CiteSeerDatabase提供的引文网络的不同时间的快照（snapshot），这些快照分布于1990到2001年，他们所采用的社区发现方法是凝聚式层次聚类。通过分析和匹配不同快照网络的社区结构，可以跟踪各个社区的演化情况，发现新社区的出现通常对应新的研究方向等有趣的现象。Falkowski[2]等人基于subgroups分析了社区演化，并找出相对稳定和动荡的社区结构。他们用相邻网络的快照找到交叠的部分，利用统计度量发现那些相对稳定的subgroups。Palla等人第一次系统地进行了社区演化分析的研究[3]，分析的数据是移动电话网络在一年内的数据、凝聚态物质领域的科学家合作网络数据，他们使用Clique PercolationMethod（CPM）方法[4]对每个时间步的图抽取社区结构，然后匹配连续时间片的社区结构，从而分析社区的演化规律。他们给出了很多有意思的特征，如：社区规模、生命周期、相关性、社区的自相关性等，其得出的主要结论是：小的社区较为稳定，而大的社区变化剧烈。

综上，当前对动态社区的研究都是基于时间片的方法，即首先对社会信息网络各个时间片上的快照进行社区发现，然后匹配相邻时间片的社区结构，探索社区的演化规律。此类方法的缺点之一在于，时间片的切分都是人为进行的，其粒度不同会导致结果的不同，若粒度太大，则会大大忽视社区结构的演化细节，若粒度太小，则会多次重复计算。基于时间片方法的缺点之二在于，需要对每个快照都要进行一次完整的社区发现，严重影响了发现效率。

因此，有必要研究一种与时间片切分粒度无关，能灵活准确地对动态社区进行发现及追踪的方法。

发明内容

有鉴于此，有必要提供一种动态社区发现及追踪系统及其方法。

本发明提供的一种增量的动态社区发现及追踪系统，包括：社区构建模块以及判断模块。其中，社区构建模块用于根据t时间的网络数据找出其中隐含的所有社区k=1,2,3,......K_t，其中K_t表示t时刻的社区总数目；判断模块用于检测出增量元素subG，其中，所述增量元素subG由节点和边组成，判断模块还用于判断所述增量元素subG的类型，其中类型包括：完全独立型、完全包含型、半包含半独立型以及多包含型，所述社区构建模块还用于在所述增量元素subG的类型为完全独立型时将所述增量元素subG作为t+1时刻的新社区，并对所述增量元素subG中的节点进行社区标识。

本发明还提供一种动态社区发现及追踪的方法，包括以下步骤：根据t时间的网络数据找出其隐含的所有社区k=1,2,3,......K_t，其中K_t表示t时刻的社区总数目；检测增量元素subG；判断所述增量元素subG的类型，其中类型包括：完全独立型、完全包含型、半包含半独立型以及多包含型；所述增量元素subG的类型为完全独立型时将所述增量元素subG作为t+1时刻的新社区，并对所述增量元素subG中的节点进行社区标识。

本发明中的动态社区发现及追踪系统及其方法实现的与时间片切分粒度无关的社区更新，灵活准确地实现了动态社区的发现及追踪。

附图说明

图1为本发明一实施方式中动态社区发现及追踪系统的模块图；

图2为本发明一实施方式中利用图1所示的动态社区发现及追踪系统进行动态社区发现以及追踪的方法的流程图；

图3为增量元素subG的类型示意图；

图4为本发明第一实施方式中半包含半独立型增量元素subG的社区更新示意图；

图5为本发明第二实施方式中半包含半独立型增量元素subG的社区更新示意图；

图6为本发明第一实施方式中多包含型增量元素subG的社区更新示意图；

图7为本发明第二实施方式中多包含型增量元素subG的社区更新示意图；

图8为本发明中社区的合并过程示意图；

图9为本发明中社区分裂过程示意图。

具体实施方式