[发明专利]一种社区发现的方法

说明书

技术领域

本发明属于复杂网络领域，具体涉及一种社区发现的方法。

背景技术

在网络理论的研究中，复杂网络是由数量巨大的节点和节点之间错综复杂的关系共同构成的网络结构。用数学的语言来说，就是一个有着足够复杂的拓扑结构特征的图。现实世界中包含着各种类型的复杂网络，如社会网络(朋友关系网络及合作网络等)、技术网络(万维网以及电力网等)、生物网络(神经网络、食物链网络以及新陈代谢网络等)。

经过近几年的努力，复杂网络的研究取得了许多重要进展，发现了复杂网络的若干统计特征，其中包括小世界性质(即网络中节点之间的平均距离很短，对数依赖于网络中的节点数)、无标度性质(即网络中节点的度分布右偏斜，具备幂函数或指数函数的形式)以及聚集性或网络传递性。

复杂网络的另一个重要特征就是网络中所呈现出的社区结构。大量实证研究表明，许多网络是异构的，即复杂网络不是大批性质相同节点的随机连接，而是许多类型的节点的组合，其中相同类型的节点存在较多的连接，而不同类型节点的连接则相对较少。我们把同一类型节点以及这些节点之间的边所构成的子图称为网络中的社区。

MapReduce是Google提出的一个软件架构，用于大规模数据集的并行运算。通过Map函数将计算任务分配给计算节点，通过Reduce函数将计算结果进行整理得到最终需要的结果。在并行计算的过程中支持计算任务的分配和调度，计算节点的可靠性分析，如果某个计算节点长时间未响应，则认为其“死亡”，将其移除。

发现这些网络中的社区有助于我们更加有效地理解和开发这些网络。但是随着大数据时代的到来，由于目前算法的计算复杂度过高，一些算法需要先验知识和使用范围狭隘，导致这些算法无法在实际的复杂网络中应用。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种社区发现的方法，该方法可以在复杂网络中快速的进行社区的发现。

为达到上述目的，本发明所述的社区发现的方法包括以下步骤：

1)根据包含成员与成员之间关系的复杂网络构建一个相互连接的无向图，其中复杂网络中的成员用无向图中的节点来表示，成员与成员之间的关系用无向图中的边来表示；

2)在无向图中进行N次随机游走，且每次随机游走均进行L步，得每次随机游走的遍历节点序列，然后将每次随机游走得遍历节点序列分为若干子序列，其中每个子序列均包括K个节点，再对每个子序列进行边的统计，当子序列中的任意两个节点存在边时，则将该边的统计量增加1，得各次随机游走中边的统计量；

3)将各次随机游走中边的统计量相叠加，得各边最终的统计量，然后将各边最终的统计量进行排序，得最终统计量最大的边(vg，vh)，然后以该边对应的节点vg及节点vh作为社区C0的初始节点，记作C0＝{vg，vh}；

4)对于第M条边(vi，vj)，当节点vi属于已有社区Cx，且节点vj不属于其他任意一个已有社区时，则将节点vj添加到社区Cx中，当节点vi及节点vj均不属于任何已有社区时，则创建新的社区Cy，其中Cy＝{vi，vj}，当节点vi属于已有社区Cx，且vj属于另一已有社区Cz时，则不进行处理；

5)重复步骤4)，得到复杂网络的社区结构。

步骤2)中L＝B²/N，其中B为无向图中节点的数量。

步骤2)中K大于或等于3，且K小于或等于10。

本发明具有以下有益效果：

本发明所述的社区发现方法通过N次随机游走的方法获取复杂网络的遍历节点序列，然后将该遍历节点序列分为长度为K的子序列集，并统计所有子序列集中边的数量，再将N次随机游走所得到的边的统计量相叠加，从而得到边的最终统计量，当边的最终统计量越大，则代表该边对应的两个节点的关系越紧密，然后再根据边的最终统计量进行得到无向图中的社区结构，处理过程中无需先验知识，达到降低计算代价的目的，时间短，适应性强。

附图说明

图1为本发明实施例一中复杂网络的结构示意图；

图2为本发明实施例一中获取边的最终统计量的流程图；

图3为本发明实施例一中获取社区结构的流程图；

图4为本发明在复杂网络中Zachary’s karate club应用结果的示意图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

本发明所述的社区发现的方法包括以下步骤：