[发明专利]基于元胞自动学习机的复杂网络社团挖掘方法

说明书

技术领域

本发明涉及的是一种复杂网络社团挖掘技术领域，具体是一种基于元胞自动学习机的复杂网络社团挖掘方法。

背景技术

复杂网络是现实世界中复杂系统的一种抽象表现形式，网络中的节点代表系统中的个体，节点之间的连接则代表系统中个体之间的相互关系。目前，复杂网络已经广泛应用于表征电力网络、通信网络、互联网络、社交网络、神经网络、蛋白质网络等各种复杂系统。

社团结构是复杂网络的一个重要拓扑特性，整个复杂网络是由若干个社团组成，每个社团内部的节点连接非常紧密，而社团之间的连接则相对稀疏。复杂网络的社团对应于现实中拥有共同特点或功能的单元组织，例如在社交网络中社团就是拥有共同兴趣爱好的人组成的一个团体，而在蛋白质网络中社团则是拥有相似功能的蛋白质组成的细胞组织。因此，挖掘出复杂网络中的社团结构，对于分析网络的结构特点和拓扑性质具有十分重要的现实意义。

目前，已经提出了大量用来衡量复杂网络中社团结构优劣的评价指标，例如模块度、模块密度、传导率、社团适应度、社团评分等。以这些评价指标为目标函数，网络的社团挖掘可以转化为一个最优化问题。然而，基于最优化方法的网络社团挖掘是一个NP困难问题，这就要求网络的社团挖掘方法满足以下几个关键的性质：

第一，复杂度低。复杂网络的规模往往非常庞大，可以包含几千甚至上万的节点，如果方法的复杂度较高，那么进行社团挖掘的时间开销将会非常大；

第二，拥有良好的寻找全局最优解的性能。在某一评价指标下，全局最优解对应于最佳的社团结构，如果社团挖掘方法只能寻找到局部最优解，而不是全局最优解，那么得到的社团结构很有可能是不合理的；

第三，确保局部社团结构的紧密性。在某一评价指标下，全局最优解并不能保证局部社团结构的连接紧密，所以必须在寻找全局最优解的过程中，加入对于局部社团结构的约束，确保局部社团结构的紧密性。

经文献检索发现，M.E.J.Newman在文章“Fast algorithm for detecting community structure innetworks[J]”(《在网络中挖掘社团结构的快速方法》)(Phys.Rev.E69,066133(2004))(物理评论)中提出了一种基于贪心方法的社团挖掘方案。其方法为：首先将网络中的每一个节点看成一个独立的社团；然后计算将任意两个社团进行合并后得到的模块度增量，合并模块度增量最大的两个社团；重复以上步骤，直到网络中的所有节点被合并为一个大的社团；整个合并过程中得到的最大模块度所对应的社团即为最佳的社团结构。该方案采用了贪心方法，方法复杂度较低，但是只能获得局部最优解，并不能获得全局最优解，所以检测精度不高。

再经检索发现，R.Guimera和L.A.N.Amaral在文章“Functional cartography of complex metabolic networks[J]”(《复杂代谢网络的功能性制图》)(Nature433(7028),895-900(2005))(自然)中提出了一种基于模拟退火的社团挖掘方案。其方法为：首先随机生成一个初始的社团结构；然后通过将节点移动到其他社团、交换不同社团的节点、分裂社团或合并社团这四种行为来产生候选解；接着，计算每个候选解对应的社团结构的模块度，采用模拟退火的策略决定是否接受候选解；重复以上步骤，直到最优解对应的社团结构的模块度不再增大。该方案具有寻找全局最优解的能力，检测精度有一定的提升，但是方法的复杂度非常高，无法应用于大规模的网络。