[发明专利]一种社区网络检测方法及装置

说明书

本发明涉及一种社区网络检测方法及装置，包括：将社区网络中节点间的连接关系映射为二进制数组；根据二进制数组，确定目标节点的节点度、与目标节点连接的邻居节点的数量，所有节点的节点度之和、所有连接的数量；根据余弦相似性，确定目标节点与其邻居节点的相似度、获得边权重；根据边权重、所有节点的节点度之和、所有连接的数量，确定目标节点的模块度增益，并根据每一节点的模块度增益确定全局模块度，调整目标节点的模块度增益，当模块度增益使得全局模块度最大时或者使得全局模块度的增加百分比不大于阈值时值时，目标节点所在的社区是其最好社区，解决了模块度本身存在分辨率极限问题，具有更好的可扩展性，更高效的处理复杂的网络。

技术领域

本发明涉及信息技术领域，尤其涉及一种社区网络检测方法及装置。

背景技术

当今世界，随着互联网和社区网络的不断发展，社区网络检测越来越成为热点话题之一。包括社交网络和生物网络在内的网络系统被自然的划分为许多模块，而这些模块就称为社区。简单来说，社区就是在一个网络系统中有联系的节点的集群。由于大量的在线社区网络深深的影响到了的日常生活，所以检测到有意义的社区就成为了社区检测中的重要任务。

目前已经出现了许多处理社区检测问题的方法，例如贪心算法，模拟退火算法，极值优化算法，谱聚类算法，Louvain算法(该算法是基于模块度的社区发现算法)以及遗传算法。然而这些算法都需要社区数量作为输入，这在现实网络中是不可能的。

重叠社区检测的方法也出现了许多，这些方法通常先定义在相同社区出现的一个节点或者是一组节点的性质，然后在整个社区网络中查找具有相同性质的节点。例如Oslom2算法，作为获得社区质量的一个测评方法；Nicosia算法，延伸了模块化的概念和向量的因素；BigClam算法，通过让目标函数最大化来对社区节点进行计算。以上算法的缺点是必须要知道社区的数量。

基于模块度的社区发现算法也存在一定的问题：分辨率极限的问题，以及仅针对于将网络分解成非重叠社区，却没有涉及现实中的重叠社区。

发明内容

本发明的目的是解决现有技术中处理社区检测问题时存在的分辨率极限的、不能涉及重叠社区的问题。

第一方面，本发明提供了一种社区网络检测方法，所述方法包括：将社区网络中节点间的连接关系映射为二进制数组；根据所述二进制数组的数值，确定目标节点的节点度、与目标节点连接的邻居节点的数量，以及包括所述目标节点在内的所有节点的节点度之和、包括与目标节点连接的邻居节点的数量在内的所有连接的数量；根据余弦相似性，确定所述目标节点与其邻居节点的相似度，并根据所述相似度，对所述目标节点与其邻居节点的边进行加权，获得所述目标节点与其邻居节点的边权重；根据所述目标节点与其邻居节点的边权重、所述所有节点的节点度之和、所述所有连接的数量，确定所述目标节点的模块度增益，并根据包括所述目标节点在内的每一节点的模块度增益确定全局模块度；当除过目标节点之外的其他节点的模块度增益不变时，调整所述目标节点的模块度增益，当所述目标节点的模块度增益使得全局模块度最大时，所述目标节点所在的社区是所述目标节点的最好社区；或者当除过目标节点之外的其他节点的模块度增益不变时，调整所述目标节点的模块度增益，当所述目标节点的模块度增益使得全局模块度的增加百分比不大于阈值时值时，所述目标节点所在的社区是所述目标节点的最好社区。

优选地，所述根据余弦相似性，确定所述目标节点与其邻居节点的相似度，并根据所述相似度，对所述目标节点与其邻居节点的边进行加权，获得所述目标节点与其邻居节点的边权重具体包括：利用确定所述目标节点与其邻居节点的相似度,其中，ω_ij为节点i和节点j的相似度，N_i为节点i的邻居节点集，N_j为节点j的邻居节点集；将所述相似度赋值给所述目标节点与其邻居节点所构成的边并作为所述边的边权重。