[发明专利]一种网络中社区数目的估计方法及装置

说明书

技术领域

本发明涉及一种网络中社区数目的估计方法及装置，属于网络划分技术领域。

背景技术

网络理论研究中，复杂网络是由数量巨大的顶点及边的关系组成的集合。现实生活中的各种关系均可以建模为网络结构，如社会网络、信息网络、技术网络、生物网络等，进而有针对性的研究。复杂网络因为节点数目庞大、网络动态进化等多重复杂性融合，其内部结构也非常复杂。在复杂网络的社区结构特性中，通常将一个大型网络划分为由部分关系密切的节点组成的小模块，每个社区子图都可以提供研究网络特征的精确数据的依据。把整个复杂网络划分为多个社区结构，将网络中每一模块的详细属性提取出，通过研究这些网络的社区结构，能够为把握网络特性提供更详细、更精准的依据。

从不同的网络社区划分依据来说，目前社区发现方法主要有图分割法(如Kernaghan-Lin算法、Laplace图谱分解法等)、层次聚类方法(如GN算法等)，聚类划分法(如K-means算法等)，这些经典的算法都在不同程度上对网络中社区结构进行划分，对于不同网络特征采取不同的算法，能取得很好的成绩。经典的算法Kernaghan-Lin算法主要通过网络图，不断迭代将网络社区随机解改进，达到局部优化的社区结构；GN算法则是通过不断剔除边介数最大的边来退化网络成为社区的，是一种分裂的层次聚类算法；K-means是对已知社区数目的网络进行划分，当得知网络中社区的个数后，K-means算法能准确划分网络中节点，对照真实社区划分，结果最为理想。

由于复杂网络节点分布具有随机性，社区规模不均匀，多数社区发现发放采用聚类划分这类算法，如K-means算法与K-moedids算法。这类算法划分精确度较高，但在实验前需先得知网络中社区的数目，才能根据此要求，将网络分为对应数量的社区结构，如没有给出社区的数目参数，划分社区的结果将与真实网络社区结构严重不符合。目前一般会采用试探法寻找划分社区数目的最优值，但是该方法需要浪费较长的时间，且分得的社区准确性也不高。

发明内容

本发明的目的是提供一种网络中社区数目的估计方法，以解决目前社区数目确定方法效率低、准确性不高的问题。同时，本发明还提供了一种网络中社区数目的估计装置。

本发明为解决上述技术问题而提供一种网络中社区数目的估计方法，其特征在于，该估计方法包括以下步骤：

1)根据网络节点的邻接矩阵计算网络中各节点的度，并将各节点按照度的大小进行排序；

2)寻找每个节点到比其度数大的节点之间的最短距离；

3)根据节点度和最短距离确定可疑中心节点，可疑中心节点的数目即为网络中社区的个数，所述可疑中心节点为节点度数大于设定值，且满足与其他可疑中心节点的距离大于设定距离的节点。

进一步地，所述步骤2)采用广度优先算法实现，包括以下过程：

A.选取度数最大的节点并将其度数设置为无穷大，并将该节点入栈；

B.选取除前次改动度数或设置过的节点外，剩余最大度数的节点为源节点；

C.判断所选源节点是否与没有入栈的节点连接，若有，将与之连接的节点入栈，并把当前入栈的节点作为源节点继续向下寻找节点，直到目的节点入栈。

进一步地，所述的目的节点为网络中最深的节点，该节点满足以下条件：利用广度优先算法遍历该节点之前，与之有直接联系的所有节点必须均已入栈，并称这些节点为上层节点，需找该节点时不能出现回路；再次用广度优先算法按层次遍历时，再无下一层节点与之直接联系，并称之为无下层节点。

进一步地，在通过源节点到目的节点的最短路径查找时,记录下每一次寻找期间经历过的路径。

进一步地，所述步骤3)是通过绘制网络中各节点度与其最短距离的决策二维图来确定可疑中心节点的。

本发明还提供了一种网络中社区数目的估计装置，该估计装置包括存储器和处理器以及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器与所述存储器相耦合，所述处理器执行所述计算机程序时实现以下指令：

1)根据网络节点的邻接矩阵计算网络中各节点的度，并将各节点按照度的大小进行排序；

2)寻找每个节点到比其度数大的节点之间的最短距离；

3)根据节点度和最短距离确定可疑中心节点，可疑中心节点的数目即为网络中社区的个数，所述可疑中心节点为节点度数大于设定值，且满足与其他可疑中心节点的距离大于设定距离的节点。

进一步地，所述步骤2)采用广度优先算法实现，包括以下过程：

A.选取度数最大的节点并将其度数设置为无穷大，并将该节点入栈；