[发明专利]考虑社区结构稳定度和增量相关节点进行社区发现的方法

说明书

本发明涉及一种考虑社区结构稳定度和增量相关节点进行社区发现的方法，包括以下步骤：1、生成初始社区集，设置社区的初始权重，并初始化迭代时刻；2、计算增量相关节点集合IV_t；3、遍历每个社区，解散社区集NS_t中社区权重和社区规模小于阈值的社区；4、对集合IV_t中的节点进行社区划分，生成新社区；5、遍历每个新社区，解散社区规模小于阈值的新社区；6、遍历剩余相关节点集合IV_t‑rm中各节点，计算节点与相邻社区的相似度，将其加入相似度最高的社区，生成社区集NS_t；7、更新每个社区的稳定度和权重；8、计算NS_t的社区结构稳定度；9、判断是否满足迭代停止条件，以结束计算。该方法可以高效、准确地进行社区发现。

技术领域

本发明涉及社交网络上的重叠社区发现技术领域，特别是一种考虑社区结构稳定度和增量相关节点进行社区发现的方法。

背景技术

随着Web 2.0技术的发展，人们通过注册Twitter、FaceBook、微博等社交平台的帐号，相互认识并成为好友。因此，社交网络已经成为人们生活中不可或缺的一部分。复杂网络可以被抽象为有向或无向图结构，借助图论的相关工具与方法，可以刻画社区结构，并设计基于图论方法的社区发现算法。社区结构的发现就是将网络节点按照其内在的拓扑结构连接的紧密程度划分成若干个子图的过程。分析并发现其结构对于用户行为分析，情感分析，个体影响力分析等都具有重要作用。

针对复杂网络的特征，如小世界、无标度、拥有社区结构等。有许多学者进行了大量研究，提出了很多经典的社区发现算法。传统对社区结构的研究主要针对静态网络的社区发现，基于MapReduce等并行计算模型的静态社区发现算法已经能够很容易地处理包含大规模的社交网络。但是，在真实环境中，网络并不是一成不变的，它们往往随着时间变化，具有动态的特征。目前，动态网络的社区检测主要包括进化聚类和增量聚类。增量方法将前一时刻社区检测的输出结果作为下一个时刻的输入，由于增量聚类的时间开销较少，因此，基于增量的社区划分算法得到了广泛关注。

现有的增量社区发现算法在社区发现方面已经取得一定成果，但仍然存在以下几个问题：首先随着时间的推移，基于增量式的社区发现会存在累积效应产生的误差；其次，面对更大规模的社交网络，如何提高算法的运行效率；最后，只考虑了所有社区的变化，而没有考虑各个社区的变化情况。

发明内容

本发明的目的在于提供一种考虑社区结构稳定度和增量相关节点进行社区发现的方法，该方法可以高效、准确地进行社区发现。

为实现上述目的，本发明的技术方案是：一种考虑社区结构稳定度和增量相关节点进行社区发现的方法，包括以下步骤：

步骤1：采用SLPA算法在网络G₁上生成初始社区集NS₁；

步骤2：对任意社区c∈NS₁，设置社区c的初始权重wc(c,t₀)＝1.0；

步骤3：初始化迭代时刻iter＝2；

步骤4：计算t时刻相较于t-1时刻的增量相关节点集合IV_t；