[发明专利]一种基于核心成员识别的社区发现方法

说明书

本发明公开了一种基于核心成员识别的社区发现方法，包括如下内容：首先对网络中的节点进行基于节点中介中心值的核心成员识别，然后进行初始聚类，根据节点在网络中作用的大小形成初始的社会网络结构；再将初始聚类的节点看作一个节点，对节点间的相似度矩阵M降维，形成新的相似度矩阵M’，代替模块度增量矩阵作为CNM算法的输入。本发明对核心成员的识别为初始聚类提供了条件，在计算节点间相似度时可以通过降维缩小矩阵规模，缩短算法损耗的时间。核心成员识别算法采用了基于广度优先搜索的快速中介中心性计算方法，其空间复杂度和实践复杂度均低于传统算法，可以快速定位社区网络中的重要成员，有利于社会网络结构合理的划分。

技术领域

本发明涉及一种基于核心成员识别的社区发现方法。

背景技术

社会网络是指由行动者和他们之间的联系所构成的集合，社会网络通常会呈现出小团体的特性，即社区。对于虚拟社交网络的分析结果可以作为现实社会网络的一种映射。因此，社区发现技术作为社会网络分析的关键技术，越来越受到学者们的关注。但是，目前的社区发现算法仍存在着社区发现质量不高或算法运行效率较低等亟待解决的问题。

现有的社区发现算法，多为通过分析每个用户的信息，从中提取特征词，以一个用户为基准计算其他用户的相似度的方式来实现。其主要思路是随机选取一个用户为基准计算相似度，忽略了核心成员在社区划分准确性中存在的作用。或者在一个社区网络中，根据所要发现社区的规模范围划定一个搜索区域，在所述的搜索区域内根据节点的邻居节点数目做剪枝操作。这类方法类似于基于边中介(Edge Btweeness)概念的分割方法——GN算法，但是GN算法时间复杂度较大不适于大规模的网络。

发明内容

为了克服现有技术的上述缺点，本发明提供了一种基于核心成员识别的社区发现方法，利用中介中心性作为核心成员的衡量标准，并通过改进的CNM算法以核心成员为中心进行聚类，将看似无规律的数据成员根据其中的联系划分为具备某种相同特性的社区团体。本发明可以在大量繁杂的数据中更高效准确地识别出核心成员并划分社区结构，可以使数据处理更加有针对性，无论是从配置资源还是从信息处理方面，降低人力成本和资源成本，做到有的放矢。

本发明解决其技术问题所采用的技术方案是：一种基于核心成员识别的社区发现方法，包括如下内容：首先对网络中的节点进行基于节点中介中心值的核心成员识别，然后进行初始聚类，根据节点在网络中作用的大小形成初始的社会网络结构；再将初始聚类的节点看作一个节点，对节点间的相似度矩阵M降维，形成新的相似度矩阵M’，代替模块度增量矩阵作为CNM算法的输入。

与现有技术相比，本发明的积极效果是：

1、对核心成员的识别为初始聚类提供了条件，经过初始聚类后的社区，在计算节点间相似度时可以通过降维缩小矩阵规模，缩短算法损耗的时间。

2、核心成员识别算法采用了基于广度优先搜索的快速中介中心性计算方法，其空间复杂度和实践复杂度均低于传统算法。

3、基于核心成员识别的社区发现算法，可以快速定位社区网络中的重要成员，便于锁定目标，确定群体性质，增强资源利用的针对性。

4、该专利的思想是首先对网络中的节点进行核心成员识别并在此基础上进行初始聚类，根据节点在网络中作用的大小形成初始的社会网络结构，防止较小社区无法发现的情况，有利于社会网络结构合理的划分。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1节点对的最短路径示意图；

图2为Zachary网络核心成员三维示意图；

图3为改进的CNM算法的基本流程示意图；

图4为NCNM算法流程图。

具体实施方式