[发明专利]在图形中进行层次社区检测的系统和方法

说明书

提供了一种用于在图形中检测社区的装置，其包括处理器，所述处理器用于计算以下循环：根据计算图形社区之间可能的移动来创建顶点社区的有向解耦图，对所述有向解耦图的边进行过滤以获得相应社区，每个社区包括以下之一：目标点是所述相应社区的顶点的入边，或原点是所述相应社区的顶点的出边；使用来自所述过滤的有向解耦图的各边的社区标签更新所述标记图的顶点，其中通过合并所述过滤的有向解耦图的每个社区的顶点并将所述压缩图的顶点对之间的多条边合并为单条边创建的压缩图表示所述标记图的计算层次社区。图形在并行和/或分布式计算系统中执行时最终收敛到解。

背景技术

本发明在其一些实施例中涉及社区检测，更具体地但非排他地，涉及在图形中进行层次社区检测的系统和方法。

社区检测(community detection，简称CD)是在图形中识别社区的过程。所述社区被识别为密切相关的顶点。CD在各种领域都有应用，包括计算机视觉、经济学、社会科学、医学研究和遗传学研究等。

社区检测有两种一般方法；平面和层次。层次CD是用于产生所述图形中所识别的社区的分层拓扑的社区检测过程。层次CD通常比平面CD更复杂，但产生分层社区拓扑且可以提供更好的精度。

层次社区检测方法可以包括分裂(自上而下)和凝聚(自下而上)这两种一般方法中的一种方法。所述凝聚方法通常对获得解的过程提供更多控制。

当大数据包括例如表示互联网连通性的大量图形时，在这种大数据中进行社区检测的问题是计算很困难。对于实际应用，在大数据图形中进行社区检测的方法应该足够快，以便在合理的时间内产生结果。由于正在分析的图形具有大尺寸，O(n²)复杂度的方法可能不会在合理的时间内产生解。为了在合理的时间内识别大数据图形中的社区，CD方法应设计为更接近线性时间复杂度。

现在参考图1，图1是描述具有已识别层次社区(用不同阴影表示)和对应树形图104(对应于图形102的社区阴影)的图形102的示意图，用于帮助理解本发明的一些实施例。

发明内容

本发明的目的在于提供一种用于在图形中检测社区的装置、方法、计算机程序产品和系统。

上述及其它目的通过独立权利要求的特征来实现。根据从属权利要求、说明书以及附图，进一步的实现方式是显而易见的。

根据第一方面，提供了一种用于在图形G＝(V，E)中使用顶点V和边E检测社区的装置，用于：首先使用标记图(G1＝V1，E1)以迭代方式(即以迭代循环)计算压缩图，其中所述图形G＝(V，E)充当用于所述迭代循环的第一次迭代的标记图，所述压缩图充当用于所述迭代循环的下一次迭代的标记图，直到表示当前迭代的压缩图的社区的连通性的图形模块化值相对于先前计算的压缩图的图形模块化值稳定或反向，其中通过以下方式对每次迭代的压缩图进行递归计算：为所述标记图(G1)的V1中的每个顶点v获得社区之间的所有顶点移动，其中任意两个社区之间的顶点移动是所述标记图(G1)的E1中的边e，连接来自所述两个社区的两个顶点；当不存在顶点移动时，停止所述迭代循环；当存在至少一个可能的顶点移动时，从所获得的社区之间的顶点移动创建顶点社区的有向解耦图(D(G1))，其中所述有向解耦图(D(G1))的每个顶点表示所述标记图的相应社区，并且所获得的社区之间的顶点移动表示为所述有向解耦图(D(G1))的各边；对所述有向解耦图(D(G1))的各边进行过滤以获得过滤的有向解耦图(FD(G1))，其中所述过滤的有向解耦图(D(G1))的每个顶点只有入边或出边；使用来自所述过滤的有向解耦图D(G1)的各边的社区标签更新所述标记图(G1)的顶点以创建更新图(G1’)；通过将所述更新图(G1’)的每个社区的顶点合并为单个顶点并使用汇总权重将所述压缩图的顶点对之间的多条边合并为相应顶点对之间的具有汇总权重的单条边来创建当前迭代的压缩图；输出最后一次迭代的压缩图，所述最后一次迭代的压缩图表示第一次迭代的标记图的计算层次社区。