[发明专利]基于社区划分的社交网络好友推荐方法

说明书

本发明公开了基于社区划分的社交网络好友推荐方法。链接预测是根据现有网络拓扑结构和节点属性信息等去预测两点间存在连接可能性的大小。现有的大部分节点相似性算法只考虑了共同邻居节点的信息，即路径长度为2的拓扑结构，忽略了某些节点可能所属同一个社区的重要信息，显然处于统一社区的节点之间有更大的可能存在链接。针对传统链接预测方法的不足，本发明主要使用改进的遗传算法先对所有节点进行社区划分，然后再根据社区划分的结果进行链接预测，从而提出了一种基于社区划分的社交网络好友推荐算法。通过在5个真实网络中做出对比试验，比较分析了本发明算法与传统节点相似性算法的准确性，证实了该算法的可用性。

技术领域

本发明属于复杂网络链路预测领域。具体是使用改进的遗传算法 对所有节点做社区划分，进而再进行相似性预测的算法。是用于社交 网络好友推荐中的一种新方法。

背景技术

复杂网络是指节点数量巨大，且各节点之间连接结构复杂的网络。 复杂网络具有自组织、自相似、吸引子、小世界、无标度等特性。而 现实生活中可被描述为复杂网络的系统十分常见。如交通运输网络， 金融关系网络，论文引用，社会网络等。通过研究复杂网络，可以更 清晰地分析现实生活中的网络结构及其演化过程。

链接预测问题是复杂网络研究方向之一，它利用已知的网络信息 (其节点信息以及其拓扑结构)来预测网络中尚未产生连边的两个节 点之间产生链接的可能性。链接预测包括两方面内容：(1)此时不存 在，但是未来可能发生的链接。(2)此刻已经存在，但是由于数据 不完整等问题而未被识别的链接。目前主流的研究方法大概分为以下 几种：

(1)基于有监督学习的分类模型，如决策树、朴素贝叶斯、神经网 络、SVM、KNN以及集成方法中的bagging、boosting和随机 森林等。此时把链接预测问题转化为一个二分类问题，即存在 链接为1，反之则为0。

(2)基于相似性的链路预测，又细分为基于局部信息的相似性指标、 基于路径的相似性、基于随机游走的相似性指标。

(3)基于最大似然估计的链路预测，又细分为层次结构模型和随机 分块模型。

(4)概率模型。

目前，链接预测已被广泛地应用于许多现实研究领域中。比如社 交网络中的好友关系推荐(如人人网中的好友关系预测)，推荐系统 (如淘宝网中的个性化推荐)。本发明将其应用在好友关系预测上， 将可能是朋友的用户推送给当前使用的用户，若推荐准确，显然可以 提升用户对于网站的依赖程度。

现有的主流链接预测方法中大多基于节点相似性。基于节点相似 性的方法是一种提出最早且简单有效的方法。其中共同邻居(CN) 是最常用的算法，计算共同邻居的节点个数；还有一些方法为了对两 个节点各自的共同邻居节点集合进行操作，引入了余弦相似度，并提 出了SALTON指标。其它常用基于节点相似性的测量方法如表1所 示：

表1节点相似性

发明内容

现有的大部分节点相似性算法只考虑了共同邻居节点的信息，即 路径长度为2的拓扑结构，而忽略了某些节点可能所属同一个社区的 重要信息，显然处于统一社区的节点之间有更大的可能存在链接。为 了保持基于节点相似性链接预测算法简单快捷有效的特性，并针对其 中的一些不足，本发明提出了一种基于社区划分的链接预测算法。

本发明采用的技术方案如下：

基于社区划分的社交网络好友推荐方法，本方法主要流程为基于 谱聚类改进的遗传算法做社区划分CMDT，将社区划分CMDT的中 间结果作为链接预测算法的输入，并进行链接预测，链接预测方法主 要依据随机分块模型。

社区划分CMDT具体步骤如下：