[发明专利]一种时变网络中时效稳定社团的检测方法和装置

说明书

本发明属于复杂网络分析技术领域，具体为一种时变网络中时效稳定社团的检测方法和装置。本发明方法包括：获取节点之间的连接随时间变化的情况，构建时变网络；使用波动率定量刻画网络中连边的动态变化程度；初始化社团结构，结合波动率计算时变网络的动态模块度；优化动态模块度，其最大值对应的社团结构即为时变网络的时效稳定社团。本发明使用波动率定量刻画网络动态变化，并将网络动态变化特点与社团检测方法结合起来，给出了识别时变网络中稳定社团的方法，提高了社团检测的准确性和可靠性，在社交网络、生物网络、交通网络等不同领域具有广泛的应用前景，同时为理解实际生活中复杂系统中社团结构的功能、动态过程提供新的视角。

技术领域

本发明属于复杂网络分析技术领域，具体涉及一种时变网络中的时效稳定社团检测方法和装置。

背景技术

网络是刻画复杂系统中海量元素之间复杂关系的有效工具，实际生活中的很多系统都可以使用网络建模分析，如社交网络，蛋白质相互作用网络，交通网络等。

基于网络科学的研究已经发现了实际系统许多重要的性质，包括小世界属性，富人俱乐部以及社团结构等。网络中的社团是指节点的聚类，相同社团的节点连接紧密，不同社团的节点连接稀疏。基于网络结构将节点划分为社团的过程被称为社团检测。社团结构广泛地存在于实际系统当中，如社会学、生物学、计算机科学、经济学、交通系统和电力系统等。网络的拓扑结构与节点属性、网络功能的联系通过社团得以体现，社团结构对网络中的传播过程产生影响。检测和研究社团结构有助于我们理解网络的结构特征和行为变化。同时，社团检测在实际生活中有丰富的应用场景，如线上购物网站中的商品推荐，社交软件中的广告投放，生物学研究中蛋白质和基因功能的预测等。

由于社团结构的普遍存在和重要意义，近年来社团检测算法已成为网络科学的重要研究问题之一。图割和聚类等传统算法可以直接用于网络的社团检测，如层次聚类和谱聚类，其中层次聚类算法中最为著名的是Newman和Girvan提出的基于连边介数中心性的分裂算法。Newman和Girvan提出模块度(modularity)来衡量社团划分的质量，模块度值越大表明社团结构越明显。给定网络结构，最大化模块度是检测网络中社团结构的有效手段。由于这是一个NP难问题，一系列启发式算法被提出寻找近似解，如Blondel等人提出的Louvain算法适用于加权网络。基于模块度最优化的方法是应用最广泛的社团检测算法，但是该方法存在精度限制，无法找到相对网络而言尺寸较小的社团。除了直接分析网络的拓扑结构，还可以基于网络中的动态过程检测社团，包括自旋模型，随机游走和同步。

已有的社团检测算法被广泛地应用到静态网络中，但是多数实际系统是随时间不断变化的。例如，当大脑受到外界信号的刺激时，脑区的活跃程度和不同脑区之间的联系会相应地改变；节假日期间，城市之间的交通流量会与平日不同。从网络拓扑的角度而言，系统的动态变化体现在节点的增加和减少，连边的出现和消失，以及连边权重的变化三个方面。为了保留网络结构在时间维度上的信息且模型的复杂度又不至于过高，多种关于时变网络的建模方式被提出。

结构的动态变化和建模方式复杂度的增加为时变网络中的社团检测带来一系列挑战。关于时变网络中社团结构的研究能够为我们理解、控制和预测网络结构的演化、网络结构特征的出现和形成，网络中的传播过程提供更加深入和全面的视角。近年来，时变网络中的社团检测引起了学者的广泛关注。使用网络序列表示结构随时间的变化，并用静态网络的方法检测序列中每个网络的社团是一个简单直观的思路，这类方法被称为序列检测，根据是否考虑社团结构变化的平滑性可以分为独立检测和演化聚类两类方法。这类方法的关键问题在于排除噪声等因素对社团结构变化的干扰，以及确定相邻时间社团的对应关系。而基于多层网络的检测算法被称为整体检测方法，但目前层间连边局限在相邻网络的同一节点之间，非相邻网络不同节点之间的联系还有待研究。无论跟踪社团结构的变化还是寻找时变网络中不变的社团，对网络结构时效变化的研究还不够充分，已有的研究多数局限在对网络整体结构在短时间内连续变化这一特点的考虑，缺乏对网络在更长时间范围内的时效变化特征，网络中连边的时效变化，以及网络结构非连续变化的讨论。

发明内容