[发明专利]一种基于极大团枚举的社交网络中社团发现方法

说明书

本发明公开了一种基于极大团枚举的社交网络中社团发现方法，包括：S1.将社交网络关系抽象为社交网络图，极大团结果集初始化为空集；S2.采用core decomposition划分社交网络图，得到各顶点的邻接子图；S3.取出下一未处理的邻接子图，判断邻接子图是否达到稠密，若是，进入步骤S4，若否，进入步骤S5；S4.迭代删除邻接子图中度数最小的顶点，直至当前子图成为团，再回溯去搜索包含之前删除点的极大团，将得到的极大团并入极大团结果集中；S5.调用传统极大团枚举方法进行计算，将得到的极大团并入极大团结果集中；S6.重复步骤S3～S5，直至所有邻接子图处理完。本发明根据邻接子图远比网络整体稠密特点，通过删除不合格的用户来生成极大团，在大规模社交网络上得到高效的实现。

技术领域

本发明属于大数据挖掘技术领域，更具体地，涉及一种基于极大团枚举(MaximalClique Enumeration)的社交网络中社团发现方法。

背景技术

随着互联网技术的发展，各式各样的虚拟社区逐渐成长，例如Facebook，微博，以及各个博客平台，虚拟社区成为了很多人重要的人际交往工具。一个虚拟社区可抽象成一个社交网络图，其中，用户是图中的顶点，用户之间的关系是顶点之间的边。用微博来举例，每一个微博用户可以抽象成图中的一个顶点，而微博用户之间的“关注”可以用图中的边来表示，这样整个微博用户群就可以用一个社交网络图来描绘。在社交网络中，社区发现是一个经典的应用问题，社区发现是指发觉社交网络中潜在的社团，一个社团是内部成员都有关系或者某种相似点的一个团体。团(Clique)是图中的一种子图结构，其所有顶点都互相相连。团可被认为是社交网络中的一种经典社团，一个团内的所有用户都互相有关系。极大团是不会被其他团所包含的团。极大团可被认为是社交网络中的一种稠密社团，因此对社交网络图枚举其所有极大团，可以发现其中暗含的各个社团，在社交网络的推荐、广告、用户画像等领域均有应用。

经典的Bron-Kerbosch算法(下文简称BK算法)公开一种极大团枚举的递归解法，使用三个集合R、P、X来维持递归搜索过程中的状态，R集合是目前找到的团，P集合是可以进一步加入R集合中使其变成极大团的用户集合，X集合则保存了之前已经被访问过的用户的集合，每次从P集合选取一个用户加入R集合进行递归搜索，当搜索结束后则可以将此点移入X集合当中。然而，该方法中包含了很多无效计算，在进行递归搜索时，即使是一个很小的社团，整个算法也需要很大的搜索空间。近些年，针对BK算法进行优化成为了对极大团枚举问题的研究热点，其中包括如下几个方面：1)Pivot Selection，通过在每次递归调用选取一个pivot，然后只在pivot的所有非邻居节点上进行下一步递归调用，可以保证剪除很多无效的枚举搜索分支，此优化方法和BK算法结合可得到BKpivot算法；2)图划分，因为整个社交网络的规模过大，因此首先通过图划分方法将整个网络分为多个子图，在各个子图上进行极大团枚举也是另一种可行的方案；3)David Eppstein提出首先对网络进行coredecomposition操作，然后在各个用户的邻接子图上进行极大团枚举。此方法有效地将社交网络分解为大小较为均匀的小子图处理，采用分治法有效地降低了实际计算的时空开销。

然而，core decomposition方法划分得到的子图非常稠密，导致极大团枚举速度不够快。

发明内容

针对现有技术的缺陷，本发明的目的在于解决现有技术core decomposition方法划分得到的稠密子图导致的极大团枚举速度不够快的技术问题。

为实现上述目的，第一方面，本发明实施例提供了一种基于极大团枚举的社交网络中社团发现方法，该方法包括以下步骤：

S1.将社交网络关系抽象为社交网络图，极大团结果集初始化为空集；

S2.采用core decomposition方法划分所述社交网络图，得到各个顶点的邻接子图；