[发明专利]基于传递相似度和聚类度的两阶段局部社区发现方法

权利要求书

1.基于传递相似度和聚类度的两阶段局部社区发现方法，其特征在于：包括以下步骤：

步骤S1：读取网络数据集，生成网络图G；读取给定的节点Vu；

步骤S2：初始化当前检测到的社区集合C、社区邻居队列N、节点传递相似度向量S、广度遍历深度向量Depth、节点权重W；

步骤S3：根据节点局部聚类度LCC，将给定节点Vu及其具有最大LCC值的邻居节点加入C中，更新N、S、Depth、W；

步骤S4：遍历N中每一个节点Vi，将满足核心节点条件的节点Vi加入社区C中，并将其未在C和N中的邻居节点加入N中，当N中所有节点都遍历完成后，就生成了由核心节点组成的核心社区C；

步骤S5：根据主关键字Depth值递增，此关键字S值递减顺序排序核心社区C；

步骤S6：根据公式(6)计算核心社区C中所有节点的平均节点传递相似度Savg；

步骤S7：遍历C中每个节点Vi，并将Vi的每个不在C和N中的节点加入N中；

步骤S8：遍历N中每一个节点Vi，将满足扩展节点条件的节点Vi加入社区C中，并将其未在C和N中的邻居节点加入N中，当N中所有节点都遍历完成后，就生成了给定节点Vu所在的社区C；

步骤S9：输出最终的社区划分结果C。

2.根据权利要求1所述的基于传递相似度与聚类度的两阶段局部社区发现方法，其特征在于：所述步骤S1具体为：

步骤S11：读取网络数据集，生成网络图G＝(V，E)，其中V表示节点集，|V|表示节点的个数，E表示边集；构建G的|V|×|V|的邻接矩阵A，若Vi和Vj之间的边E(i，j)存在，则元素aij＝1，否则aij＝0；

步骤S12：读取给定的节点Vu，u表示Vu是V中的第u个节点，u的取值范围是0至(|V|-1)。

进一步的，所述步骤S2具体为：初始化集合C和N为空，长度为|V|的向量S的每一个元素值等于-1，长度为|V|的向量Depth的每一个元素值等于-1，长度为|V|的向量W的每一个元素值等于-1。

3.根据权利要求2所述的基于传递相似度与聚类度的两阶段局部社区发现方法，其特征在于：所述步骤S3具体为：

步骤S31：将给定节点Vu加入社区集合C中，设置S[u]＝1，Depth[u]＝0，W[u]＝0；

步骤S32：遍历节点Vu的每个邻居，按公式(1)求出节点i的局部聚类度LCCi，并把具有最大LCC值的邻居节点Vmax添加到C中，设置Depth[max]＝1，W[max]＝0，按公式(2)求出节点Vmax同节点Vu的传递相似度S[max]，此时，令i＝u，Sui＝0；

其中，i表示节点Vi的序号，ki表示Vi的度；

S_uj′＝max{S_uj，α·S_ui+(1-α)·Sim_ij} (2)

其中，Suj表示节点Vu和节点Vj之间的传递相似性，Suj’表示节点Vu和节点Vi之间当前的传递相似性，Suj表示节点Vu和节点Vi之间以前的传递相似性，Simij表示节点Vi和节点Vj之间的相似性；

步骤S33：遍历社区集合C中的每一个节点Vi，将Vi的所有不在C和N中的邻居节点Vj加入N中，并更新Depth[j]＝Depth[i]+1，按公式(2)求出S[j]，按公式(4)求出W[j]。

4.根据权利要求3所述的基于传递相似度与聚类度的两阶段局部社区发现方法，其特征在于：所述步骤S4具体为：

步骤S41：重复执行此步骤S42，直到N为空；

步骤S42：取出N中的第一个节点Vi，并将Vi从N中删除，遍历V_i的每一个邻居节点Vj，令Depth[j]＝Depth[i]+1，根据公式(2)计算S[j]，根据公式(4)计算W[j]，如果满足公式(5)则将Vi加入C中，并将Vi不在C和N中的邻居节点加入N中。

W_j＜W_i (5)

5.根据权利要求4所述的基于传递相似度与聚类度的两阶段局部社区发现方法，其特征在于：所述步骤S8具体为：

步骤S81：重复执行此步骤S82，直到N为空；

步骤S82：取出N中的第一个节点Vi，并将Vi从N中删除，遍历Vi的每一个不在C中的邻居节点Vj，根据公式(2)计算S[j]。如果满足公式(7)，则将Vi加入C中，并将Vi不在C和N中的邻居节点加入N中。