[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

说明书

本发明涉及基于传递相似度和聚类度的两阶段局部社区发现方法，具体涉及一种基于传递相似度、局部聚类度与广度优先搜索的局部社区发现方法，包含核心社区检测和社区扩展两阶段。在核心社区检测阶段，将给定节点和其最大局部聚类度的邻居节点加入社区中，并通过生成核心社区解决种子依赖性问题；本发明提出的传递相似性计算，同局部聚类度和搜索深度一起构成核心节点判定条件，解决了核心节点判断不准确问题；提出核心节点判定阈值和扩展节点并入社区阈值自动选取的方法，能够适应网络结构变化，自动选定不同阈值和停止遍历的条件，可以解决社区扩展结束条件确定难的问题。

技术领域

本发明涉及复杂网络上的局部社区发现技术领域，具体涉及一种基于传递相似度、局部聚类度与广度优先搜索的局部社区发现方法，包含核心社区检测和社区扩展两阶段。

背景技术

现实中的很多系统都能够被抽象成具有不同结构的网络。复杂网络一般由节点和节点之间的连线组成，具有小世界效应、网络传递性、网络结构性等特点。研究表明，复杂的网络普遍存在着内部节点连接紧密、结构间的节点连接稀疏的社区结构。社区发现方法是研究复杂网络结构的重要方法，其目的是识别出网络中的一个或若干个社区。

区别于需要找出整个网络的所有社区结构的全局社区发现方法，局部社区发现方法只需找出给定节点所在的社区结构即可。局部社区发现方法只需要部分网络信息，而不是整个网络的结构信息，这对于只知道部分网络结构信息的社区发现方法具有很重要的意义。

目前，局部社区发现算法主要包括基于目标函数和局部并入框架的算法。目标函数包括M值、R值、隶属度等。局部并入框架是从给定的节点出发，将符合条件的社区邻居节点并入现检测到的社区中。但当给定节点和网络的形状发生改变时，这些算法的效果差别比较大，算法的鲁棒性比较差。所以就有研究员提出了基于核心社区检测和社区扩展的两阶段局部社区发现方法。

目前已有一些学者对基于核心社区检测和社区扩展的两阶段局部社区发现方法、节点相似性和局部聚类度进行了研究，也取得了一定的成果，但仍然存在以下三个问题：首先，同一网络中因给定节点不同，导致算法性能值间差异比较大，也称种子依赖性问题。其次，现有方法对核心节点的判定式仅根据某一单一的性能，易导致核心社区规模过大或过小，也称核心节点判定问题。最后，核心社区和扩展阶段的停止阈值设定难问题，如果采用固定阈值，算法的鲁棒性比较差。

发明内容

有鉴于此，本发明的目的在于提供一种基于传递相似度和聚类度的两阶段局部社区发现方法，能够减小种子依赖性问题，综合提出的节点传递相似度、局部聚类度和广度优先遍历深度来解决核心社区判断问题，动态设定同一网络不同部分的停止阈值，解决适用于不同的网络的停止阈值设定问题。

为实现上述目的，本发明采用如下技术方案：

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：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，次关键字S值递减顺序排序核心社区C中的节点；

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；