[发明专利]基于团扩张和二次优化的社交网络全局重叠社团检测方法

说明书

本发明公开了基于团扩张和二次优化的社交网络全局重叠社团检测方法，属于复杂网络重叠社团检测领域。包括：将社交网络转化为社交关系图；从社交关系图找出所有极大团；将每个极大团作为种子进行扩张采样，得到覆盖极大团及其邻近节点的采样子图；对每个采样子图，使用二次优化求解方法，得到采样子图的归属程度向量；根据每个采样子图的归属程度向量和采样子图的节点子集的电导，从采样子图中抽取出一个社团；所有社团的集合作为社交网络全局重叠社团检测结果。本发明将每个极大团作为种子进行扩张采样，使得基于采样子图生成的社团具有重叠性。本发明用二次优化表征Cheeger分割最小化，将约束放缩为线性来近似求解，有效降低时间复杂度。

技术领域

本发明属于社交网络分析领域，更具体地，涉及一种大规模社交网络的全局重叠社团检测方法。

背景技术

在现实世界中，包括物理、生物、计算机在内的各领域网络都可以抽象为复杂网络。复杂网络是由数量庞大的节点和节点之间错综复杂的关系共同构成的网络结构。社交网络中的个体用节点表示，两个个体之间的联系用边表示，这样将社交网络转化为无向无权社交关系图G＝(V，E)。比如，对于微信用户社交网络，顶点就是微信用户，边就是好友关系；对于微博用户社交网络，顶点就是微博用户，边就是关注关系。

近年来，复杂网络研究受到越来越多的关注，特别是复杂网络中社团结构。社团内部节点连接较为紧密，而社团间的节点连接相对较为稀疏，已有很多算法用于发现重叠社团结构。大规模社交网络的全局重叠社团检测的结果。比如，对于微信用户社交网络，全局重叠社团检测的结果就是所有好友圈；对于微博用户社交网络，全局重叠社团检测的结果就是每个大V和他/她的粉丝团。

Coscia等人于2012年提出了一种全局重叠社团检测方法DEMON。该方法是基于图中每个节点都会选择加入其最多邻居所属的社团的假设，从图中每个节点的一步邻居节点集出发，通过标签传播方法得到一系列局部社团，最后再对局部社团进行合并，得到全局的重叠社团检测结果。针对大规模社交网络，由于DEMON检测过程比较简单，主体就是标签传播方法，导致检测结果的准确率偏低。同时，因为DEMON是从图中每个节点的一步邻居节点集出发，所以随着节点数的增加，DEMON的运行耗时会急剧上升，而且DEMON无法很好地并行化，使得其无法应用于大规模社交网络的全局重叠社团检测任务。

Whang等人于2016年提出了另一种全局重叠社团检测方法NISE。该方法是基于种子扩张思想，首先，对图进行修剪，仅保留图的双连通部分；其次，对修剪过后的图进行不重叠划分，将划分得到的各个子图作为扩张的种子；然后，基于电导最小化原则，使用PageRank变形算法在图上进行采样，得到存在重叠的采样子图；最后，将第一步中被修剪的节点加入到合适的采样子图中，这样就得到所有重叠社团。NISE虽然在小规模网络上的检测准确率较高，但在大规模社交网络上表现不佳，这是因为NISE是以全局电导最小为优化目标，导致检测结果倾向于少量的大规模的社团结构，与真实情况相去甚远，无法满足大规模社交网络的全局重叠社团检测任务的准确率需求。但同样因为NISE的检测结果中社团数目少，使得在大规模社交网络上运行耗时远小于其他同类技术。

发明内容

针对现有技术存在的检测精度不够或耗时过长的缺陷，本发明提供了一种大规模社交网络的全局重叠社团检测方法，其目的在于提供一种检测精度高且耗时短的全局重叠社团检测方法，满足大规模社交网络的全局重叠社团检测任务准确率和运行耗时的需求。

为实现上述目的，按照本发明的第一方面，提供了一种大规模社交网络的全局重叠社团检测方法，该方法包括以下步骤：

S1.将社交网络转化为社交关系图；

S2.从社交关系图找出所有极大团，并剔除高度重叠的极大团；

S3.将每个极大团作为种子进行扩张采样，得到覆盖该极大团及其邻近节点的采样子图；

S4.对每个采样子图，使用二次优化求解方法，得到该采样子图所有节点的归属程度向量；