[发明专利]一种基于层次聚类的社交网络多尺度结构挖掘方法及介质

说明书

本发明请求保护一种基于层次聚类的多尺度社交网络社区发现方法及介质，属于社区发现领域，通过将各个社交网络用户视为网络中的独立节点，然后使用用户的好友关系、互动数据计算节点相似度，最后结合层次聚类算法挖掘社区结构。方法包括以下步骤：社交网络数据统计，计算邻接矩阵，使用层次聚类算法发现多尺度社交网络社区结构，社交网络社区结构优化。本发明的方法基于层次聚类理论挖掘多层次、多尺度的社区结构，相比于传统社区，本方法发现提供了更加立体、丰富的信息，从而进一步提高了社区发现的质量，提升了基于社区发现的广告推送、好友推荐等操作的效果。

技术领域

本发明属于计算机社交网络领域，尤其涉及面向社交网络的社区检测方法。

背景技术

社区是指网络中的“小团体”，社区内节点之间的联系较为密切，而不同社区间的节点联系不密切。社区结构普遍存在于现实生活中。例如，在蛋白质相互作用网络中，细胞内具有相同功能的蛋白质很可能会构成一个社区；在万维网中，关于同一主题的网页很可能构成一个社区等等。社区发现的目的是发现网络中的社区结构，从而更好的研宄网络，服务社会。例如，研究万维网中的社区可以为用户提供更好的网络服务；研究顾客和商品间的购物关系网中的社区可以更好的构建推荐系统等等。所以社区发现引起了人们的广泛关注。

社交网络社区可以为用户提供有价值的、可靠的、及时的信息。对社区的深人研究可以了解社区中知识信息及其组织结构的发展状况。社区也有利于商家准确地找到客户。发现这些社区可以帮助我们对于社交网络的知识性和社会性做出评估，也可以研究某个方面感兴趣用户的组成形式。因此，采用将社交网络信息以社区的形式组织，为信息查询提供了有效和便捷的途径。网络社区结构发现可以从复杂网络中提取有规律、有价值的信息。因此，对于复杂网络社区结构发现的研究具有广泛的应用前景和十分重要的意义。社区发现研究的就是如何准确的识别出复杂网络中的社区结构。

传统的社区发现算法是将网络划分成若干个互不相连的社区，网络中每个节点和边只能隶属一个固定社区。包括模块度优化方法，层次聚类算法，标签传播算法和信息论算法。

但实际上，给定的节点在属于一个小局部社区的同时,往往会属于一个较大的社区。深入研究社交网络中社区之间的从属关系可以为提供更多社交网络社区的结构信息，因此多尺度社区发现也很有意义和价值。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种基于层次聚类的社交网络多尺度结构挖掘方法。本发明的技术方案如下：

一种基于层次聚类的社交网络多尺度结构挖掘方法，其包括以下步骤：

S1：计算机对社交网络用户交互数据进行统计，以用户为点，构成网络G＝V,E，V表示网络中点的集合，E表示网络中边的结合，基于获取的交互数据计算每两个用户间的用户关联度LH；

S2：计算机使用单连接层次聚类算法的准则，参照用户关联度LH不断添加边到网络的边集E中，每添加一条边就视为将该边连接的两个连通域合并为一个聚类簇，直到网络G＝V,E成为连通图；

S3：计算机根据S2中层次聚类添加边的顺序，生成二叉树状图；

S4：计算机依据先验知识对S3中生成的二叉树状图进行结构优化，使其更加接近社交网络真实结构；

S5：计算机输出最终的社区挖掘结果，用于后续推荐系统的构建。

进一步的，所述步骤S1对社交网络用户交互数据进行统计，以用户为点，构成网络G＝V,E，基于获取的交互数据计算每两个用户间的用户关联度LH，具体为：

S11：获取社交网络用户与其他用户的交互数据；

S12：构建网络G＝V,E，i,j∈V，其中表示社交网络中共n个的用户，表示网络G＝V,E中连接节点i与节点j的边，视网络中每一个连通域为一个聚类簇；