[发明专利]一种基于双视图的自适应两级加权目标社区发现及检测方法

权利要求书

1.一种基于双视图的自适应两级加权目标社区发现及检测方法，其特征在于：包括如下步骤：

步骤1，获取用户给定的样例节点，融合节点属性及其邻居量化节点质量；寻找样例节点替换路径，解决样例节点质量依赖，利用样例节点替换路径及其邻居，挖掘路径所在的社区主干；

步骤2，基于社区主干中节点附着的属性和节点间的连接信息，分别构建社区主干的属性视图和结构视图；

步骤3，使用自适应两级权重挖掘方法，在所述步骤2的属性视图和结构视图双视图上挖掘两个视图的权重及每个视图下变量的权重，以及目标社区的核心集合，自适应平衡网络中节点属性和结构间的关系；

步骤4，基于社区内部一致性和外部可分离性定义高质量目标社区模型，并融合节点属性和结构特征扩展每个目标社区核心，挖掘高质量的目标社区；

步骤5，进行实验设计。

2.根据权利要求1所述的基于双视图的自适应两级加权目标社区发现及检测方法，其特征在于，所述步骤1中量化节点质量的方法，包括如下步骤：

步骤11，获取样例节点，节点上附着若干属性信息；

步骤12，根据样例节点及其邻居节点，求节点之间的属性相似性，两个节点u，v之间的属性相似度由s(u，v)表示为：

s(u,v)＝exp(-||f(u)-f(v)||₂) (1)

其中，||f(u)-f(v)||₂是节点属性矢量之间的2范数，属性相似性介于0和1之间。

步骤13，挖掘领域社区：对于给定节点v的邻域社区定义为：

T(v)＝{v|(u,v)∈E∧s(u,v)≥δ}∪{u}，

其中，S(v)＝{s(u,v)|(u,v)∈E}表示所有邻居于节点v的属性相似性的集合；

步骤14，量化节点质量：给定节点v的质量计算如下：

3.根据权利要求1所述的基于双视图的自适应两级加权目标社区发现及检测方法，其特征在于，所述步骤1中得到路径所在的社区主干的方法，包括如下步骤：

步骤15，计算节点的影响邻域：两个相邻节点v_i，v_j之间的影响区域IA(v_i，v_j)是计算如下：

IA(v_i,v_j)＝{v|v∈(T(v_i)∩T(v_j))} (4)

步骤16，计算节点影响区域密度：两个相邻节点u，v的共同影响邻域密度d_IA(u，v)为：

其中,IA(v_i，v_j)表示IA(v_i，v_j)中实际存在的链接数除以IA(v_i，v_j)中可能存在的链接数；

步骤17，计算节点关系强度：对于给定的两个相邻节点u，v之间的关系强度nrs(u，v)为：

步骤18，挖掘样例节点替换路径：利用与样例节点关系最紧密且影响最大的邻居替换示例节点，并进行迭代，形成从任何示例节点s到目标社区的核心成员的替代路径S＝＜s₁,s₂,...,s_t＞,(s₁＝s)；

步骤19，检测社区主干：给定社区主干G^S＝(V^S,E^S,F^S)，其中，V^S＝{u|(u,v)∈E,s(u,v)＞δ,v∈S},|V^S|＝h表示社区主干中节点的集合，E^S＝{(u,v)|(u,v)∈E,u∈V^S,v∈V^S}是节点之间的一组无向边，F^S：V^S->D₁×…×D_r是一个属性函数，Dim＝{1,2,…,r}是所有属性维度的集，D_r是第r属性的值域，f(v)为每节点v的属性矢量，f_vi表示节点v的第i个属性的值。