[发明专利]一种网络特征社区查找方法

说明书

一种网络特征社区查找方法，属于网络社区构建技术领域。解决了现有升级版的社区搜索和特征社区查找存在的效率低且适应性差的问题。本发明根据真实的社区的内部结构特征和外部结构特征，建立社区节点的内部连结密度评估函数；建立社区节点的外部连结密度评估函数；对待搜索的网络社区的属性和给定属性之间的相关度进行量化，建立网络社区的属性相关性评估函数；对社区节点的内部连结密度评估函数、社区节点的外部连结密度评估函数和量化的待搜索的网络社区的属性和给定属性相关度的函数进行融合，获取函数RACSF；利用NSS节点选择策略和弹性ISC循环终止条件对函数RACSF进行优化，获取目标社区结构的最优解为最终查找的特征社区。本发明适用于网络特征的查找使用。

技术领域

本发明属于网络社区构建技术领域。

背景技术

在网络相关研究工作中，社区(community)的概念持续受到人们的关注。由大量节点和节点间的连接关系构成的网络结构广泛存在于计算机科学、生物学和社会学等领域，例如以网页为节点、以网页间的链接为边组成的万维网和以人为节点、以人际间关系为边建立的社会网等。一般而言，社区是指内部节点间联系较内部与外部节点间联系更为紧密的子网络，发现网络中的各种社区结构(如社区发现和社区搜索)有助于进行好友推荐、犯罪团伙识别以及蛋白质功能预测，同时能够有效支持网络中传播热点选择和介数中心度更新。

不同于社区发现(community detection)，社区搜索(community search)旨在寻找包含给定节点集的社区，能够快速获取个性化的社区信息，即给定一个或多个节点，寻找包含它们的社区。但是真实世界的各类网络结构中每一个节点并非毫无意义，它们也存在相关特征属性，如Facebook社交网络中，以每一个用户为节点，以人际关系为边构建的社交网络中，每个用户个体都有各自不同的兴趣爱好，这意味着网络图中每个节点都具有特征，而如何找到包含给定节点集且具有高度特征相关性的社区即又引出社区搜索的一个新的研究方向——特征社区查找。此相关研究具有极大的社会应用价值，如组织科学研讨会等社交活动，调整产品广告投放等市场决策，以及社交平台好友推荐等。

现有的社区搜索方法包括仅与网络拓扑有关的社区搜索和与节点属性有关的社区搜索：前者旨在寻找包含给定节点集且满足k-clique，k-core或k-truss等特定拓扑结构的社区；后者在查找包含给定节点集的社区时综合考虑了拓扑结构和节点属性，返回的结果社区不仅要满足特定拓扑结构，还要使内部节点的属性尽可能相近。而针对节点属性相关的社区搜索，即特征社区查找问题，目前提出的方法有ACC(Attributed Community CL-tree index Method.特征社区CL树索引方法)和LocATC((Attributed truss index-basedquery processing algorithm by means of local exploration.基于局部探究的基于属性桁架索引的查询处理算法)，它们在实际的图网络中也取得了良好的搜索结果。

由先前的研究可知，社区搜索是社区发现问题在不同角度下的拓展；一般而言，社区发现旨在发现一张图中的所有社区结构，没有其他限定要求。目前已提出的社区发现模型有谱聚类模型，标签传播模型，局部扩展模型等，但它们并不是基于询问而查找社区，因此其最显著的缺陷是不适用于快速在线的社区搜索，且在大型图网络中发现社区会耗费大量时间。此外，现有的社区搜索算法也只能寻找包含给定节点集且满足k-clique，k-core或k-truss等特定拓扑结构的社区，而且这些算法对于与节点属性相关的特征图关注甚少，因而在搜索中忽略了大量有助于社区搜索的节点属性信息。