[发明专利]一种基于共识嵌入的复杂网络社区发现方法

权利要求书

1.一种基于共识嵌入的复杂网络社区发现方法，其特征在于包括以下步骤：

1)给定最大代数maxgen，粒子群规模pop；

2)给定的网络G＝(V,E)，网络规模为n，进行网络表示学习；

3)利用网络表示学习结果，进行粒子群的初始化得到100个粒子POP，迭代次数t＝1；

4)将POP进行基于共识嵌入的更新、变异；

5)停止条件：若满足t≤maxgen，则t←t+1并转向步骤3)，否则停止并返回帕累托前沿解，即多个社区划分结果。

2.如权利要求1所述一种基于共识嵌入的复杂网络社区发现方法，其特征在于在步骤2)中，所述进行网络表示学习的具体步骤为：

采用基于奇异值分解和特征值分解框架的保留任意阶相似度的网络嵌入方法AROPE，将高维的邻接矩阵映射到低维的连续的特征空间中，挖掘网络中潜藏的底层结构信息，得到节点的特征向量E＝{e₁,e₂,e₃,...,e_n}，其中e_i＝{e_i1,e_i2,e_i3,...,e_id}，d为降维后的维度。

3.如权利要求1所述一种基于共识嵌入的复杂网络社区发现方法，其特征在于在步骤3)中，所述利用网络表示学习结果，进行粒子群的初始化得到100个粒子POP的具体步骤为：

计算相似度得到S＝(S_ij)_n*n；利用k-means得到基于相似度的初始化的粒子群POP^t＝{x₁,x₂,x₃,...,x_pop}^t；粒子的局部最优解也初始化为Pbest＝POP^t。

4.如权利要求1所述一种基于共识嵌入的复杂网络社区发现方法，其特征在于在步骤4)中，所述将POP进行基于共识嵌入的更新、变异的具体步骤为：

在每代中进行基于共识的更新；

每隔10代进行共识嵌入；

每代中进行以变异概率为pm的对粒子进行基于邻域的单点变异。

5.如权利要求1所述一种基于共识嵌入的复杂网络社区发现方法，其特征在于在步骤4)中，所述更新、变异将粒子的更新变异过程迭代进行maxgen次；

在每代中进行基于共识的更新时，将gbest中的社区作为共识，随机选择其中一个嵌入到当前的粒子中；每隔10代进行共识嵌入时，每隔10代提取当前粒子群中的特征解，从中提取所有二节点社区，在当前粒子群中进行投票，若支持度≥70％，则选定为共识社区，全部嵌入到当前的粒子中；

其中，从解集中提取的特征解，是三种代表性的解，分别是：

(1)具有最小KKM的解

(2)具有最小RC的解

(3)具有最小曼哈顿距离的局部knee解

每代中进行以变异概率为pm的对粒子进行基于邻域的单点变异时，对每个需要变异的粒子，随机选择一个位置i，其标签用其邻域中的另一个标签替换，这保证了新的可能解的产生。