[发明专利]一种基于共识嵌入的复杂网络社区发现方法

说明书

一种基于共识嵌入的复杂网络社区发现方法，涉及多目标优化技术。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。更新过程更加高效、准确，得到的帕累托前沿效果更有竞争力；提高了社区发现的准确率，同时又有效减少方法的收敛时间，在功能预测、推荐系统等实际应用当中有很好的实用性。

技术领域

本发明涉及多目标优化技术，具体是涉及可应用于功能预测、推荐系统等领域的一种基于共识嵌入的复杂网络社区发现方法。

背景技术

具有自组织、自相似、吸引子、小世界、无标度中部分或全部性质的网络称为复杂网络(Complex Network)。复杂网络中相同类型节点之间连接较多，构成一个一个的小社区，不同类型节点之间连接较少，但这些连接将成为沟通不同社区的重要通道。

为了探索复杂网络的结构特点，进而了解复杂网络的功能，人们对复杂网络的社区结构进行了广泛的研究，提出了众多社区发现方法，主要分为四种方法：凝聚方法、分裂方法、优化方法和模拟方法。在众多方法中这四种方法并不是独立的，一种方法可能会同时体现多种思想。

复杂网络社区发现方法被广泛应用到许多基础应用当中，比如推荐系统、疾病预测与预防等。粒子可以定义为多目标粒子群中的一个解决方案solution，每个解决方案可以表示复杂网络中的一种社区划分。最近几年，多目标优化方法取得了很好的成功，因此，在基于多目标粒子群算法上做改进有着重要的意义。其中代表的方法有Maoguo Gong等人(M.Gong,Q.Cai,X.Chen,and L.Ma,“Complex network clustering by multiobjectivediscrete particle swarm optimization based on decomposition,”IEEETransactions on Evolutionary Computation,vol.18,no.1,pp.82–97,2014)的基于分解的多目标离散粒子群算法在复杂网络聚类中的应用(MODPSO)。但算法初始化时产生大量无用解，使得搜索空间过大，冗余度很高，算法只能在相对较小的网络中表现良好，在较大规模的网络上表现不佳。

发明内容

本发明的目的在于针对现有技术存在的收敛速度过慢，存在大量冗余解，没有深层次挖掘网络中潜藏的底层结构信息等问题，提供一种基于共识嵌入的复杂网络社区发现方法。

本发明包括以下步骤：

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。

在步骤2)中，所述进行网络表示学习的具体步骤可为：