[发明专利]一种基于平均互信息的最大派系贪心扩展社区发现方法及系统

说明书

本发明申请公开了一种基于平均互信息的最大派系贪心扩展社区发现方法及系统，AMI‑GCE方法是基于派系的局部扩展社区检测方法，该方法首先会找出复杂网络中的所有最大派系并设置为种子社区，然后再对每一个派系进行局部扩展，每个派系经过扩展后都形成一个稳定的社区结构。在对每一个派系进行扩展时使用了适应度函数与平均互信息相结合的划分标准来判断，选择该派系的邻接点中符合标准的节点加入该派系。重复以上所有的步骤直到所有的种子社区都扩展完毕，此时经过扩展后得到的所有稳定的社区结构就是该复杂网络的社区。不仅考虑了网络中的节点信息，也考虑了节点间的连接信息，有效地提高了社区划分的准确性。

技术领域

本发明申请涉及社区划分质量评价领域，具体涉及一种基于平均互信息的最大派系贪心扩展社区发现方法及系统。

背景技术

近年来，互联网与物联网技术发展迅猛，与此同时，对于复杂网络的研究也成为多个领域的研究热点。复杂网络是指多样、多变以及大规模的网络，具有自组织、自相似、吸引子、小世界效应、无标度性等特性，可以使用拓扑图对其进行建模，建模后由数量巨大的点集以及错综复杂的边集构成。现实生活中有很多这样的复杂网络，比如电力系统、神经网络、社交网络、交通网络、计算机网络等。在社区划分中，社区划分系统通常会构造并评判多种社区结构，并从一种社区结构演变到另一种社区结构。优化社区划分系统的关键是找到一种社区划分质量评价方法，通过该评价方法优化社区划分系统，从而提高社区划分系统的准确性。许多不同种类的优秀社区发现方法也相继被提出。例如派系过滤类方法，该类方法以派系是社区的基本组成单元为出发点进行社区发现；局部扩展类方法，该类方法以社区是由部分中心节点组成为出发点，通过对社区增删节点来完成社区发现。这两类方法一般存在着以下三个缺点：(1)准确度不够高；(2)仅考虑了复杂网络中节点间的连接信息；(3)仅适用于发现重叠社区。

发明内容

本发明申请的目的是针对现有技术的不足，提供了一种基于平均互信息的最大派系贪心扩展社区发现方法，从社区划分质量评价的角度出发，将平均互信息与适应度通过加权的方式进行结合，不仅考虑了网络中的节点信息，也考虑了节点间的连接信息，从而有效地提高了社区划分的准确性。同时本发明申请还公开了一种基于平均互信息的最大派系贪心扩展社区发现方法的系统。

本发明的目的至少通过如下技术方案之一实现。

一种基于平均互信息的最大派系贪心扩展社区发现方法，包括以下步骤：

S1、服务器接收社区划分请求；

S2、利用网络边集V生成网络图；

S3、在网络图中找出所有最大派系；

S4、对所有最大派系进行筛选，筛选后的最大派系初始化为网络图的种子社区集合；

S5、对种子社区集合进行排序，并维持一个已确定社区集合；

S6、从排序后的种子社区集合中选择种子社区S；

S7、判断种子社区S与已确定社区之间的间距是否小于设定的阈值，若是，则进行步骤S6，否则进行步骤S8；

S8、遍历种子社区S的所有邻接节点，并选择合适的邻接节点加入种子社区，直到无合适邻接节点即扩展完毕成为稳定社区CS；

S9、判断稳定社区CS与已确定社区之间的间距是否小于设定的阈值，若是，则进行步骤S6，否则进行S10；

S10、重复步骤S6至S9，直到种子社区集合所有种子社区遍历完毕，得到重叠社区划分结果；

S11、若用户请求为非重叠社区，则对重叠点进行处理，得到非重叠社区划分结果；

S12、遍历网络所有未被遍历的节点，使节点尽可能得到划分；

S13、输出最终的社区划分结果。