[发明专利]局部社区的挖掘与合并方法及其装置、芯片、存储介质

权利要求书

1.一种局部社区的挖掘与合并方法，其特征在于，包括以下步骤：

S1、单种子节点局部社区挖掘；从一个种子节点出发，通过改进的Andersen-Chung-Lang算法，得到一个由多个节点组成的局部社区，改进的Andersen-Chung-Lang算法包括依次执行的马尔可夫随机游走分布评分算法、节点排序算法、最小连通性分割算法；

S2、种子节点合并与多种子节点局部社区挖掘；对于由不同的种子节点得到的具有高相似度的局部社区，将种子节点合并，并从合并后的多个种子节点出发，通过多种子节点局部社区挖掘，得到新的局部社区；

S3、重合局部社区消解；在经过种子节点合并后，对于残余的、相似度低但仍有重合节点的局部社区，将重合的节点归至其中一个社区，以消除重合。

2.如权利要求1所述的一种局部社区的挖掘与合并方法，其特征在于：所述S1之前的步骤为数据的输入，即从数据源读取要处理的关系网络数据，以节点表和边表的形式载入，对数据的组织形式进行预处理，将节点和边的信息转化为密集存储的邻接表。

3.如权利要求1所述的一种局部社区的挖掘与合并方法，其特征在于：所述S3之后的步骤为数据的输出，即将计算后得到的各个局部社区，以节点表的形式依次输出。

4.如权利要求1所述的一种局部社区的挖掘与合并方法，其特征在于：所述马尔可夫随机游走分布评分算法的步骤如下：

(a)对于每个节点，设定remain值和rank值，种子节点的remain初始值为1，rank初始值为0，其它节点的remain初始值为0，rank初始值为0；

(b)建立一个先进先出的节点队列，将一个种子节点加入队列；

(c)取出队首节点P；

(d)从节点P的remain值中扣除一个衰减值，该衰减值是节点P出发的边的权重之和乘以一个固定的全局参数；

(e)将节点P扣除衰减值后的remain值取出并清零，将取出的值按照固定比例分成两部分x和y，该比例是节点P的一个参数；

(f)将x加至节点P的rank值；

(g)遍历从节点P出发的所有边E1-En，将y按照边的权重之比分配为y1-yn；

(h)令E1-En到达的节点为Q1-Qn，将y1-yn分别加至节点Q1-Qn的remain值；

(i)在节点Q1-Qn中，若节点的remain值从小于衰减值变为了大于等于衰减值，则将该节点加入步骤(b)节点队列；

(j)若步骤(b)中节点队列不为空，回到步骤(c)，否则结束算法。

5.如权利要求4所述的一种局部社区的挖掘与合并方法，其特征在于，所述节点排序算法即将步骤(i)中的节点按照rank值由大至小进行排序。

6.如权利要求5所述的一种局部社区的挖掘与合并方法，其特征在于，所述最小连通性分割算法，用于在节点排序后的节点中，包括以下步骤：

(A)计算节点之间所有边的权重之和为t weight；

(B)记录已访问节点出发的边的权重为v weight，记录已访问的节点出发前往已访问节点出发的边的权重为c weight，v weight与c weight的初始值均置为0；

(C)按照rank值从大到小，遍历每个节点，令当前遍历到的节点为Q；

(D)将节点Q出发的边的权重，按前述约束，加入v weight及c weight；

(E)令连通性值phi为(v weight-c weight)/min(v weight,t weight–v weight)，记录遍历过程中最小的phi值，及其对应的已访问的节点范围；

(F)对遍历循环次数取一固定窗口大小，该窗口大小为全局参数，若当前phi的最小值出现在窗口内，回到步骤(C)，否则结束算法。