[发明专利]应用于社交网络的k边连通分量挖掘系统及挖掘方法

说明书

本发明提供一种应用于社交网络的基于局部边连接度检测的k边连通分量挖掘系统，其包括层次化图分割计算模组、遍历排序模组、图分割模组、局部边连接度检测模组、节点合并模组及子图剪枝模组。所述层次化图分割计算模组维护一超节点索引。所述遍历排序模组初始化一节点序列，并遍历目标图的节点。所述图分割模组根据节点序列的排序状态分割目标图或子图。所述局部边连接度检测模组检测当前局部子图的k核结构的边连接度值。所述节点合并模组根据所述边连接度值的检测结果确认是否合并节点。所述子图剪枝模组根据所述节点合并模组的计算结果进行子图删除剪枝操作。同时，本发明还提供一种采用上述挖掘系统的挖掘方法。

技术领域

本发明涉及社交网络技术领域，特别的，涉及一种应用于社交网 络的基于局部边连接度检测的k边连通分量挖掘系统及挖掘方法。

背景技术

计算机科学中的图是一种适用范围广泛的抽象数据结构。现实世 界中的许多复杂关系都能够用图来表示，如蛋白质的分子结构，社交 网络，电路布线等，与图相关的应用涉及了很多领域。新兴的社交网 络技术分析、语义Web技术分析等同样采用图的数据结构方式来解 决多个实体之间的复杂关系。

随着大数据化的发展趋势，社交网络技术的应用越来越广泛。社 交网络往往需要对多个实体之间的关联关系进行精确分析，如微博、 微信朋友圈、ResearchGate学术网络等领域，以用户作为实体及实体 之间的相互关系作为关联度，从计算机科学的抽象数据结构角度来表 征，定义社交网络技术中的每个节点对应一用户，所述节点之间的边 对应用户之间的连接关系，所述边的两端分别对应二节点，通过分析 所述节点与所述边之间的复杂关系可以描述出一个社交网络的结构 特征。

复杂社交网络中“社区结构特性”是指复杂网络中存在着“同一 社区的节点相互连接紧密、而不同社区之间的节点相互连接稀疏”的 特点。随着应用领域的不断扩展和发展，社区结构有了不同的新内涵： 社交网络中的社区代表了具有某些相近特征的人群，所谓社区是指局 部聚集的用户小群体，用稠密子图来表示局部聚集用户(社区)，其 中衡量用户局部聚集度的重要指标是子图的边连接度，定义k边连通 分量为关联度不小于k的、极大的局部聚集用户群体，即：社区，在 该社区中断开用户对之间的任意k-1条关系，社区中的用户仍然可以 通过至少一条关系路径找到另一个用户。k边连通分量挖掘的目的就 是要探测并揭示出复杂网络中固有的社区结构，该问题的研究具有十 分重要的理论及现实意义，而且已经被广泛应用。

根据现有的图论理论研究，给出以下定义和定理：

给定一个无向图G＝(V,E)，其中V为节点集合，E为边集合，所 述边集合E是节点集合V中元素构成的无序二元组的集合。

节点合并：给定两个节点v,u∈V，则e_v,u∈E代表图G中存在连 接v和u的边。若节点集针对S中的节点执行合并操作，即 构造一个超节点v_S，对于连接所述节点集S内节点和节点集S外节 点的边用超节点v_S替换节点v，将所述节点集S内 部的节点{v|v∈S}和边{e_v,u|v∈S,u∈S}全部删除。

最小割(min cut)：假设节点集SYT＝V，则C＝(S,T) 表示连接S中节点和T中节点的边的集合，为一个割。图G的所有 割中，权重最小的那个即为最小割。

最小s-t割(min s-t cut)：给定两个节点s,t∈V，如果一个割 C_s,_t＝(S,T)，其中s∈S，t∈T，则C_s,t是一个s-t割。在所有的s-t割中， 权重最小的那个被称为最小s-t割。

最大s-t流(max s-t flow)：给定两个节点s,t∈V，每条边有指 定的容量，从s到t最大容量的通路即为最大s-t流。

最大流最小割定理：给定两个节点s,t∈V，最小s-t割与最大s-t 流相等。