[发明专利]基于马太效应的社团检测方法

说明书

本发明公开了基于马太效应的社团检测方法，涉及信息科学技术领域，所述方法包括：输入由节点和边构成的网络G；对所述网络G进行初始化，将每个节点划分为一个独立的社团；计算所述网络G的核心分组；采用迭代方法在马太效应模型中模拟马太效应过程；判断网络结构是否达到最优划分；若未达到最优，则再次进行马太效应的迭代模拟；若达到最优，则进行社团划分，获得社团划分结果。

技术领域

本发明涉及信息科学技术领域，特别涉及基于马太效应的社团检测方法。

背景技术

社团结构在中观尺度上反映了网络的结构特性，且其广泛存在于真实网络中。社团也常称为社区(community)、簇(cluster)、组(group)等。由于复杂网络的多样性和社团结构本身的复杂性，目前对于复杂网络的社团结构没有形成统一、明确的定义。通常认为社团是一组节点的集合，组内节点之间连接更加紧密，组间节点之间连接稀疏。

社团检测为分析复杂网络结构特征、研究其组织功能、挖掘其潜在联系提供了一条重要的途径。此外，社团检测在计算机科学、生物信息学、社会学、经济学和流行病学等多个学科和领域都有着广泛的应用。例如，它可以用来发现组织群体，并在社交网络中提供个性化服务。在电子商务网络中，社团检测可以用于智能推荐和精准营销。在犯罪和反恐网络中，它可以用来寻找犯罪团伙。另外还可以用来优化互联网中的路由表，发现蛋白质之间的紧密联系，分析引文网络中作者之间的合作关系。因此，研究和设计高效、准确的社团结构检测方法具有重要意义。

迄今为止，已经从不同的角度提出了多种社团检测方法，包括基于图划分的方法、基于模块化的方法和基于动力学的方法。在这些方法中，利用网络的固有拓扑结构和动力学模型识别社团是一种新兴的方法，它具有简单、高效、准确和数据驱动的特点。但现有大多数方法都存在一些局限性，如时间复杂度高、复杂的参数设置、稳定性差等。例如，WalkTrap[是一种基于动力学的方法，它使用随机行走来获得高质量的社团。然而，时间复杂度为O(mn^2)。马尔可夫聚类算法(MCL)是一种著名的基于动态的聚类方法，在图聚类中得到了广泛的应用。然而，它对“膨胀”参数是敏感的。此外，标签传播算法(LPA)具有近似线性的时间复杂度，然而，社团检测的结果并不总是稳定的。Fluid Communities(FluidC)算法是一种基于扩散的方法，与LPA类似，FluidC在每次运行期间常常返回不同的结果。综上所述，现有的社团检测方法均存在局限性。

针对此现象，本申请提供基于马太效应的社团检测方法，能够揭示网络中的社团结构，解决现有方法中存在的时间复杂度高、参数设置复杂、稳定性差的问题。

发明内容

本发明的目的在于提供基于马太效应的社团检测方法，能够揭示网络中的社团结构，解决现有方法中存在的时间复杂度高、参数设置复杂、稳定性差的问题。

本发明提供了基于马太效应的社团检测方法，包括以下步骤：

S1：输入由节点和边构成的网络G；

S2：对所述网络G进行初始化，将每个节点划分为一个独立的社团；

S3：计算所述网络G的核心分组；

S4：采用迭代方法在马太效应模型中模拟马太效应过程；

S5：判断网络结构是否达到最优划分；

S6：若未达到最优，则再次进行马太效应的迭代模拟；若达到最优，则进行社团划分，获得社团划分结果。

进一步地，所述S2中的划分社团的步骤为：

S21：以每个节点的节点号作为标签；

S22：每个节点被划分为一个独立的社团。

进一步地，所述S3利用节点吸引力公式计算所述网络G的核心分组，计算步骤如下：