[发明专利]多源异构关系网络的群体发现方法、系统、设备及介质

说明书

本发明属于图数据挖掘领域，公开了一种多源异构关系网络的群体发现方法、系统、设备及介质，包括：获取多源异构关系网络内任意两个用户间的交互行为数据；根据任意两个用户间的交互行为数据，得到任意两个用户间的边权值；其中，边权值用于表示两个用户间的联系紧密程度；根据任意两个用户间的边权值构建图结构，得到多源异构关系图；并将多源异构关系图进行子图划分，得到若干极大连通子图并分别进行社区划分，得到多源异构关系网络的群体发现结果。时间复杂度低，群体发现结果优秀，适用于大规模关系网络，能有效减少群体发现中的时间资源开销，提高发现结果的模块度，无需任何先验知识，完全依靠网络拓扑结构实现，对于复杂网络适用性强。

技术领域

本发明属于图数据挖掘领域，涉及一种多源异构关系网络的群体发现方法、系统、设备及介质。

背景技术

随着互联网技术的高速发展，在线社交网络如QQ、微博、Facebook、Twitter等社交网络平台已经成为我们生活中不可或缺的一部分。社交平台上用户及其交互关系通常可以用复杂的多源异构关系网络来描述，这些网络中相互连接的节点的拓扑结构具有组织性和随机性，网络的数据以多源性、异构性、大规模为主要特征，用户数达百万级，且存在多种形式的交互信息，如关注、好友、点赞、转发、评论等。近年来，由于大型网络上用户互动种类日益增多和人们生活日趋依赖于网络社交，人们对多源异构网络群体发现的研究引起了极大的兴趣。那么，如何构建用户之间多种形式的交互行为数据，并在如此大规模的结构中检索综合信息、发现隐藏的群体是一个值得研究的问题。目前，常用的方法是构建出多源异构关系网络后，将多源异构关系网络分解成子单元或社区，这些子单元或社区是一组相互高度连接的节点。这些社区的识别是至关重要的，因为它们可能有助于揭示事先未知的功能模块，如信息网络中的主题或社会网络中的网络群体；此外，由此产生的元网络(其节点是社区)还可用于可视化原始网络结构。

社区检测问题要求将多源异构关系网络划分为密集连接的节点的社区，而属于不同社区的节点只是稀疏连接，但是，这一优化问题的精确公式是难以计算的。目前也提出了几种算法来以一种较快的方式发现比较好的群体，其中，解决上述问题的稳健方法是将效益函数最大化，即在多源异构关系网络上尽可能的划分模块化，然后，把这个最大化过程用称为模块化矩阵的特征谱来表示，模块化矩阵在社区检测中发挥的作用类似于图拉普拉斯矩阵在图划分计算中发挥的作用。

但是实验表明，上述方法只在小型的多源异构关系网络上能获得较好的结果，在大规模的多源异构关系网络上存在社区结构不明显、模块度小、群体发现结果差的问题。

发明内容

本发明的目的在于克服上述现有技术中，现有社区检测群体的方法只在小型的多源异构关系网络上能获得较好的结果，在大规模的多源异构关系网络上存在社区结构不明显、模块度小、群体发现结果差的缺点，提供一种多源异构关系网络的群体发现方法、系统、设备及介质，在大规模的多源异构网络中仍能获得较好的结果。

为达到上述目的，本发明采用以下技术方案予以实现：

本发明第一方面，一种多源异构关系网络的群体发现方法，包括以下步骤：

S1：获取多源异构关系网络内任意两个用户间的交互行为数据；

S2：根据任意两个用户间的交互行为数据，得到任意两个用户间的边权值；其中，边权值用于表示两个用户间的联系紧密程度；

S3：根据任意两个用户间的边权值构建图结构，得到多源异构关系图；并将多源异构关系图进行子图划分，得到若干极大连通子图；

S4：将若干极大连通子图分别进行社区划分，得到若干极大连通子图的群体发现结果并组合，得到多源异构关系网络的群体发现结果。

本发明多源异构关系网络的群体发现方法进一步的改进在于：

所述S1的具体方法为：