[发明专利]一种融合时序网络的动态社区发现系统

说明书

本发明提出了一种融合时序网络的动态社区发现系统，包括社区数据获取模块的数据输出端与数据处理模块的数据输入端相连，数据处理模块的数据输出端与数据优化模块的数据输入端相连，数据优化模块的数据输出端与社区分区模块的数据输入端相连，社区分区模块的数据输出端与数据展示模块的数据输入端相连；所述数据优化模块包括非线性优化模块和图优化模块；非线性优化模块的数据输入端与数据处理模块的数据输出端相连，非线性优化模块的数据输出端与图优化模块的数据输入端相连，图优化模块的数据输出端与社区分区模块的数据输入端相连。本发明提出的PPPM模型相比于FaceNet，SBM+MLE，CLBM，PisCES方法在在人工网络和真实网络上分别提高了5％和3％的准确度，故提出的PPPM模型具有健壮性，PPPM模型是合理的、有效的，该模型也可应用在一般社交网络社区发现领域中。

技术领域

本发明涉及网络科学技术领域，特别涉及一种融合时序网络的动态社区发现系统。

背景技术

复杂网络分析在计算机科学、社会科学、生物科学以及物理科学等不同领域的研究人员中日益受到关注。复杂网络始终由节点和边组成，分别代表对象和对象之间的相互作用。例如，在社交网络中，节点可以是社交用户，而边则表示用户之间的跟随或被跟随关系。作为最重要和功能最强大的数据结构之一，对复杂网络进行分析和建模可用于许多任务，例如社交互动模式分析，社交推荐和蛋白质功能模块识别。迄今为止，复杂网络中最基本的任务是节点识别，链接预测和信息传播，这些任务都受到广泛研究和关注。此外，社区结构发现也是最重要的任务之一，通常被定义为从复杂网络中识别紧密连接的子图。由于社区有助于揭示网络的结构-函数关系，因此得到了广泛的研究。例如，癌症网络中的社区标志着与癌症进展相关的关键途径，而多层交通网络中的社区则对应着常见的惯例，这为航空公司管理提供了线索。因此，在发现网络中的社区方面已经做了大量的工作。目前已经提出了许多用于社区发现的工作，现有的算法要么优化预定义的定量函数，要么获取潜在特征矩阵进行社区检测。典型的有基于模块化的方法，基于模型的方法和基于随机游走的方法，其中进行了全面的调查。

但是，所有这些方法都假定目标网络是静态的，忽略了网络的时效性。在现实中，许多来自社会和自然的网络是动态的，意味着网络结构是随时间变化的，即表现为动态网络。更具体地，在动态网络中，节点可能随着时间而出现或消失，并且两个节点之间的链接也可能出现或消失。例如，人与人之间的联系经常会因为个人的行为而发生改变。又如，肿瘤细胞迁移导致转移，这对肿瘤的诊断和治疗至关重要。因此，追踪一个社区如何在动态网络中进化是值得的(也称为动态社区或演进社区)。

对于动态网络建模，使用最广泛的方法是引入显式平滑框架，它通过引入时间平滑框架(Temporary Smoothed Framework，TSF)在两个后续步骤中量化快照之间的相似性。通过扩展静态社区发现算法，已经提出了各种基于TSF的算法来演化社区。例如，对于拓扑连通性，Kim-Han算法通过优化模块化来发现动态社区，而DYNMOGA使用多目标遗传算法同时优化聚类精度和聚类漂移的算法。关于矩阵分解，ESPC利用矩阵频谱，ECKF使用内核ENMF，而sE-NMF采用半监督策略来发展社区检测。Gr-NMF采用图规则化NMF用于进化的社区发现。在概率模型中，FacetNet使用最大后验(Maximum a Posteriori，MAP)估计，而DSBM采用贝叶斯方法通过扩展随机块模型以获得不断进化的社区。根据现有文献，社区存在六种进化事件，如图1所示，即出生，死亡，生长，收缩，融合和分裂。当前，没有任何动态社区发现算法可以完全识别和追踪所有这些进化事件。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种融合时序网络的动态社区发现系统。

为了实现本发明的上述目的，本发明提供了一种融合时序网络的动态社区发现系统，包括：社区数据获取模块、数据处理模块、数据优化模块、社区分区模块和数据展示模块；