[发明专利]一种基于节点簇的社交网络的社区划分方法

说明书

本发明公开了一种基于节点簇的社交网络的社区划分方法，本发明的方法先计算社交网络中各节点簇之间的相似度，得到各节点簇的最相似节点簇；然后根据各节点簇与各节点簇的最相似节点簇之间的相似关系、各节点簇的状态及节点簇封闭条件更新社交网络中的节点簇的属性，即更新节点簇的状态和节点簇的节点集合，当社交网络中的所有节点簇均为封闭状态时，将此时社交网络中各节点簇分别设置为社交网络中的社区。相较于现有的社区发现算法，更适用于大型复杂网络、时间复杂度低，经过实践对比，本发明的社区发现方法的准确性更高。

技术领域

本发明涉及计算机在线社交网络技术领域，尤其涉及的是一种基于节点簇的社交网络的社区划分方法。

背景技术

近几年来，随着Facebook、Twitter和新浪微博为代表的社交网络服务的蓬勃发展，在线社交网络的研究已经成为非常具有挑战性和前景性的研究领域，而在线社交网络的社区发现是社交网络分析的重要内容。研究社交网络的社区结构有助于理解网络拓扑结构特点，发现用户聚集模式及影响因素，揭示复杂网络的内在功能特性，理解社区内部个体之间的关系、行为及变化趋势，推动社交网络上信息传播、信息推荐、公共安全事件的管控等诸多应用的发展。

社交网络中存在关系不均匀的现象，有些个体之间相互联系稠密，有些相互联系稀疏，形成了社交网络中的社区机构，网络节点是实际社会中的人在虚拟网络上的映射，而网络的连边表示了网络用户之间的交流和通信。由于社交网络可以看成网络拓扑结构中具有高内聚特点的若干节点集合，社区结构可以定义为复杂网络节点集合的若干子集，处于每个子集内部的节点之间相互连接相对非常稠密，而处于不同子集节点之间的连边相对稀疏。如图1所示。

为了衡量社区结构的优劣，Mark Newman等人根据网络实际拓扑结构与随机网络拓扑结构之间的差异，通过模拟方差定义提出了模块度的定义。模块度指标借助网络拓扑结构的全局信息来衡量社区机构划分的好坏。另外，还可以从基于节点相似度衡量社区，假定社区内部的节点都是相似的，社区间的节点相似性低，根据节点之间的相似性划分社区机构。

从本质内涵来看，在线社交网络中的社区发现是将网络节点按照内部的拓扑结构连接紧密程度划分子图的过程，故在计算机科学领域，借助图论等数学工具，把图中节点连接紧密集合的发现问题描述为图分割问题，出现了代表性的基于贪婪优化策略的算法和谱平分法。21世纪以来，随着复杂网络的发展，网络社区发现获得各领域专家的重视，一个新的分裂算法GN算法拉开了社区发现发展的序幕，在算法中，模块度概念的提出作为衡量网络社区发现的重要指标为更好的发现社区提供了依据。此后，许多学者将模块度作为目标函数，提出了基于优化理论的社区发现算法。石川等学者提出了基于多目标优化的社区发现算法，利用遗传算法结合多目标函数刻画社区机构特征实现了社区的划分。GergelyPalla等利用派系和团的概念讨论社区发现问题，侧重网络中的重叠社区和社区边界的节点。Infomap算法借助信息论的数据编码，把网络拓扑结构转化为编码的构造从而发现社区。还有基于概率模型的社区机构发现算法，通过分析最大化似然概率实现社区机构的划分。上述算法时间复杂度相对较高，更多侧重社区机构的精确度，较适合规模较小的社交网络中的社区发现。在规模较大的社交网络中，由于节点信息种类繁多，很多学者希望研究出具有较高准确度同时也要具有较低时间复杂度的社区发现算法，于是从不同的角度出发提出了一些新的社区发现算法。

根据算法机制不同，社区发现算法可以分为动态计算和静态计算两类算法。

静态计算的算法设计思想是，在计算的每一个步骤中，都要分析到网格中的所有节点，判断是否是最后的划分结果的标准是计算所有节点的具体划分组合能否满足全局优化目标。动态计算的算法设计思想是，从局部的节点开始，按照特定的规则更新该节点的状态，然后逐步推导出其他节点的最终的全局划分结果。

发明内容

本发明所要解决的技术问题是针对现有技术的不足提供一种基于节点簇的社交网络的社区划分方法。

本发明的技术方案如下：