[发明专利]一种基于属性图信息的社团检测方法

说明书

本发明公开了一种基于属性图信息的社团检测方法，包括以下步骤：S1：对复杂网络的数据进行预处理，构造网络图；S2：将网络图构造成属性图，其中包括：将两个节点之间的关系强度映射成所在边上的权重，每个节点的强度映射成节点上的权重；S3：给定查询节点q和正整数k，在属性图上计算极大(s,c,k)‑clique的模型；S4：优化计算极大(s,c,k)‑clique的模型的算法。其优点在于，利用极大(s,c,k)‑clique的模型，有效的解决了属性图中对社团的检测问题。本发明中提出的模型既考虑了网络的拓扑结构，又充分挖掘了顶点和边上的属性值，从而保证最终找到的社团的质量。

技术领域

本发明涉及在属性图中对网络中的社团进行检测，具体涉及一种采用极大(s,c,k)-clique的模型来评估属性图中的社团。

背景技术

现实世界中各种复杂网络都可以依据图论建模成包含节点和边的图形，从而提供一种表示对象之间关系的有效方式。而clique作为图中最紧密的一种子图结构，在很多领域都有重要的应用。比如，在社交网络中，clique可以用来表示最紧密的用户群，从而解决社区搜索和检测等问题；在生物学中，clique结构可以分析蛋白质相似度，从而预测未知的蛋白质结构。然而，目前现有的工作只局限在一般网络图中，而忽略了节点和边上的属性信息。比如在一个协作网络中(dblp)，节点表示作者，而边表示两个作者之间的协作关系。如果现在有人想组建一个小团体来研究某个科研课题，只考虑网络的拓扑结构是远远不行的。一种好的方法应该是既考虑每个作者的能力(节点的权重)，又考虑作者之间的合作次数(边的权重)。

尽管现在已经有一些算法来解决节点或边上带有权重(表示属性)的图中clique的计算问题，但是它们的模型只能保证最终clique的平均权重比较大，但可能包含一些低权重的节点或边(离群值)，因此这样的模型在很多情况下是不合适的。

发明内容

针对于上述缺陷和不足，本发明的目的在于提供一种基于属性图信息的社团检测方法，通过综合考虑节点和边上的权重从而实现更有价值的社团。本发明的技术方案如下：

一种基于属性图信息的社团检测方法，包括以下步骤：

S1：对复杂网络的数据进行预处理，构造网络图；

S2：将网络图构造成属性图，其中包括：将两个节点之间的关系强度映射成所在边上的权重，每个节点的强度映射成节点上的权重；

S3：给定查询节点q和正整数k，在属性图上计算极大(s,c,k)-clique的模型；

S4：优化计算极大(s,c,k)-clique的模型的算法。

进一步优选的，S2中构造的属性图中包括四个元素，即G＝(V,E,S,C),其中V表示节点集合，E表示边集，S和C分别表示图中节点权重集合和边上的权重集合；

给定G的一个子属性图G’和查询节点q，子属性图G’的权重W(G’)＝(s’，c’)，其中s’是图中除q之外的其他顶点的最小权重，c’是子属性图中所有边的最小权重。

进一步优选的，在步骤S3中，当给定一个属性图G＝(V,E,S,C),一个查询节点q和一个正整数k时，需要计算属性图中所有的极大(s,c,k)-clique；一个极大的(s,c,k)-clique指的是包含q的k-clique，且一个极大的(s,c,k)-clique的权重W＝(s,c)满足极大性,即不存在另一个包含q的k-clique的子属性图的权重W’＝(s’,c’)使得s’≥s且c’c或者c’≥c且s’c，其中k为节点个数。

进一步优选的，计算所有的极大(s,c,k)-clique的步骤为，

S31:计算属性图中包含q的极大(k-1)-core，因为所有的k-clique都会包含在(k-1)-core中，且计算k-core的算法是线性的；(预处理，线性计算速度较快)