[发明专利]一种基于特征向量中心性峰值聚类的重叠社团检测方法

摘要

一种基于特征向量中心性峰值聚类的重叠社团检测方法，构建网络模型；对于任意节点vi，计算特征向量中心性xi，将xi与其他节点的特征向量中心性比较，得到特征向量中心性比自己高的节点的集合，计算vi与该集合中每个点的距离，选择最小距离δi，计算节点vi的决策积按照决策积的数值对所有的节点降序排列；取决策积前β个节点作为社团中心；计算节点vi概率向量Pi，vi归属Pi中数值最大分量所对应的社团，如果概率向量的分量中，数值最大的两个分量比较接近，则该节点为同时属于相应两个社团的重叠节点；遍历网络中所有节点，完成社团划分。本发明根据特征向量中心性检测社团，算法速度快，精度高。

主权项

1.一种基于特征向量中心性峰值聚类的重叠社团检测方法，其特征在于：包括以下步骤：步骤一：构建一个网络G(V,E),V代表网络节点，E代表网络中的边，该网络的邻接矩阵为A，其中Aij是邻接矩阵中的元素，当节点vi和节点vj有连边时，Aij＝1；当节点vi和节点vj无连边时，Aij＝0；λ1是矩阵A的最大的特征根；步骤二：对于任意节点v_i,计算其特征向量中心性遍历网络，求出网络中每个节点的特征向量中心性，作为衡量每个节点在网络中的重要性的指标；步骤三：对于任意节点v_i，比较该节点的特征向量中心性v_i与其他网络中节点的特征向量中心性，得到特征向量中心性比自己高的节点的集合θ_i，计算v_i与该集合θ_i中每个点的距离，其中的最小值被定义为节点v_i的最小距离δ_i，节点v_i的决策积定义为遍历网络，求出网络中每个节点的最小距离和决策积，按照决策积的数值对所有的节点从高到低降序排列；步骤四：把所有的节点标注在以特征向量中心性和最小距离值为横和纵坐标的二维坐标系上，得到决策图，选择决策图右上角决策积的前β个节点作为网络的β个社团中心；步骤五：定义任意节点vi属于不同类社团的概率向量为Pi＝{pi1,pi2,…,pij,…,piβ}，其中pij表示节点vi属于社团j的概率；因此第α个社团中心的概率向量为Pα＝{pα1,pα2,…,pαj,…,pαβ}，其中1≤α≤β；当j＝α时，pαj＝1；当j≠α时，pαj＝0；步骤六：对于其他未归属社团的非社团中心节点,从决策积最大的v_i节点开始计算其概率向量，获取比节点v_i的决策积大的节点个数为N_i个,并按和该节点的距离从小到大排序,对该N_i个节点编号为N_b为决策积大于而且与节点v_i距离最近的节点个数，n₀＝min{N_b,N_i},j表示n₀中的第j个节点，d_ij表示节点v_i与v_j之间的距离，则节点v_i的概率向量为步骤七：对于节点vi,r＝argmax{pi1,pi2,…,pir,…,piβ}，则节点vi属于r社团，其中argmax表示取出概率向量中数值最大的分量的第二个下标；步骤八：对于节点vi，其概率向量为Pi＝{pi1,…,pik,…,pij,…,piβ}，如果vi已经被划分到社区k中，则pik为概率向量中数值最大的分量，如果pij为概率向量中第二大的分量，而且pik‑pij＜ε,ε为一个数值很小的正数,那么vi为社团k和社团j的重叠节点，即vi既属于社区k也属于社区j；步骤九：重复步骤六～步骤八，直到得到网络中所有节点找到其归属的社团。