[发明专利]基于社区划分的社交网络好友推荐方法

摘要

本发明公开了基于社区划分的社交网络好友推荐方法。链接预测是根据现有网络拓扑结构和节点属性信息等去预测两点间存在连接可能性的大小。现有的大部分节点相似性算法只考虑了共同邻居节点的信息，即路径长度为2的拓扑结构，忽略了某些节点可能所属同一个社区的重要信息，显然处于统一社区的节点之间有更大的可能存在链接。针对传统链接预测方法的不足，本发明主要使用改进的遗传算法先对所有节点进行社区划分，然后再根据社区划分的结果进行链接预测，从而提出了一种基于社区划分的社交网络好友推荐算法。通过在5个真实网络中做出对比试验，比较分析了本发明算法与传统节点相似性算法的准确性，证实了该算法的可用性。

主权项

1.基于社区划分的社交网络好友推荐方法，其特征在于：本方法主要流程为基于谱聚类改进的遗传算法做社区划分CMDT，将社区划分CMDT的中间结果作为链接预测算法的输入，并进行链接预测，链接预测方法主要依据随机分块模型；社区划分CMDT具体步骤如下：输入：网络拓扑结构图G＝(V，E)中，m为种群规模，Pc为交叉概率，Pm为变异概率，T为迭代次数，k为聚类个数；输出：社区划分结果步骤：S1种群初始化操作：根据网络拓扑结构初始化种群P；种群初始化是确定编码方式后执行遗传算法的第一步，这个过程是要随机生成设定数目的个体，以便形成一定规模的种群，这些个体都属于可行解空间；所以个体编码的方式要符合一定的规则，个体的基因位取值来自于其邻接矩阵；S2计算P中个体的适应度函数；S3谱聚类算法对P进行种群划分；应用谱聚类对种群个体进行划分，然后选取不同类别的个体对其进行交叉操作；下面进行详细步骤说明：S3.1相似度矩阵的计算S在这个过程中，需要对两个体间的相似性进行度量，依据NMI来计算不同个体，即不同社区划分间的相似性，以此来构造一个相似性矩阵，其种群大小为m，那么该相似性矩阵大小为m*m；S3.2度矩阵的计算D；S3.3拉普拉斯矩阵L的计算；S3.4计算拉普拉斯矩阵L的特征值和特征向量，把特征值从小到大进行排序，取出前k个值并求出对应的特征向量，将其排成一个n行k列的矩阵M；S3.5矩阵M的每行都看成一个k维的向量，使用k‑means算法对其进行聚类；每行所属的类别都是种群中相应个体所属的类别；S4执行交叉、变异操作产生新种群C：在遗传操作中，交叉操作预示着新个体的产生，是种群进化的关键步骤，是体现全局搜索能力重要一步；变异是指染色体中随机挑选一个基因值被修改为其它的随机基因值；在二进制编码情况下，也就是1变成0、0变成1；实数编码情况下，随机变成其它的实数值；这种操作符合自然进化方向，利于增加种群多样性；S5从P和C中选择最优的种群个体作为下一代种群放入P，最优指的是在S2的计算结果中，前m大的个体，m为种群规模；S6判断是否达到迭代次数，是转S7，否则转S3；S7从P中选出最优个体，解码后就是社区的最优划分，该划分即为链接预测算法SBMS的输入。