[发明专利]一种社交网络中的动态社区检测方法

说明书

技术领域

本发明涉及社交网络技术领域，特别是一种社交网络中的动态社区检测方法。

背景技术

从社交网络中检测社区结构是社交网络分析中的一项重要任务，无论是理论上还是实际应用中都具有十分重要的意义。通过挖掘网络中的社区结构，能够发现网络中隐含的组织结构信息、社会功能以及社区成员之间隐含的有趣属性，如共同爱好等。通过研究社交网络中社区之间、个体之间以及个体与社区之间的关系，可以挖掘出大量有价值的信息，可应用于许多领域。

现有的社区检测方法多是基于静态社会网络，即认为社会网络中节点集合和边集合是不变的，社区结构也是稳定不变的。这些方法可以大致分为两大类：基于优化的方法和启发式的方法。前者通过最优化预定义的目标函数来检测社区结构，如谱方法将社区检测问题转化为二次型优化问题。启发式方法是将问题转化为预定义启发式规则设计问题，如Girvan-Newman的启发式规则是寻找边界数最大的边，然后依次删除；MFC则是通过计算最小截集识别社区间连接，HITS的启发式规则是基于权威-中心页面间相互指向的连接关系。此外，社区检测的另一个思路是采用K-MEANS、DBSCAN等经典聚类方法对网络进行聚类，形成社区结构。这类方法对参数敏感，且需要社区数量的先验知识。随着社会网络规模日益庞大，传统社区检测方法的时间复杂度过高，难以满足社区检测的应用要求，出现了一种较为高效的社区检测方法：标签传播方法。标签传播方法初始阶段给每个节点赋予唯一标签，在每一轮迭代中，每个节点根据其最多邻居拥有的标签更新自己的标签。标签传播方法可以获得接近线性的时间复杂度，运行效率高，但是应用于大规模网络中还存在稳定性问题。

实际中的社交网络呈动态特性，即社交网络的结构是随时间的变化而变化的，不断有节点加入、退出，因此动态社区检测在实际应用中具有更重要的价值。如果当网络结构发生变化时都采用静态方法进行社区检测，不仅容易在相邻时刻网络上产生具有较大差异的社区发现结果，而且对大量节点进行没有必要的重复检测，导致较高的时间复杂度Yu-Ru等提出一种成为FacetNet的动态社区划分框架，将社区检测和社区进化融为一体，时刻的社区结构由历史社区划分提供先验分布结合当前时刻网络拓扑决定当前社区结构，生成社区采用stochastic block模型，在不同时刻网络划分中社区之间的匹配问题采用一种迭代的EM方法，但FacetNet依赖网络社区数目的先验知识，而社区数目在实际情况中很难准确获取。FacetNet在大型网络中，需要多次迭代才能使矩阵收敛，不适合大规模数据的处理。

综上，现有的社交网络社区检测方法从发现的社区结构质量以及时间效率上看都尚有很大的提升空间。面对大规模社交网络的场景，现有方法无论是在效果和效率上都难以满足要求。

发明内容

本发明的目的在于提供一种社交网络中的动态社区检测方法，该方法有利于提高社区检测的精度和效率。

为实现上述目的，本发明的技术方案是：一种社交网络中的动态社区检测方法，包括以下步骤：

步骤A：获取社交网络一时刻t_i-1的快照数据，作为初始的社交网络快照，并构造以社交网络用户为节点、用户关系为边的社交网络图G_i-1=(V_i-1, E_i-1)，V_i-1表示时刻t_i-1的社交网络图G_i-1的节点集合，E_i-1表示时刻t_i-1的社交网络图G_i-1的边集合；

步骤B：对于时刻t_i-1的社交网络图G_i-1，进行社区划分，获得社交网络在时刻t_i-1的社区结构；