[发明专利]复杂网络的社团发现方法及社团重要节点发现方法

说明书

技术领域

本发明属于复杂网络技术领域，更为具体地讲，涉及一种复杂网络的社团发现方法及社团重要节点发现方法。

背景技术

复杂网络的研究是现今科学研究中的一个热点，它已渗透到各个领域，并成为这些领域的重要研究方向。不同领域的复杂网络，都可以用图的形式来表示。点表示复杂网络中的个体，边表示复杂网络中个体之间的关系，边的权重用来表示个体之间的联系。由此看出，复杂网络的结构是由大量的点和它们之间的相互作用关系组成的。随着对复杂网络的深入研究，发现复杂网络中呈现出大量的社团结构，即具有相同特性的节点之间的联系较多，而不同特性的节点之间联系较少。复杂网络中的社团就是这些具有相同特性的节点以及连接它们之间的边所组成的子图集合。

现有的社团发现算法主要包括Kernighan-Lin算法、谱平分法、派系过滤算法和分级聚类算法等。分级聚类算法根据将网络中的边删除或添加，又细分为分裂算法和凝聚算法。常见的分裂算法包括：GN算法、采用节点集的GN算法、快速分裂算法、基于相异性的算法和基于信息中心度的算法等。常见的凝聚算法包括：Fast Newman算法、CNM算法和结合谱分析的凝聚算法等。

以上介绍的算法都是基于网络全局来考虑的，有时候人们只对网络的局部信息感兴趣。l-shell算法和Clauset算法就是两种比较典型的基于网络局部信息的算法。后来，Raghavan提出快速标号传播算法(LPA算法)。而之后，Xie等人又提出了通过标签传播进行社团检测的LabelRank算法对LPA改进，避免了结果的随机输出，并且提高了社团检测的性能。Yang等人基于边的结构和节点的属性提出了CESNA算法。马杰良提出了基于局部稠密度的社团划分算法。陈端兵提出了重叠社区挖掘的两段策略算法。

大多数真实的复杂网络是加权网，无权网无法体现出这些网络中节点之间的连接强度。引入边权，既可以体现真实网络拓扑结构的复杂性，又可以更好地体现真实网络拓扑结构之间的相互联系，为社团发现提供更多的依据。因此，在对复杂网络进行社团发现前，需先对具有社团结构的加权网建模。

随着科学技术的进步，信息量急剧增长。经典的社团发现算法由于时间复杂度高，已经无法完成大规模复杂网络的社团发现，研究准确度高且时间复杂度低的大规模复杂网络的社团发现算法迫在眉睫。经典的社团发现算法都是将节点作为划分对象，通过对节点设计适当的划分方法来获取点的社团结构，但以节点为划分对象的社团发现算法需要先找到网络中的关键节点，从关键节点开始发现网络中的社团，这就导致这些算法的准确度还与网络中的关键节点相关。

在一个社团中，往往存在着一个或多个重要节点，这些节点在社团中具有很大的影响力，所以发现社团中的重要节点对网络的安全、控制和监管具有重要意义。常见的重要节点发现算法考虑因素片面单一，有的是基于节点之间的直接连接状态，有的是基于目标节点到其他节点的最优连接方式等，且是用于寻找全网中的重要节点，因此，需要探索考虑因素周全的社团中重要节点的发现算法。

发明内容

本发明的目的在于克服现有技术的不足，提供一种准确度高且时间复杂度低、适合大规模复杂网络的社团发现方法及社团重要节点发现方法。

为实现上述发明目的，本发明复杂网络的社团发现方法，包括以下步骤：

S1：首先得到复杂网络的拓扑结构，即复杂网络中的节点和节点之间的连接关系，并得到节点间连接次数；

S2：计算复杂网络中每条边的边权w_ij：