[发明专利]一种改进Dijkstra权重的社交网络抽样生成算法

说明书

技术领域

本发明涉及一种改进Dijkstra权重的社交网络抽样生成算法，属于社交网络拓扑 抽样生成算法技术领域。

背景技术

社交网络(如：Facebook、Twitter等)是网络用户用来分享信息，发布活动，相互 交流的一种Internet平台。社交网络中存在大量的网络用户，他们之间的交流包含着大量 的信息，目前对社交网络的研究分析越来越重要，但是社交网络中的关系错综复杂(如空手 道俱乐部网络和电子邮件网络等)，直接分析原始网络会造成很大的负担。因此，我们需要 对复杂网络进行抽样，得到能够代表原网络的子网。目前，常用的抽样方法可分为三类：点 抽样法、边抽样法和拓扑结构抽样法。列举两种常用的抽样算法：随机选择节点算法 (RandomNodeSampling-RNS)和随机选择边算法(RandomEdgeSampling-RES)。RNS算法 是通过随机的选择复杂网络中的节点和与之相连的边，进行网络抽样，属于点抽样算法的 一种；RES算法是通过随机的选择一系列的边和与其相连的点，进行网络抽样，属于利用边 进行抽样的一种算法；另外还有一种随机漫步抽样算法(RandomWalkSampling-RWS)也很 常用，该算法先通过设立一个种子节点，下一步抽取与之相连的下一个节点，有更多边连接 的节点更容易被抽取。如采用RNS算法进行抽样，是通过抽取出满足抽样率的节点后停止抽 样，这可能会导致抽样出的子网中边的抽样率偏大或偏小。采用RES算法进行抽样，是通过 抽取出满足抽样率的边后停止抽样，这可能会导致抽样出的子网中节点的抽样率偏大或偏 小。采用RWS算法进行抽样，也可能会导致抽样出的子网中节点或边的抽样率偏大或偏小， 而且通过RWS抽样算法得到的子网，不能很好的代表整个图，只能代表种子节点附近的网 络。因此，急需一种算法能够改善这些问题，使得抽样出来的拓扑图形能够很好的代表原 图。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种改进Dijkstra权重 的社交网络抽样生成算法，是一种从全局角度出发结合网络拓扑图中节点之间的最短路径 和出现的频率综合抽样，既可以保证抽样出来的子网分布均匀，又可以保证抽样出来的子 网更加贴近原始网络。

为解决上述技术问题，本发明采用的技术方案如下：

一种改进Dijkstra权重的社交网络抽样生成算法，包括以下步骤：

1)根据给定的原始社交网络拓扑图形，采用中心度算法来求取节点之间的连接权 重；

2)在原始社交网络拓扑图形中随机选择l对不相邻的节点作为源节点和目的节 点，然后运用Dijkstra算法求出所选择的l对源节点和目的节点之间的最短路径，具体过程 包括：

假设原始社交网络拓扑图形G＝＜V,E＞，其中V＝{p₁,p₂,…,p_n}代表节点的集合， p_i，i＝1,2……n，表示第i个节点，n为节点的个数，E＝{e₁,e₂,…,e_m}代表边的集合，e_i，i＝ 1,2……m，表示第i条边，m为边数，则源节点p_s到目的节点p_t之间的最短路径，步骤如下：

2-1)设定节点之间的连接权重作为连接节点之间的距离，计算出原始社交网络拓 扑图形中所有连接节点之间的距离的集合D，D＝{d₁,d₂,…,d_f}，d_i代表原始社交网络拓扑 图形中节点之间的连接权重，f表示有f对连接节点；

2-2)比较源节点p_s到相邻节点间的距离，抽取距离最小的节点p_i；

2-3)比较节点p_i到相邻节点间的距离，求出最小值d_k，对应的相邻节点为p_k；