[发明专利]一种大规模复杂网络社区结构检测的方法、系统及装置

说明书

本发明公开了一种大规模复杂网络社区结构检测的方法、系统及装置，方法包括：将待检测的大规模复杂网络抽象为图谱数据；采用多线程并行滑动窗口模型，对抽象得到的图谱数据进行优化存储；采用多线程并行的自适应标签传播算法对存储的图谱数据进行标签化处理；根据标签化处理的结果进行后期处理并输出社区结构检测的结果。系统包括图谱抽象模块、优化存储模块、标签化处理模块和后期处理模块。装置包括存储器和处理器。本发明降低了时间复杂度并提高了执行效率；本发明还能通过普通个人计算机对大规模图谱进行计算，降低了成本；本发明能够自适应地识别重叠和非重叠社区，提高了社区检测的准确性。本发明可广泛应用于复杂网络服务计算领域。

技术领域

本发明涉及复杂网络服务计算领域，尤其是一种大规模复杂网络社区结构检测的方法、系统及装置。

背景技术

复杂网络并不是一大批性质完全相同的节点随机连接在一起，也不是各种类型的节点之间不相关的随意链接，而是“乱中有序”——相同类型节点之间连接较多，构成一个一个的小社区，不同类型节点之间连接较少，但这些连接将成为沟通不同社区的重要通道。社区检测的目的是在乱中有序的复杂网络中找出满足同一类型中的节点以及这些节点之间的边所构成的子图。

在大型复杂网络中进行社区发现，具有重要的实际意义，从宏观的角度而言，它可以以一种分而治之的方式研究整个复杂网络的组成和动态演化过程，其次它可以帮助我们更好的了解复杂网络，比如在社会关系网络中，社区能够显示根据相同的兴趣爱好或社会背景而形成的真实的社会团体，进而可以进行关键人物分析、各种类型推荐、以及精准广告营销；又如在生物分子反应网络中，社区可以表示分子聚合到一起形成某一类型的功能单元。因此，发现复杂网络中的社区有助于更加有效地理解开发这些网络中的奥秘，解决相关的问题。

目前，对于复杂网络中的社区结构检测通常采用启发式探测和基于统计推理的检测方法，这些传统检测方法存在时间复杂度高、执行效率低且检测结果不够准确的问题，另外，现有对大规模的复杂网络进行社区结构检测仅能通过大型服务器来实现，成本较高。

发明内容

为解决上述技术问题，本发明的目的在于：提供一种时间复杂度低、执行效率高、检测结果准确且成本低的，大规模复杂网络社区结构检测的方法、系统及装置。

本发明所采取的第一技术方案是：

一种大规模复杂网络社区结构检测的方法，包括以下步骤：

将待检测的大规模复杂网络抽象为图谱数据；

采用多线程并行滑动窗口模型，对抽象得到的图谱数据进行优化存储；

采用多线程并行的自适应标签传播算法对存储的图谱数据进行标签化处理；

根据标签化处理的结果进行后期处理并输出社区结构检测的结果，其中，后期处理包括识别重叠节点和合并子集社区。

进一步，所述采用多线程并行滑动窗口模型，对抽象得到的图谱数据进行优化存储这一步骤，包括以下步骤：

将图谱数据划分为P个不相交的区间，其中，每个区间对应一个内存块，所述内存块用于存放以对应区间内节点为终点的入边信息和边属性信息；

根据起始节点序号对每个区间内的边按从小到大的顺序进行排序；

根据排序的结果，通过滑动P-1个窗口来获取每个区间内节点的出边信息，并将获取的出边信息存储至对应内存块；

根据节点的入边信息、边属性信息和出边信息，通过节点更新函数进行图谱数据挖掘。

进一步，所述采用多线程并行的自适应标签传播算法对存储的图谱数据进行标签化处理这一步骤，包括以下步骤：

对存储的图谱数据进行标签初始化处理；