[发明专利]一种基于核心成员识别的社区发现方法

权利要求书

1.一种基于核心成员识别的社区发现方法，其特征在于：包括如下内容：首先对网络中的节点进行基于节点中介中心值的核心成员识别，然后进行初始聚类，根据节点在网络中作用的大小形成初始的社会网络结构；再将初始聚类的节点看作一个节点，对节点间的相似度矩阵M降维，形成新的相似度矩阵M’，代替模块度增量矩阵作为CNM算法的输入。

2.根据权利要求1所述的一种基于核心成员识别的社区发现方法，其特征在于：所述基于节点中介中心值的核心成员识别的方法为：

(1)计算图G中节点之间的最短路径；

(2)利用FBC算法计算节点的BC值；

(3)按如下公式进行BC值标准化计算：

BC(i)＝(BC(i)-Min)/(Max-Min)，

其中：Max为图G中最大BC值，Min为最小BC值；

(4)对于每一个节点i，判断是否满足BC(i)>BC(j)，其中节点j距离节点i的距离小于设定的距离阈值DT，若是，则将i移入核心成员表，否则将i移入非核心成员表。

3.根据权利要求2所述的一种基于核心成员识别的社区发现方法，其特征在于：利用FBC算法计算节点的BC值的方法为：

(1)初始化网络中所有节点的BC值为0，取一节点s作为源节点；

(2)初始化存储源节点的堆S、广度优先搜索队列Q和存储后继节点集合的列表数组P[w]；

(3)计算节点s到节点t的最短路径数目σ_st；

(4)如果Q不为空，取出Q中任意一节点v压入S，v的后继节点加入P[w]；

(5)判断s到所有后继节点w的最短路径是否经过v，如果是则计算经过v的最短路径数σ_st(v)；

(6)从S中取出该节点v，取出v的前序节点集合w’；

(7)按无向网络节点的BC值计算公式计算节点v的BC值；

(8)重复上述过程，直到遍历完图中所有源节点。

4.根据权利要求3所述的一种基于核心成员识别的社区发现方法，其特征在于：采用相似度矩阵代替模块度增量矩阵作为输入的CNM算法包括如下步骤：

(1)初始化网络中的节点：将初始划分的社区C1，C2，C3…分别看作一个社区，将未被划分的孤立节点也视为一个社区，初始模块度为0；

(2)对相似度矩阵M进行降维得到矩阵M’；

(3)初始化最大堆H，存储矩阵M’的最大值；

(4)取H的堆顶元素Sij，合并对应的行和列，更新矩阵M’与最大堆H；

(5)计算此时的模块度Q1；

(6)判断Q1与前一次合并的社区模块度Q0差值是否小于0，若是则算法执行结束，输出社区划分结果；若否则令Q0＝Q1，然后返回第(4)步。

5.根据权利要求4所述的一种基于核心成员识别的社区发现方法，其特征在于：对相似度矩阵M进行降维得到矩阵M’的方法为：首先将初始聚类到一个社区的节点标记为C，然后将此社区中的所有节点视为一个节点，记为k；删除原相似度矩阵中C中节点的行与列，添加按如下公式计算的新列M[i][k]：

其中：|C|表示社区C中节点的数目。