[发明专利]社团发现方法、服务器、终端装置和系统

说明书

本发明公开一种社团发现方法及其相关的服务器，终端装置，系统，计算设备和存储介质。所述社团发现方法包括：基于预先构建的对象数据的亲密关系，计算对象之间的亲密度分值；以所计算出的亲密度分值作为权重来调用社团发现算法；输出通过社团发现算法得到的社团发现结果。基于亲密度作为权重分值的社团发现算法不仅具有明确的终止条件，还避免重复计算的情况。因此，相比于现有技术，本发明的社团发现方法明显提高了社团发现的效率以及准确性。

技术领域

本发明涉及网络结构检测技术领域，具体地涉及一种能够更精准且更稳定地发现层次性的社区结构的方法及其相关的服务器，终端装置，系统，计算设备和存储介质。

背景技术

随着以互联网为主的社交网络的蓬勃发展和广泛应用，越来越多的人利用社交网络进行信息交流活动。例如，在2017年第三季度世界上最大的社交网站Facebook的月活跃用户已经突破20亿。对这种大型的复杂社会网络进行深入的研究，不仅在网络安全方面具有实际的指导价值，而且在计算机科学，社会学，生物学等领域都具有重要的研究意义。

社区结构是社会网络中的最重要的结构特征。近年来，大量的研究人员使用各种理论和方法来进行社区结构的检测。目前为止，比较核心的社团发现方法包括(i)图分割方法，例如，K-L(Kernighan-Lin)算法，GN(Girvan-Newman)算法；(ii)模块度优化方法，例如，Fast Newman算法，Louvain算法，Simulated Annealing算法；(iii)标签传播方法，例如，Label propagation Alogorithm算法，Hubs-based算法，COPRA算法；(iv)动力学方法，例如，Finding and Extracting Communities算法，INFOMAP算法，Ronhovde-Nussinov算法。在这些社团发现方法中，GN算法是一个经典的社区发现算法，它属于分裂的层次聚类算法，其基本思想是不断的删除网络中具有相对于所有源节点的最大的边介数的边，然后，再重新计算网络中剩余的边的相对于所有源节点的边介数，重复这个过程，直到网络中，所有边都被删除。具体而言，GN算法的步骤如下：(1)计算每一条边的边介数；(2)删除边界数最大的边；(3)重新计算网络中剩下的边的边阶数；(4)重复(3)和(4)步骤，直到网络中的任一顶点作为一个社区为止。GN算法由于如下缺陷而导致其效率和准确度低下：(a)不知道最后会有多少个社区；(b)在计算边介数的时候可能会有很多重复计算最短路径的情况，时间复杂度太高；(c)GN算法不能判断算法终止位置。因此，期望一种能够更精准且更稳定地发现层次性的社区结构的方法。

发明内容

为了克服现有技术中的上述不足，本发明提供一种能够更精准且更稳定地发现层次性的社区结构的方法及其相关的服务器，终端装置，系统，计算设备和存储介质。

根据本发明的一个方面，提供一种社团发现方法，所述社团发现方法包括：基于预先构建的对象数据的亲密关系，计算对象之间的亲密度分值；以所计算出的亲密度分值作为权重来调用社团发现算法；输出通过社团发现算法得到的社团发现结果。

在本发明的社团发现方法中，基于亲密度作为权重分值的社团发现算法不仅具有明确的终止条件，还避免重复计算的情况。因此，相比于现有技术，本发明的社团发现方法明显提高了社团发现的效率以及准确性。

优选地，计算对象之间的亲密度分值可以包括在给定两个对象及其所有的一度关系和/或二度关系的情况下通过累计积分计算得到所述两个对象之间的亲密度分值。

优选地，计算对象之间的亲密度分值可以包括在给定两个对象及其所有的静态关系和/或动态关系的情况下通过累计积分计算得到所述两个对象之间的亲密度分值。

优选地，计算对象之间的亲密度分值可以包括在给定两个对象及其所有二度间接关系和一度静态关系的情况下通过累计积分计算得到所述两个对象之间的亲密度分值。