[发明专利]一种基于局部最优化的社区发现方法

说明书

本发明涉及复杂网络中的社区发现领域，具体公开了一种基于局部最优化的社区发现方法，其是在LFM(Local Fitness Maximum)算法的基础上，一方面提出一种融合网络中节点间连边社会属性和共同邻居节点度的加权方法，利用所形成的连边权重来更新LFM算法中的适应度函数。另一方面在LFM算法局部最优化的过程中引入局部社区稳定度的概念，计算节点加入局部社区前后社区稳定度的变化来判定该节点对社区稳定度的贡献程度，以此作为节点是否被加入社区的准则。本发明的方法避免了超大社区的出现，容易发现网络中更有意义的小团体结构，适用于真实的社会网络。

技术领域

本发明涉及一种基于局部最优化的社区发现方法，属于复杂网络、社区挖掘领域。

背景技术

社会网络是由许多节点按某种关系构成的一种社会结构，节点通常是指个人或组织，这里的某种关系可以是多种多样的，如合作关系，社交关系、通讯关系等。伴随着社交网络、通信网络的飞速发展，网络中节点规模越来越大，节点间关系越来越复杂。据FaceBookCEO马克·扎克伯格称，截止2017年第二季度，FaceBook的月度活跃用户数首次超过20亿人，与去年同期相比增长17％，从6月9日开始，Facebook上有1700万人参与某话题的讨论，相关发帖、点赞、评论的数量总和超过了4100万。面对如此大规模的网络个体总数与复杂的链接关系，对单个节点及其相关连接的研究显然意义不大，因此研究者们转而去寻找网络中具有共同性质的一类群体。

社会网络中存在的社团结构，指的是网络中存在若干个群(Group)或团(Cluster)，每个群内节点联系相对紧密，而群与群之间的联系却相对稀疏。揭示大规模社会网络中的社团结构，对于发现网络的拓扑结构以及从社会学角度分析网络的特性具有重要意义。例如人们可以通过社交网络来扩展朋友圈，寻求工作机会，构建商务合作；运营商利用电信网络了解客户的关系圈，从而提供更加优质的服务等。

目前，针对社团结构检测的研究已经取得了较为丰富的成果，产生了基于多种思想的社区发现算法。LFM算法就是基于局部最优化的一类社区发现算法。该算法定义了局部社区的适应度函数并基于网络实际是由局部结构所组成的这样一种假设，从局部社区开始，通过不断选取使得社区适应度函数最大的节点加入社区，来扩大局部社区的规模，直至所有节点都被划分到相应的社区中。但该算法忽略了节点间链接的权重信息，特别是在社会网络中，人与人之间的联系是很紧密的，单单依靠节点度信息计算出的适应度不能充分反应社会网络的特点。另一方面，LFM算法每次选择对局部社区适应度值贡献最大的节点加入社区中，这一节点准入条件可能过于简单，会造成超大社区的出现，从而影响社区发现的效果。

发明内容

为解决现有技术的不足，本发明的目的在于提出一种基于局部最优化的社区发现方法，该方法在LFM算法的基础上做了两点改进，一是拟提出一种基于连边社会属性和共同邻居节点度的加权方法，将形成的新的权重融入LFM算法的适应度函数中。二是拟提出局部社区稳定度的概念，在算法局部最优化的过程中，进一步约束节点加入社区的条件。通过以上两点改进，该方法发现的社区粒度更小，能有效避免超大社区的出现，可以发现网络中更有意义的小团体。因此，该方法适用于社会网络中的社区发现问题。

为了实现上述目标，本发明实施例采用如下的技术方案：

根据本发明实施例的一种基于局部最优化的社区发现方法，其特征在于，借鉴了LFM算法的基本思想。LFM算法首先定义了社区的适应度函数，公式如下：

和分别代表局部社区G内部节点度总和以及内部节点在社区外的度的总和，α是一个正实数值参数，控制社团数目的大小，经过Lancichinetti等人的实验发现，当α取值在0～0.5时，网络中几乎只有一个社区，即网络本身。当α＞2时，会形成许多小的社区结构。实验表明，当α＝0.9时，社区划分效果最好。

某个节点A对于局部社区G的适应度贡献值定义为子图G包含节点A 和不包含节点A的适应度值的变化量，公式如下：