[发明专利]一种基于谱聚类与模糊集的重叠社区发现方法

权利要求书

1.一种基于谱聚类与模糊集的重叠社区发现方法，其特征在于，包括如下步骤：

步骤S1：读取社交网络的数据集，生成网络结构图并获取网络中节点的属性信息和拓扑结构；

步骤S2：结合网络中相邻节点之间的Jaccard系数和节点的属性信息，计算网络中节点之间的相似度值；

步骤S3：基于节点间的相似度值，构建相似度矩阵，从而构建归一化后的拉普拉斯矩阵；

步骤S4：计算每个节点的特征向量和特征值，利用迭代和压缩的方法生成新的特征向量；

步骤S5：将新的特征向量正交化，计算每个节点针对每个社区的归属度，进行社区的划分，对存在多个社区归属度值较大的节点，进行重叠社区的划分；

步骤S6：根据每次划分后的模块度，选出满足模块度要求最高的社区划分；

步骤S7：输出最终的社区划分结果。

2.根据权利要求1所述的一种基于谱聚类与模糊集的重叠社区发现方法，其特征在于，在步骤S1中，读取社交网络的数据集，生成用于社区结构划分的网络结构图G＝(V,E,F)，其中V表示节点集，E表示边集，F表示特征属性集，同时获取网络节点的拓扑结构：

其中，A_ij表示邻接矩阵，e_ij表示节点i和节点j之间的边。

3.根据权利要求2所述的一种基于谱聚类与模糊集的重叠社区发现方法，其特征在于，在步骤S2中，计算网络中节点之间的相似度值的具体步骤如下：

步骤S21：表示出网络中每个节点的邻居集：

Γ(v)＝{u:u∈V,(v,u)∈E} (2)

其中，Γ(u)表示节点u的邻居集合，节点v表示为节点u的邻居节点；

步骤S22：计算任意两个节点之间的Jaccard系数：

J_uv计算出来的值表示为节点u与节点v的Jaccard系数，J_uv用于衡量节点之间的相似程度，J_uv值越大表示两个节点之间越相似，反之则表示两个节点越不相似；

步骤S23：根据节点的属性信息，计算每两个节点之间的属性相似度：

SD(u,v)＝haming(u,v) (4)

SD(u,v)计算出来的值表示节点u与节点v的属性系数，用来衡量节点之间在属性上相似程度，SD(u,v)值越大表示两个节点之间越相似，反之亦然；

步骤S24：根据Jaccard系数和节点的属性系数，计算每个节点的总相似度S(u,v)：

S(u,v)＝J_uv+SD(u,v) (5)

其中，J_uv两节点之间的Jaccard系数，SD(u,v)表示两节点间的属性系数；S(u,v)越大，表示节点u和v在网络中越相似，极有可能划分到同一个社区。

4.根据权利要求3所述的一种基于谱聚类与模糊集的重叠社区发现方法，其特征在于，所述步骤S3的具体实现步骤如下：

步骤S31：统计节点u与节点v的相似度值，构建出相似度矩阵S；

步骤S32：利用相似度矩阵S计算出度矩阵D的值；

步骤S33：利用度矩阵D和原始的相似度矩阵S，进行归一化操作，计算出归一化后的拉普拉斯矩阵W：

W＝D^-1S (6)

其中，D表示度矩阵中元素的值，S表示为相似度矩阵中元素的值，W为归一化后的拉普拉斯矩阵中元素的值。