[发明专利]一种非重叠网络和重叠网络中社团结构检测方法

说明书

本发明公开了一种非重叠网络和重叠网络中社团结构检测方法，在模糊模块度函数的引导下，在约束条件对应的可行隶属度分布组合空间内进行方向性搜索，收敛至使模糊模块度函数达到最优的隶属度分布，由最优的隶属度分布，得到真正的社团划分，从而确定社团结构。本方法可获得真正的模糊社团划分，并根据隶属度分布确定社团结构，所获得的最终隶属度分布能够体现重叠节点的多样化拓扑特性差异，克服了隶属度计算过程中由于计算指标单一带来的不精确性。

技术领域

本发明涉及一种社团结构检测方法，具体说是一种非重叠网络和重叠网络中社团结构检测方法。

背景技术

社团结构是复杂网络是重要特性之一，发掘复杂网络中的社团结构对揭示网络功能具有重要的意义。网络社团检测能够挖掘出复杂网络中有现实意义的社团结构，但在实际中，网络的形式多种多样，内在联系形式也大都不同，这就导致了内部社团结构也呈现出多样性。因此，针对这些形式多样的网络，为了能够准确有效的分析其中的社团结构，诞生了许多社团检测算法。

相比较于社团检测，非重叠的社团检测算法最先被提出，并且目前在python的标准库中已有多种社团检测算法可以被直接调用。例如基于多分辨率版本的模块度的MultiLevel算法、基于贪婪算法的FastGreedy算法、基于随机游走的WalkTrap算法、基于边介数的GN算法、基于节点和子图关系的Kclique算法、基于动力学随机游走的InfoMap算法、基于标签节点传播的标签传播算法(LP)和基于模块矩阵主导特征向量的Eigenvector算法。然而，随着复杂网络规模的增加，社团划分方式变得更加复杂，这些经典的社团检测算法已经不能满足需求。

在社团检测中，存在两种类型的重叠：离散重叠和模糊重叠。离散重叠中每个节点对于其所属的社团有相同的隶属度，而模糊重叠对划分有更加精确的要求，即节点对所属社团的隶属度不尽相同。典型的离散社团检测算法包括：派系过滤、链接聚类、局部扩展、模块度优化、多目标优化和标签传播等。

2011年，Gregory针对社交网络的社团检测首次提出了“模糊重叠划分”的概念。目前，国内外已经有多种模糊社团检测算法被提出，包括扩展标签传播、非负矩阵分解及模糊模块度优化等。扩展的标签传播算法典型代表算法包括COPRA算法、SLPA算法及LPPB算法等，其中，COPRA是Gregory于2010年提出的首个基于标签传播的模糊社团检测算法。基于非负矩阵分解是机器学习中的常用算法，近年来被用于社团检测求解中，典型代表算法包括Zhao等2010年提出的对称NMF算法s-NMF，Psorakis等2011年提出的贝叶斯NMF算法等。模糊聚类的典型代表性算法包括2013年Wang等提出基于FCM的模糊聚类算法。

在社团检测中，离散重叠只关心节点是否属于某个社团，对社团划分没有更精确的要求。然而目前，绝大多数的社团检测算法仅限于离散社团检测，这类算法将节点对各个社团的隶属度看作是相同的，然而很多真实社团结构中节点隶属度是非一致的。

现如今国内外已有的多种模糊社团检测算法中，包括扩展标签传播、非负矩阵分解及模糊模块度优化等，基于扩展标签传播的模糊社团检测算法缺乏有效的设置隶属度阈值的方法。基于非负矩阵分解算法计算复杂度高，不适用于大规模网络。以FCM为代表的模糊聚类算法检测所得社团结构的模块度较低。模糊模块度优化算法在全局寻优方面能力不足并且易陷入局部最优。

发明内容

针对现有技术存在上述问题，本申请提供了一种非重叠网络和重叠网络中社团结构检测方法，在模糊模块度函数的引导下，在约束条件对应的可行隶属度分布组合空间内进行方向性搜索，收敛至使模糊模块度函数达到最优的隶属度分布，由最优的隶属度分布，得到真正的社团划分，从而确定社团结构。

为实现上述目的，本申请的技术方案为：一种非重叠网络和重叠网络中社团结构检测方法，具体步骤如下：

一、非重叠网络中社团结构检测方式为：

Step1对种群个体进行编码并构建初始种群；