[发明专利]一种基于生成模型的无标度属性网络中的社团检测方法

说明书

本发明属于复杂网络领域，具体涉及考虑网络中节点的无标度特征和属性的社团检测方法，公开一种基于生成模型的无标度属性网络中的社团检测方法，主要步骤包括：S1属性网络的定义；S2联合贝叶斯生成模型；S3模型的优化过程。本发明主要通过一个联合贝叶斯生成模型，同时对网络的拓扑结构和节点的属性进行建模，在生成网络时能够有效的保留网络中节点的无标度特性，解决了考虑网络内在特征的困难。与传统的社团检测方法相比较，最后得到的社团检测的结果得到了有效的提高。

技术领域

本发明属于复杂网络领域，具体涉及考虑网络中节点的无标度特征和属性的社团检测方法，具体一种基于生成模型的无标度属性网络中的社团检测方法。

背景技术

近年来，复杂网络通常用来表示和分析复杂系统，例如社交系统，生物系统，生态系统等。已经有很多理论研究用来挖掘网络中的有用信息，社团检测是复杂网络分析中的重要任务之一。真实世界网络往往具有很多特征，例如无标度特性和节点的属性，它们是社团检测中应该考虑的关键因素，节点的属性提供了节点和潜在网络结构的信息，有利于对缺失的网络拓扑信息进行补充并且提升社团检测的结果。同时，无标度特性在真实的网络中是普遍存在的，保留度的异质性同样有助于社团检测。因此同时考虑节点度的异质性和属性信息是复杂网络社团检测中值得研究的问题。

已经提出的社团检测的方法往往仅仅考虑上述的一个方面。Newman等人提出了典型的统计模型——随机块模型。它根据网络中观测到的边来检测潜在社团，该模型假设网络中的节点产生连边的概率是基于节点所在的社团。并且随机块模型认为同一个社团中的节点是一样的，并没有考虑节点的独特性。DC-SBM模型可以用来解决节点度的异质性，但是没有考虑节点的属性信息。Yang等人提出了一个判别模型，利用了网络的拓扑结构和节点的内容来进行社团检测，没有将网络结构和节点的属性看作两个相关的部分来同时对它们进行建模，同时也没有考虑节点的无标度特性。Chen等人提出了一个贝叶斯非参模型来探索网络的结构规则。这个模型融合了网络结构和节点的属性信息通过假设结构和属性共享相同的社团关系，同样的它也没有考虑网络中节点的无标度特性。

因此在复杂网络社团检测中面临的挑战是两重的：1)在建模网络的拓扑结构时怎么保留节点度的无标度特性。2)怎样有效地融合网络中节点度的异质性以及节点的属性信息来提高社团检测的结果，即同时建模变化的度分布和节点的多维属性。同时保留复杂网络中节点度的无标度特征和属性信息使社团检测的结果更具有广泛的适用性和意义。

发明内容

本发明的目的在于克服现有技术的不足，提供一种融合网络拓扑结构和节点的属性，同时保留了网络中无标度特性来进行社团检测的方法。

本发明针对在进行社团检测时，同时建模网络结构和节点的属性，并且保留节点度的无标度特性的困难，提出了一个联合贝叶斯概率生成模型。该模型包括两个部分，第一个是拓扑部分，它主要是基于度衰减的随机块模型。即在建模网络结构时，考虑了节点度的无标度分布对社团检测结果的影响，提出了度衰减变量来刻画度的异质性。第二个是属性部分，我们利用典型的LDA主题模型，我们假设每个社团都具有多个主题，即每个社团都具有一个主题分布，每个主题都以一定的概率去生成不同的属性。并且我们利用一个概率转移矩阵来揭示社团和主题的潜在联系，将网络的结构和节点的属性看作一个有机的整体。

本发明为解决上述背景技术中提出的技术问题，采用的技术方案是：基于联合贝叶斯生成模型的无标度属性网络中的社团检测的方法，该方法包括如下步骤：

S1属性网络的定义：

(1)将具有N个节点和M个属性的属性网络G定义为一个N×N维的邻接矩阵A和N×M的属性矩阵X。