[发明专利]一种网络图分割方法及存储介质

说明书

本发明公开了一种网络图分割方法，包括：任取获取到的网络图节点集合中的一个节点，作为第一节点，遍历第一节点的所有邻居节点，作为第一邻居节点集合，遍历第一邻居节点集合的所有邻居节点，作为第二邻居节点集合；删除节点集合中的第一节点、第一邻居节点集合、第二邻居节点集合，并将第一节点加入到孤立集中；重复上述步骤，直到节点集合变为空集，并获取到分割完成的一个孤立集，继续获取图中的所有网络节点集合，并删除孤立集中包含的网络节点，得到剩余节点集合；重复上述步骤，直到剩余节点集合为零。通过上述方法，在运用社区发掘算法进行社交网络分析时，可以提高运算速度，提高分析效率，提高对大规模社交网络的挖掘和分析能力。

技术领域

本发明涉及复杂网络图的社区发掘领域，特别涉及一种网络图分割方法及存储介质。

背景技术

随着科学技术的飞速发展，社交平台、互联网的网站以及网上商品和客户所形成的复杂网络信息已经不能用传统的列表、矩阵等结构化的数据进行表示，因此图这种非结构化的数据结构被用来定量描述这种复杂网络，它描述了网络中的对象和对象之间的连接关系，基于图这种数据结构的算法称为图算法。社区发掘算法是图算法的一种，在一个复杂网络图中，有的节点之间的联系较为紧密，有的节点之间的联系较为稀疏，这些联系紧密的节点相对于联系稀疏的节点之间形成了一个个“社区”，社区发掘算法的工作是将图中的节点聚类为一个个的社区。社区发掘广泛的应用在社交网络分析、金融网络风险识别、购物网络的用户分类等场景。

社区发掘算法实际上是一种以“社区质量”为优化目标的优化算法，目前有多种描述社区质量的目标函数，根据目标函数的不同，社区发掘算法可分为启发式算法和基于统计规律的算法，本发明主要涉及一种启发式算法：Louvain算法。

Louvain算法的具体实施分为两阶段：第一阶段，迭代地遍历图中的所有节点，遍历到某个节点时将该节点加入使得模块度增加最大化的邻居节点中，直到所有节点都不再变动位置。第二阶段，根据第一阶段的计算结果，将相同位置的节点整合成为一个个新的节点，最终形成一个新的图。然后迭代地依次执行这两个阶段，直到社区情况不再变动。Louvain算法的计算量主要集中在第一阶段，其计算过程是一个典型地串行算法的过程，其中每一个节点地计算都依赖于前一个节点地计算结果，计算中前后紧密依赖，因此难以直接进行并行计算，运算速度慢，效率低。

发明内容

本公开实施例提供了一种网络图分割方法及存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

在一些可选地实施例中，一种网络图分割方法，包括：

任取获取到的网络图节点集合中的一个节点，作为第一节点，遍历所述第一节点的所有邻居节点，作为第一邻居节点集合，遍历所述第一邻居节点集合的所有邻居节点，作为第二邻居节点集合；

删除所述节点集合中的第一节点、第一邻居节点集合、第二邻居节点集合，并将所述第一节点加入到孤立集中；

重复上述步骤，直到节点集合变为空集，并获取到分割完成的一个孤立集，继续获取图中的所有网络节点集合，并删除孤立集中包含的网络节点，得到剩余节点集合；

重复上述步骤，直到剩余节点集合为零。

进一步地，所述网络图为包含两个节点以上的无权重网络图。

在一些可选地实施例中，一种网络图分割系统，其特征在于，包括处理器和存储有程序指令的存储器，其特征在于，所述处理器被配置为在执行所述程序指令时，执行上述实施例提供的一种网络图分割方法。

在一些可选地实施例中，一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行上述实施例提供的一种网络图分割方法。