[发明专利]一种基于团簇属性在社交网络中搜索个性化影响力社区的方法

说明书

本发明公开了一种基于团簇属性在社交网络中搜索个性化影响力社区的方法。为了找到同时满足影响力约束和查询节点约束的团体，本发明在影响力网络上提出了一种新的具有影响力的内聚子图模型，即极大个性化影响力社区，它满足四个条件：是规模不小于k的团；是影响力最大的团；包含查询节点；是极大的，即它的任何超图都不能满足前三个条件。考虑到查询节点和k团的属性，本发明提出新的检索策略，从而有效地缩减存储空间。与此同时，本发明结合新的检索策略开发了高效的索引算法，从而能在大型影响力网络中迅速找到极大个性化影响力社区。因此，基于团簇属性在社交网络中搜索个性化影响力社区的应用对个性化子图的挖掘以及社区间关系变化的预测有着极大的效益。

技术领域

本发明属于多媒体数据挖掘技术领域，尤其涉及一种基于团簇属性在社交网络中搜索个性化影响力社区的方法。

背景技术

近年来，随着对互联网和大数据日益广泛的研究，在线社交网络已成为最常见的通信平台。检索社区并探索网络中的潜在结构可以在不同领域中找到许多重要的应用，例如蛋白质复合物鉴定，朋友推荐等。通常，给定一个图，社区检索问题是识别包含给定查询节点的社区。现有的有关社区搜索的研究主要关注社区成员之间的结构性联系，如k核、k式桁架和k团等。但是，这些研究常常忽略了社区的其他方面，例如影响力和查询节点约束等，这就可能导致搜索出大量重叠的社区，或者单个搜索社区的规模可能很大。此外，在许多应用领域中，找到最有影响力的个性化社区是很重要的。例如，我们可以通过识别包含查询用户的重要社区来进行更好的朋友推荐。同样，我们也可以通过检索包含我们要邀请的用户的社区来更好地组织事件。

最近，有一些研究试图找到具有较大影响力的社区。例如，Li等人提出了一种称为k影响社区的新颖社区模型，其中每个节点都与图中的权重(即影响值)相关联。社区(即子图)必须具有较大的影响力和凝聚力，其中社区的影响力值是社区中所有节点权重的最小值。他们开发了有效的算法以获得具有最大影响力值的top-r社区。在此基础上，Bi等人尝试从不同方面加快搜索速度。由于影响力是用户的自然属性，因此加入对影响力的考量可以找到更多重要的社区。尽管如此，现有的关于影响力社区检测的工作主要集中在发现所有或top-r个影响力社区，并没有存在检索同时满足影响力约束和查询节点约束的模型。

该问题的主要挑战在于以下两个方面：首先，诸如社交网络之类的现实社交网络通常规模较大，因此，对于大型网络而言，算法的扩展至关重要；其次，由于研究主体是个性化社区，在实际应用中用户可能会生成大量查询，因此算法能够满足在线需求是非常重要的。

发明内容

为了找到同时满足影响力约束和查询节点约束的社区，本发明在影响力网络上提出了一种新的具有影响力的内聚子图模型，称为极大个性化影响力社区，它满足四个条件：1)是规模不小于k的团；2)是影响力即权重最大的团，其中，图中的每个节点，都有一个由PageRank生成的权重值，代表每个节点的影响力，而每个社区的影响力是这个社区中影响力最小的节点的权重值；3)包含查询节点；4)是极大的，即它的任何超图都不能满足前三个条件。

本发明利用团簇属性来开发新的检索方法，从而显著地过滤没有希望的候选节点和边缘关系。此外，本发明开发了一种新颖的索引结构，从而能够在大型影响力网络中更有效地索引所有预先计算的个性化影响力社区。

本发明解决其技术问题的技术方案具体如下：一种基于团簇属性在社交网络中搜索个性化影响力社区的方法，该方法提出两个引理：

引理1，基于k核的修剪规则：如果社区即子图S不属于k核，则子图S不可能是所检索社区。

证明：极大个性化影响力社区的必须条件之一即为k核，因此，不属于k核的节点一定不是极大个性影响力社区中的节点。因此，引理成立。

引理2，给定两个子图S1和S2，其中子图S1包含子图S2，且子图S1是子图S2和节点u的并集。如果节点u的权重值小于S2的影响力，那么S1的影响力就小于S2的影响力。