[发明专利]一种基于销售信息网络的显著社团发现方法

说明书

本发明公开了一种基于销售信息网络的显著社团发现方法，该方法包括如下步骤：S1：将销售信息抽象为销售信息网络；S2：初始删边：删除销售信息网络中权值小于给定显著度阈值的边；S3：构建显著社团森林：发现当前销售信息网络中的极大团，判断极大团是否符合显著社团的预定要求，将符合要求的极大团作为显著社团放入初始显著社团森林中；S4：迭代删边：删除极大团中权值最小的边；S5：重复S3、S4过程，直到网络中只剩孤立节点；S6：调整显著社团森林：根据显著社团森林中的非叶子节点，判断是否存在噪声边，若不存在噪声边，则不做要求；若存在噪声节点，则将噪声边所属显著社团从显著社团森林中删除。

技术领域

本发明涉及一种显著社团发现方法，具体涉及一种基于销售信息网络的显著社团发现方法。

背景技术

随着互联网技术的兴起，以及电子商务的迅速发展，产生了海量的、复杂的、丰富的销售信息。而这些销售信息中往往蕴含了巨大的商业价值，因此如何快速且准确的根据历史销售信息，挖掘其中的销售规律，具有重要的研究意义。

社团结构是表示了网络的中观特点，经常被用于分析各种信息网络的特性，是信息网络研究一个热点问题。

Newman等人[28]于2004年提出了基于模块度的社团发现算法，通过将划分的社团结构与具有相同序列的随机网络之间做对比，如果模块度越大，则表示社团结构的划分越好，自此，模块度在社团划分结果评价中占据着重要地位。但是，对原始网络求解模块度最大，是一个NP问题。为了解决这个问题，有些研究者[28-30]提出了模拟退火、谱聚类、极值优化以及贪婪算法等，但是也只能得到模块度近似最优。其中相对经典的研究是Blondel等人[31]提出的Louvain算法，以及标签传播算法。Louvain算法的目标是最大化网络的模块度[28]，该算法是一个不断迭代的过程，在，每一轮迭代时，将上一轮的社团看成单个节点，然后根据收益最大化合并两个节点，不断重复，直到每一个节点的社团归属不再发生变化。基于模块度的社团发现算法还有很多，例如，Mucha等人[32]提出的多片模块度Qmultislice的社团发现，Newman等人[33]提出的大规模社团发现算法，以及De Meo等人[34]提出的广义Louvain社团发现算法。

标签传播算法(LPA)通过节点的标签进行社团划分。LAP算法的基本思想是：每个节点的标签应该与其大多数邻居的标签相同，将一个节点的邻居节点的标签中数量最多的标签作为该节点自身的标签，不断迭代这个过程，直到所有节点的标签不再发生变化为止。基于这种思想的社团发现算法有很多。例如，Gregory等人[35]提出重叠LPA算法，Boldi等人[36]提出分层LPA算法以及Sun等人[37]提出基于中心的LPA算法。

上面的研究都是基于网络节点进行社团划分，在2010年，Ahn等人[38]提出了基于边进行社团划分的思想，根据边相似性将原始网络划分成不同的层次结构，然后根据边社团密度将层次结构划分成不同的社团结构。

传统的社团发现算法可以应用于大部分网络，划分的社团可以解释网络的一般特性，即同属于一个社团的节点彼此具有一定的共性。但是对于不同的网络，用户的需求和关注的兴趣度是不同的。传统的研究都是针对一般性信息网络，发现一般网络的特性，而专门针对销售信息网络的研究几乎不存在。

发明内容

本发明所要解决的技术问题是，如何通过销售信息网络特有的规则结构来构建显著社团森林，目的在于提供一种基于销售信息网络的显著社团发现方法，解决上述问题。

本发明通过下述技术方案实现：

一种基于销售信息网络的显著社团发现方法，该方法包括如下步骤：

S1：将销售信息抽象为销售信息网络；

S2：初始删边：删除销售信息网络中权值小于给定显著度阈值的边；