[发明专利]基于马太效应的社团检测方法

权利要求书

1.基于马太效应的社团检测方法，其特征在于，包括以下步骤：

S1：输入由节点和边构成的无向网络G；

S2：对所述无向网络G进行初始化，将每个节点划分为一个独立的社团；

S3：计算所述无向网络G的核心分组；

S4：采用迭代方法在马太效应模型中模拟马太效应过程：

S41：计算社团吸引力：

给定无向网络G＝(V，E)，社团c_i对节点v的吸引力定义为:

其中，表示从节点v到一个社团c_i的接近程度，根据一个节点到不同社团的边数相同与否，的形式化定义如下：

其中，表示社团c_i中节点v的内部度；

S42：模拟马太效应过程：

由步骤S3获得核心分组后，越来越多的节点被不同的核心分组所吸引，根据公式(6)进行马太效应的模拟，形式化定义如下：

其中，c_i是与节点v相连接的邻居社团，表示社团c_i对节点v的吸引力；

S5：判断网络结构是否达到最优划分；

S6：若未达到最优，则再次进行马太效应的迭代模拟；若达到最优，则进行社团划分，获得社团划分结果。

2.如权利要求1所述的基于马太效应的社团检测方法，其特征在于，所述步骤S2中的划分社团的步骤为：

S21：以每个节点的节点号作为标签；

S22：每个节点被划分为一个独立的社团。

3.如权利要求1所述的基于马太效应的社团检测方法，其特征在于，所述步骤S3利用节点吸引力公式计算所述网络G的核心分组，计算步骤如下：

S31：计算节点间的Jaccard相似系数：

给定无向网络G＝(V，E)，节点u和v的Jaccard相似系数定义为:

其中Γ_u＝N_(u)∪{u}，Γ_u是节点u的一组邻居，包括节点u及其直接连接的节点；

S32：计算节点吸引力：

给定无向网络G＝(V，E)，节点u对节点v的吸引力定义为：

NA_v→u＝J_uv*D_u (2)

其中J_uv表示节点u和v之间的Jaccard相似系数，D_u表示节点u的度；

S33：利用节点吸引力公式计算网络的核心分组：

由于节点存在吸引力，每个节点吸引其邻居加入其社团，节点根据公式(3)选择吸引力最强的节点所在社团加入，形式化定义如下：

其中，C_v表示节点v所属的社团，D_v是节点v的度，然后根据公式(3)选择吸引力最强的节点所在社团加入，若节点v的度大于相邻节点的度，则节点v仍然属于原始社团C_v；若邻居节点的度大于节点v的度，则节点v选择具有最大吸引力max(NA_v→u)的节点，加入其社团；通过迭代，资源最多的节点吸引邻居节点加入其社团，从而形成多个核心分组。