[发明专利]一种复杂网络的广义社区发现方法

说明书

本发明公开了一种复杂网络的广义社区发现方法，包括获取复杂网络的所有节点，将所有节点依次定义为示例节点、标记节点，且每个示例节点与标记节点之间具有唯一对应的描述度；对示例节点进行依次进行比较判断，选取每个示例节点中描述度最大的标记节点，并将所有选取的标记节点定义为放置节点；根据节点及边的信息，对每个放置节点进行节点筛选，筛选出独立节点和非独立节点；对非独立节点依次进行节点到社区的判断，将每个非独立节点划分到描述度最大值的社区；根据所设定的网络社区划分数量，将所划分的社区进行社区合并，得到最终的所需社区，将标记分布学习的思想融合到社区发现中，既缩减了标记成本，同时又提高了运行效率。

技术领域

本发明涉及网络通信技术领域，尤其涉及一种复杂网络的广义社区发现方法。

背景技术

复杂网络从直观视觉上看呈现出高度复杂特点，利用复杂网络的知识可以把杂乱无章的信息建立一个联系，复杂系统结构的内部关系是人们关注的热点问题，具有复杂、小世界、无标度特性，对复杂网络的研究可以使我们更加深刻的认识到世界万物的复杂性。

社区发现能准确的识别出网络中的自然聚簇结构，其聚簇内节点的边较为稠密，聚簇与聚簇之间的边较为稀疏。就以往社区发现算法来说，一方面，社区发现和聚类算法相同，划分主要有凝聚方法(添加边)和分裂方法(删除边)；另一方面，利用向量对节点进行描述，具有相似性的节点会聚集在同一社区内部。多标记学习利用示例标记的相关性完成了分类的过程，能有效的处理示例之间的多义性问题，对于一个特定的示例，它所有标记的描述度构成的数据结构称为标记分布。学习示例的标记分布的过程称为标记分布学习，在多标记分布学习中，一个示例对应所有可能的标记，每个标记都有对应的重要性分布，表示每个标记的重要程度。

针对社区发现这一问题，目前解决的算法已趋于成熟。Kernighan-Lin算法，不断交换两个子图中的点，使得子图之间的边尽可能少。谱平分法，谱是矩阵的特征值，平分是把一个图分成两个大小相等的子图，利用矩阵的第二小特征向量进行聚类。Newman快速算法，网络中的每个节点独自成为一个社团，之后进行社团和社团之间的合并，根据两个社团合并后模块度增长的数量，每次都选择增长数量最大两个的进行合并，反复循环此过程，最终得到社区的准确划分。GN算法，基于聚类中的分裂思想，每次将网络中任意两节点通过此边的最短路径最大的边删除。谱算法，利用邻接矩阵或拉普拉斯矩阵的特征向量得到一个新的空间，用传统的聚类方法，例如k-means，在这个新的空间中实现聚类。标签传播算法，利用标签标记网络节点，用已标记的信息推测估计相邻节点信息，节点标签根据相似度的大小传播给相邻节点，此算法可应用于社区发现，命名为RAK算法，每一个节点具有一个标签，此标签标记这个节点所在的社区，节点标签会根据邻近节点的标签进行修改，最终标签相同的节点属于同一个社区。基于密度的快速聚类，找出每个类的中心点，类的中心密度较大，不同类的中心距离较远，将剩余的非中心点分配给离它最近且密度比它高的邻点所在的社团。但是以上算法忽略节点的重要程度、节点与节点之间的关联程度以及标记分布中示例的特性，是的运算成本和运行效率降低。

发明内容

针对上述缺陷或不足，本发明的目的在于提供一种复杂网络的广义社区发现方法。

为达到以上目的，本发明的技术方案为：

一种复杂网络的广义社区发现方法，包括：

1)、获取复杂网络的所有节点，将所有节点依次定义为示例节点，除所定义示例节点之外的所有节点定义为该示例节点的标记节点，且每个示例节点与标记节点之间具有唯一对应的描述度；

2)、对示例节点进行依次进行比较判断，选取每个示例节点中描述度最大的标记节点，并将所有选取的标记节点定义为放置节点；

3)、根据节点及边的信息，对每个放置节点进行节点筛选，筛选出独立节点和非独立节点；对独立节点依次进行节点到社区的判断，获取每个独立节点到各个社区的描述度，并将每个独立节点划分到描述度最大的社区；