[发明专利]基于图论在有向复杂网络中识别子网类型的方法

说明书

本发明提供了一种基于图论在复杂网络中识别不同类型子网的方法，属于计算机技术应用领域。该方法先获取有向复杂网络的拓扑图，并计算该网络中全部节点的图特征量，通过遍历有向复杂网络中的所有节点，根据全部节点的图特征量及初步识别条件，初步识别出不同类型的子网络，然后对初步识别的子网络进行验证，对于初步识别错误的子网络，剔除初步识别结果。本发明的方法所需数据数据简单，且使得子网类型识别准确率更高。

技术领域

本发明涉及计算机应用技术领域，尤其涉及一种基于图论在有向复杂网络中识别子网类型的方法。

背景技术

大规模复杂网络中因包含海量的结点和边而存在复杂的拓扑结构和层次关系，一般图分析方法很难对其进行系统的研究。为此，一般是通过社团发现放来对网络结构进行分析。社团发现是利用图拓扑结构中所蕴藏的信息从复杂网络中解析出其模块化的节点集合，有助于以一种分而治之的方式研究整个网络的模块、功能及其演化，更准确地理解复杂系统的组织原则、拓扑结构与动力学特性。

当前对社团结构的研究的主要方法包括：

基于模块度优化方法，该方法利用模块度Q值通过比较真实网络中各社团的边密度和随机网络中对应子图的边密度之间的差异来度量社团结构的显著性。包括自底向上进行聚合的方法、自顶向下进行分裂的方法、直接寻优法；

基于谱分析的方法，该方法是根据特定图矩阵的特征向量导出对象的特征，利用导出特征来推断对象之间的结构关系。通常选用的特定图矩阵有拉普拉斯矩阵和随机矩阵两类；参考Donetti L,Munoz M A.Detecting Network Communities:a new systematicand efficient algorithm[J].Journal of Statistical Mechanics TheoryExperiment,2004,2004(10):10012；和A.Capocci and V.D.P.Servedio andG.Caldarelli and F.Colaiori.Detecting communities in large networks[J].PhysicaA:Statistical Mechanics and itsApplications,2005,352(2-4):669-676。

基于信息论的方法，该方法是把网络的模块化描述看作对网络拓扑结构的一种有损压缩,从而将社团发现问题转换为信息论中的一个基础问题:寻找拓扑结构的有效压缩方式，参考Rosvall M,Bergstrom C T.An information-theoretic framework forresolving community structure in complex networks[J].Proceedings of theNational Academy of Sciences,2007,104(18):7327-7331；

基于团渗透的方法，该算法通过合并相邻的k-团来实现社团发现，而那些处于多个k-社团中的节点即是社团的“重叠”部分，参考Palla G,Deranyi I,Farkas I,etal.Uncovering the overlapping community structure of complex networks innature and society[J].Nature,2005,435(7043):814；

以上研究主要是利用网络的量化特征通过划分、优化等技术将节点归为重叠或不重叠的社团，在实际使用过程中，以上方法过分依赖节点间共享邻居以及需要事先设定社团个数等问题，容易造成识别结果异常、不精确、不全面等情况。