[发明专利]基于网络motif的局部高阶社区发现方法及装置

权利要求书

1.一种基于网络motif的局部高阶社区发现方法，其特征在于，包含以下步骤：

基于motif的高阶邻接矩阵与基于边的一阶邻接矩阵进行融合，得到权重矩阵；

在网络中选择优质的种子节点；

将挑选出的每一个种子进行扩展，得到种子的局部社区结构；

对上面得到的社区进行优化处理。

2.根据权利要求1所述的基于网络motif的局部高阶社区发现方法，其特征在于，所述基于motif的高阶邻接矩阵与基于边的一阶邻接矩阵进行融合，得到权重矩阵，包含以下步骤：

在网络中寻找具有统计显著性最高的motif作为给定motif；

计算基于给定motif的邻接矩阵；

计算融合网络高阶信息和低阶信息的权重矩阵。

3.根据权利要求2所述的基于网络motif的局部高阶社区发现方法，其特征在于，所述在网络中寻找具有统计显著性最高的motif作为给定motif，包括：

选定motif阶数后，对所选阶数的motif逐个进行统计，选出原始网络中出现次数最多的motif连接形式；motif的统计显著性通过z-score来量化，计算公式如下：

式中，F_In表示原始网络中motif的出现频率，和σ²_Rnd表示相应随机网络中出现频率的均值和方差。

4.根据权利要求3所述的基于网络motif的局部高阶社区发现方法，其特征在于，所述计算基于给定motif的邻接矩阵，包括：

在得到网络中具有统计显著性最高的motif之后，计算基于给定motif的邻接矩阵W_M，计算公式如下：

式中，表示同时包含节点i和节点j的motif实例的数量。

5.根据权利要求4所述的基于网络motif的局部高阶社区发现方法，其特征在于，所述计算融合网络高阶信息和低阶信息的权重矩阵，矩阵形式如下：

H＝α·W+(1-α)·W_M (3)

式中，W表示基于边的邻接矩阵，W_M表示基于给定motif的邻接矩阵，α表示权重因子，取值为[0,1]。

6.根据权利要求5所述的基于网络motif的局部高阶社区发现方法，其特征在于，所述在网络中选择优质的种子节点，包括：

利用PageRank算法根据上述得到的权重矩阵H进行迭代计算，得到所有节点的重要性并按照从大到小进行排序，得到候选种子列表L；

对于候选种子列表L，取出第一个节点v，加入到种子集合S，然后在L中删除节点v以及v的邻居节点，再取出第一个节点加入种子集合S，直到L为空停止操作，即可得到种子集合S。

7.根据权利要求6所述的基于网络motif的局部高阶社区发现方法，其特征在于，所述将挑选出的每一个种子进行扩展，得到种子的局部社区结构，包括：

对所述种子集合S中的每一个种子v，利用PageRank-Nibble算法进行扩展，算法从节点v出发，进行随机游走，得到节点v周围节点的一个PageRank值r_v，然后把这些节点按照r_v/d_v降序排列，其中d_v表示节点v的度，该序列中的前k个节点组成集合S_k，找到具有最小的motif-conductance的集合作为节点v的局部社区结构，motif-conductance的计算公式如下：

式中，cut_M(S)表示社区S切割的motif实例的数量，vol_M(S)表示社区S内motif实例节点的数量。