[发明专利]一种多特征融合的大规模网络社区检测算法

说明书

本发明公开了一种多特征融合的大规模网络社区检测算法，主要解决现有检测方法难以获得最优的特征来表示网络的内在本质，影响识别的准确性和社区检测结果的问题。检测算法，包括如下步骤：(S1)计算网络社区节点中的任意节点之间的相似值，获得相似性；(S2)获取边的局部特征表示；(S3)获取边的非局部特征表示；(S4)对边的局部特征和非局部特征在潜在特征空间进行融合，对融合后的视觉信息进行分类的方式来区分社区间的边和社区内的边；(S5)采用模块度优化对融合形成的初步社区进行合并来优化社区划分结果。通过上述方法，本发明提高了社区检测算法在复杂的现实网络中的综合性能和鲁棒性，更好地利用社区检测分类现实网络来做后续的应用。

技术领域

本发明属于网络社区检测技术领域，具体地说，是涉及一种多特征融合的大规模网络社区检测算法。

背景技术

社区是由具有相似特性的节点组成的。现实生活中存在着很多大规模节点构成的网络，像社交关系网络、疾病传播网络和蛋白质交互网络等。利用社区结构可以展开很多应用，例如在社交网络中，通过社区检测可以根据兴趣、职业或地区形成不同的社会群组。然后就可以对特定人群进行职业推荐、朋友推荐和准确的广告投放等。因此，对复杂网络的社区检测具有重要的现实意义，通过对真实网络进行关键特征检测来更好地理解现实世界和促进行业发展。

传统的社区检测方法如谱聚类、统计推断，花费很大的时间和空间成本，因此它们不适合用于现实世界网络中的非线性结构信息。基于深度学习的社区检测算法提供了一个更灵活的解决方案，它可以学习非线性网络属性，如节点之间的关系并提供低维表示，以保持复杂网络的结构特征，所以更适合现实网络。其中基于卷积神经网络(CNN)的社区检测方法在这一领域表现出了优越的性能，它可以处理拓扑结构数据如图像数据，这有利于提高特征表示的鲁棒性。目前，这一类社区检测方法可以大致概括为两个主流，第一类是基于节点做分类，具有相同标签的节点被划分到同一社区中。第二类考虑的是对边做类别，即区分出社区内的边和社区间的边。基于边的图嵌入方法是一种具有代表性的基于边的社区检测方法，它将边结构转换为图像结构，然后基于CNN做边的分类。它首先去除社区之间的边，形成初始社区。然后，利用局部模块度优化的方法对初始社区进行合并得到最终的社区。但是上述方法存在一些问题，首先，手动定义节点之间的关系，在复杂的现实情况下可能难以获得最优的特征来表示网络的内在本质，然而边特征表示的退化最终会严重影响识别的准确性和社区检测的结果。其次，现有的边特征严重依赖于边的一阶邻居节点之间的关系，导致缺乏更全面的特征嵌入，如非局部特征。

发明内容

本发明的目的在于提供一种多特征融合的大规模网络社区检测算法，主要解决现有检测方法难以获得最优的特征来表示网络的内在本质，影响识别的准确性和社区检测结果的问题。

为实现上述目的，本发明采用的技术方案如下：

一种多特征融合的大规模网络社区检测算法，包括如下步骤：

(S1)计算网络社区节点中的任意节点之间的相似值，获得节点之间的相似性；

(S2)根据两个节点构成的边的一阶邻居节点的相似性获取边的局部特征表示；

(S3)采用定制化的随机游走策略获取边的非局部特征表示；

(S4)采用将一条边的局部和非局部特征融合为潜在特征空间中的一个综合融合特征，然后对融合后的视觉信息进行分类的方式来区分社区间的边和社区内的边；

(S5)采用模块度优化对融合形成的初步社区进行合并来优化社区划分结果。

在本发明中，所述任意节点之间的相似值采用k步邻接矩阵算法获得，根据公式：