[发明专利]一种基于超图的超网络社团划分方法

说明书

本发明公开了一种基于超图的超网络社团划分方法，从超图理论的视角出发，对于超网络进行分析，尤其是将GN算法引入到超网络理论研究的实际中，通过GN算法，对于在超网络社团中的划分引入一个新的方向，在实验的过程中，通过对GN算法的深入研究以及超网络图的构成要素分析后，将超网络图转化为2‑section图和线图后，将GN算法融入到其社团划分的实践中，最终得到实验成果，并且在此基础上，总结出了一定的超网络社团划分实验步骤的通用模式。为下一步的研究提供了理论指导。

技术领域

本发明涉及复杂网络社团划分技术领域，特别涉及一种基于超图的超网络社团划分方法。

背景技术

随着大数据技术发展，复杂网络社团划分的研究也取得了一定的新成果。研究复杂网络中的社团划分及其结构，对于分析复杂网络各要素之间以及局部和整体之间的关系有着重要的意义，复杂网络社团划分是揭示复杂网络的社团结构的常用方法。因此，复杂网络社团划分的研究具有很重要的作用，其在生物学、社会学、计算机图形学、物理学等等领域有广泛的应用。

目前，现有技术中已经提出了许多算法用于复杂网络社团结构的划分。1955年，1973年，FiedlerM提出了一种社团划分经典算法－谱平分法，该算法是在基于Laplace矩阵的性质上进行网络社团划分的算法，通过该算法得到的最终划分结果与网络中社团的明显程度有着重要关系。Girvan和Newman在2002年提出了GN算法，这一算法在近些年已经逐渐成为社团结构划分的一种标准性算法。2003年，Tyler等人在研究电子邮件网络时发现了一种改进算法，这是一种采用节点集的GN算法]。由于GN算法在社团划分中仅仅将社团划分出来了，缺乏了一个参数表示不同社团之间的差异程度。随后，Zhou基于距离矩阵的基础上，引入了“相异性指数”来表示在一个网络中相邻节点属于同一个社团的可能性，这样，便可以将超网络社团划分为一个具有不同等级的社团。Clauset等人则采用堆的数据结构来计算和得到网络的模块度，同时提出了一种新的贪婪算法－CNM算法。该算法使Newman快速算法的速度再次提高，已接近线性复杂度。2007年，Fortunato和Barthelemy发现“模块度”在网络社团划分中具有局限性，即存在一定的分辨率限制问题，给予模块度的社团划分优化算法在应用实际问题的过程中，可能会难以识别一些较小的社团，导致社团划分逻辑出现问题。2010年Ahn、Bagrow和Lehmann提出了一种新思路，用来分析重叠性和层次性社团的社团结构：即在一个网络中，某一社团是一组边的紧密集合，而非节点的集合。同时将划分密度带入其中，作为社团划分的衡量指标。文献[23]针对目前复杂网络社团划分算法的局限性,提出了三种实用方法PCA、K-Means和PSO,并对它们在标准集上进行对比，被认为是复杂网络与数据挖掘知识的有力结合，对传统的社团划分提供了新的研究思路。文献[24]比较了Louvain算法、Louvain多级细分算法及SLM算法这几种经典社团划分算法在理论、计算方法上的异同。

随着复杂网络领域研究的不断深入发展，许多研究学者发现一些现实问题可以通过超网络来进行分析，由此超网络研究逐渐兴起。超网络作为可更完美描述复杂系统的一种网络展示方式，已经逐步被学术界定为实际问题研究解决的新方向。超网络的研究起源于对超图理论的研究。总之，在复杂网络领域研究中，国内外已经取得了一定数量和质量的研究成果，但这些研究成果在应用实际问题的过程中依旧存在一些问题，即特定研究成果往往相对于特定问题而言，无法进行多种网络之间的推广。

发明内容

针对上述存在的问题，本发明在上述研究的基础上，本发明从超图理论的视角出发，提出了一种新的超网络社团划分方法。在分析超网络拓扑性质的基础上，对超图进行了深入的研究，在明确超网络中各性质在实践中的代表关系和其自身的地位作用基础上，对于超网络进行了初步分析，尤其是将GN算法引入到超网络理论研究的实际中，在实验的过程中，通过对GN算法的深入研究以及超网络图的构成要素分析后，将超网络图转化为2-section图和线图后，将GN算法融入到其社团划分的实践中，最终得到实验成果，并且在此基础上，总结出了一定的超网络社团划分步骤的通用模式。

为了实现上述目的，本发明所采用的技术方案如下：