[发明专利]整合结构聚类和属性分类的多目标社区发现方法

摘要

本发明公开了一种整合结构聚类和属性分类的多目标社区发现方法，包括如下步骤：建立网络邻接矩阵和属性矩阵；构建衡量社区划分结构质量的目标函数模块度；构建衡量社区划分属性质量的目标函数均质性；初始化网络社区划分种群；使用交叉和变异操作更新社区划分种群；组合变异社区划分种群和外部支配种群；找出最终的社区划分种群中的所有支配社区划分。本发明基于香浓信息熵原理，设计了衡量节点属性分类质量的函数，将属性分类问题建模为目标函数最优化问题。利用多目标优化策略同时优化衡量结构聚类质量的模块度函数和衡量属性分类质量的均质性函数，得到一组社区结构，它们对应于结构聚类和属性分类之间不同的平衡，适用于不同的应用。

主权项

一种整合结构聚类和属性分类的多目标社区发现方法，其特征在于，包括如下步骤：步骤S1、建立待分析网络的邻接矩阵A和属性矩阵B，为待分析网络所有节点进行连续编号，编号从1开始，构建正方形邻接矩阵A，构建属性矩阵B；步骤S2、构建衡量社区划分结构质量的目标函数模块度：$Q\left(X\right)=\underset{G_l\∈X}{\mathrm{\Σ}}\frac{{\mathrm{\Σ}}_{i,j\∈G_l}{A}_{\mathrm{ij}}}{2m}-\underset{G_l\∈X}{\mathrm{\Σ}}{\left(\frac{{\mathrm{\Σ}}_{i\∈G_l}{k}_i}{2m}\right)}^2,$其中，X是网络的社区划分，G_l是社区划分中的社区，k_i表示第i个节点的度，m表示网络总的边数，A_ij为邻接矩阵A中的元素，其中，i为第i个节点，j为第j个节点；步骤S3、构建衡量社区划分属性质量的目标函数均质性：其中，ω_j表示社区划分X关于第j个属性均质性的权重，表示社区划分X关于第j个属性的均质性，t为属性的数量；步骤S4、初始化网络的社区划分种群；步骤S5、使用交叉和变异操作更新社区划分种群，生成社区划分子种群；步骤S6、组合社区划分子种群和外部支配种群，生成下一代种群B₀，设置种群代数g的值增加1，如果g＜G_max，则返回步骤S5继续迭代；否则进行步骤S7；其中G_max为种群进化迭代次数；步骤S7、找出最终社区划分种群B_g中所有支配社区划分，计算每个支配社区划分的模块度和均质性，根据具体应用及模块度和均质性的值选择社区划分。