[发明专利]基于k节点更新与相似度矩阵的多目标社区检测方法

摘要

本发明公开了一种基于k节点更新与相似度矩阵的多目标社区检测方法，解决现有技术社区检测效果差及无法处理多类型网络的问题。实现步骤是输入网络数据；初始化种群和权重向量，得到每一权重向量邻居下标集合；计算网络中任意两节点间相似度值得到相似度矩阵；用k节点更新策略对网络预划分；计算种群中个体目标函数值并初始化目标函数参考点；对种群中个体进化，得到子代群体；计算子代种群目标函数值，用目标函数值更新目标函数参考点；用子代种群对当代种群中个体的邻居更新；达最大进化代数，终止检测；否则，转至种群进化，直至完成社区检测。本发明社区检测精度高，能够有效检测出无符号网络和符号网络的社区结构。

主权项

一种基于k节点更新与相似度矩阵的多目标社区检测方法，其特征在于，包括有如下步骤：步骤1：输入网络数据，读入一个用邻接矩阵A表示的无符号网络或符号网络，该网络数据隐含着一定数量的社区；步骤2：随机初始化一定规模的种群和权重向量，得到每一个权重向量的邻居下标集合，2.1初始化种群pop，种群规模为popsize，种群中每一个个体均代表对输入网络划分的一种编码方式，编码长度与输入网络中节点个数相同，个体的基因位即编码表示对应节点所属的社区标签；2.2同时，初始化与种群规模相同的且均匀分布的权重向量计算任意两个权重向量之间的欧氏距离，对于每一个权重向量，找出与之距离最近的nt个权重向量并存储这些向量的下标值，这些下标值即每一个权重向量对应个体的邻居下标值；步骤3：计算输入网络中任意两个节点之间的相似度值，得到相似度矩阵，将无符号网络中用于计算节点之间相似度的函数拓展到符号网络中，得到一个泛化的相似度函数；根据该泛化的相似度函数计算输入网络中任意两个邻接节点vi，vj((vi,vj)∈E)之间的相似度值S(vi,vj)，得到输入网络节点的相似度矩阵S；步骤4：使用k节点更新策略完成对网络的预划分，根据节点的相似度矩阵S，找出与节点相似度最大的k个邻接节点，并使用这k个节点的社区标签来更新待处理节点的社区标签，称之为k节点更新策略；根据更新策略，对节点的社区标签更新多次，完成对网络的预划分，即得到一定数量的局部子社区；步骤5：计算种群中个体的目标函数值并初始化目标函数的参考点z*；步骤6：对种群中的个体进行进化操作，从而得到子代种群，设置种群的最大进化代数为maxgen，设置当前的进化代数为t，6.1对于种群中的每一个个体，随机选中该个体ind的两个邻居；6.2对这两个邻居个体进行交叉合并操作，得到子代个体；6.3对该个体ind进行基于相似度矩阵的变异操作，得到子代个体；6.4重复执行6.1‑6.3，对种群所有个体进行进化操作，得到子代种群child；步骤7：计算子代种群child的目标函数值，并使用这些目标函数值来更新目标函数的参考点z*；步骤8：使用子代种群child对种群pop中所有个体的邻居进行更新，8.1根据契比雪夫方法，对于种群pop中的每一个个体，计算该个体的邻居个体的契比雪夫值和子代种群child中个体的契比雪夫值；8.2比较上述契比雪夫值的大小，若子代种群child中个体的契比雪夫值小于邻居个体的契比雪夫值，则使用该子代个体来取代邻居个体；否则，不使用子代个体更新邻居个体；使用契比雪夫方法处理完种群中的所有个体后，即完成对种群中个体的邻居更新过程；步骤9：判断是否达到种群的进化代数maxgen，如果达到最大进化代数，则终止进化过程，对种群中的个体编码进行解码，得到输入网络的最终社区划分，并输出检测到的网络社区；否则，更新t←t+1，并转至步骤(6.1)，继续对种群进行进化操作，完成种群的进化过程和对种群中个体的邻居更新过程，直至完成输入网络的社区检测。