基于邻居子图社交网络动态增量的演化社区发现方法技术

本发明专利技术公开基于邻居子图社交网络动态增量的演化社区发现方法。包括如下步骤：定义社区中节点p的邻居子图，得到节点p与其邻居节点之间的局部电阻距离，通过所述局部电阻距离，得到局部等价距离，进而通过所述局部等价距离以及所述邻居子图中各个节点的局部信息得到动态网络中的核心节点；确定增量影响范围，即所述邻居子图受增量影响的节点集合，用changed表示；采用基于核心子图的社区演化算法分析所述changed集合并更新社区结构。本发明专利技术实现了在社区结构随着增量发生而变化的过程中，追踪社区演化轨迹，做到实时提供动态社区结构，增加了处理增量的效率，提升了准确度。

【技术实现步骤摘要】
基于邻居子图社交网络动态增量的演化社区发现方法
本专利技术涉及社交网络
，特别是涉及一种基于邻居子图社交网络动态增量的演化社区发现的方法。
技术介绍
研究发现社交网络普遍具有社区结构，即网络中存在着一些社区，社区内部节点连接密度较高，社区之间连接密度较低。由于社交网络中同一个社区的节点们往往具有相似的属性，例如兴趣、位置等，发现网络的社区结构可以帮助人们更好的挖掘网络信息，故在社交网络分析领域的诸多问题中，经常会用到社区发现算法。如今动态网络在社交网络分析领域引起广泛关注，传统社区发现算法针对静态网络，无法处理动态网络中的社区结构的变化，故研究动态网络社区演化有助于解决这一问题。动态网络中的节点与边会随着时间发生变化，动态网络中社区发现是社区真实变化的反应，传统的动态演化社区发现算法是基于时间片的方法，存在着时间效率问题。时间片式的方法将动态网络根据时间窗口划分成多个连续的时间片网络，在每个时间片网络上使用静态社区发现算法发现社区，并对相邻时间片上的社区进行匹配以分析社区演化。由于时间片式的方法忽略在之前时间片上已经得到的社区结构，并在每个时间片网络上重新进行社区发现算法，故效率不高。新的时间片网络需要间隔一段时间才能获得，所以时间片式方法难以实时的追踪并提供社区结构。因此，如何在不同阶段对网络结构的变化进行有效分析，以及增量的高效获取是分析动态网络中社区结构演化的关键及难点所在。为了解决时间片式方法的时间效率问题以及实时性问题，增量式动态演化社区发现方法被提出。增量式方法设计增量处理策略，在网络变化过程中实时更新社区结构。动态网络中的增量为网络中节点或边的变化，可以分为：1)新节点加入网络；2)原有节点从网络中消失；3)节点之间关系的变化(新建立关系或破坏原有关系，关系权重的边变化)。不同种类的增量对于网络带来的影响不同，即使是相同种类的增量，由于涉及的节点对于社区的重要程度不同，故也可能对网络带来不同程度的影响。因此，针对网络中存在的繁杂的增量影响可能性，设计一种合理且全面的增量策略是社区发现增量式方法亟需解决的难题。
技术实现思路
针对已有的动态网络社区时间片发现算法存在的时间效率低、难以实时追踪的问题，本专利技术提出基于邻居子图社交网络动态增量的演化社区发现方法，以增加处理增量的效率，做到实时提供动态社区结构，提升准确度。为实现上述目的，本专利技术提供了如下方案：本提供基于邻居子图社交网络动态增量的演化社区发现方法，其特征在于，包括如下步骤：定义社区中节点i的邻居子图，通过所述邻居子图中的所述节点i与其他节点的局部电阻距离，得到局部等价距离，进而通过所述局部等价距离以及所述邻居子图中各个节点的局部信息得到动态网络中的核心节点；确定增量影响范围，即所述邻居子图受增量影响的节点集合，用changed表示；采用基于核心子图的社区演化算法分析所述changed集合并更新社区结构。优选地，所述动态网络用网络序列G＝{G1，G2，…，GT，…}表示，Gt＝(Vt，Et)表示t时刻的网络结构，1≤t，其中，Gt是一个无向无权的连通网络，Vt表示在Gt网络中的节点集合，Et表示在Gt网络中的边集；所述邻居子图用于发现邻居节点的异构性，即节点与邻居节点的亲疏程度；所述邻居子图由节点i在t时刻的邻居子图定义，表示为其中，节点集合由节点i以及i的邻居集合构成，边集由中节点之间的边构成；所述邻居子图建模为电阻网络，所述邻居子图中的边看作为电阻，电阻值为所述边的倒数；所述局部电阻距离用于有效发现节点与其邻居节点的亲疏程度，将节点p在t时刻的邻居子图建模成电阻网络，节点p与其邻居节点q之间的等价电阻称作节点p与q的局部电阻距离所述局部等价距离用于表示节点之间在邻居子图中的连接紧密程度；所述局部等价距离Dtpq计算如下：其中：表示中p节点与q节点之间的局部电阻距离,表示t时刻节点p的邻居节点集合，表示t时刻p节点与u节点之间的边的权重。优选地，所述局部等价距离表示的节点间的紧密程度由局部紧密邻居阈值确定；所述局部亲密邻居阈值由t时刻的节点p与其所有邻居节点的所述局部等价距离的几何平均值定义，计算方式如下：其中表示节点p在t时刻邻居节点数量。优选地，所述核心节点由局部亲密邻居数量及局部最小聚类阈值确定，t时刻网络中的核心节点集合Coret表示如下：其中：表示局部亲密邻居数量，表示局部最小聚类阈值；对于网络中的任一节点p，如果节点p是核心节点，则节点p与其所述局部亲密邻居集合中的节点一起，形成一个以节点p为核心的社区优选地，所述局部亲密邻居以所述局部亲密邻居阈值为判断标准，若节点p与节点q的所述局部等价距离小于节点p的所述局部亲密邻居阈值或者小于节点q的局部亲密邻居阈值则节点q属于节点p的局部亲密邻居；节点的所述局部亲密邻居集合表示如下：其中：表示p节点在t时刻的局部亲密邻居集合，该集合中的节点与p节点的连接紧密程度超过所述动态网络中的其他节点，故与p同属一个社区；所述局部最小聚类阈值用于确定所述节点局部亲密邻居数量与重要节点的关系，其计算方式如下：其中：是节点p的邻居数量，α是用户输入的局部参数，根据α的大小调整社区结果中社区的形态。优选地，确定增量影响范围的具体过程如下：(1)节点增加：新增加的节点为孤立的节点，与网络中的其他节点没有连接，无进一步处理；(2)节点删除：将所述被删除节点与邻居节点加入Changed集合中，并通过所述基于核心子图的社区演化算法进一步处理；(3)边的变化：将边两端的节点与所述边两端节点的邻居节点加入Changed集合中，并通过所述基于核心子图的社区演化算法进一步处理。优选地，所述社区的核心子图为中的节点集合由所述社区中的核心节点组成，中的边集为所述核心节点之间的关系；所述核心子图用于追踪所述核心节点的变化，所述核心子图为所述社区的骨干且为连通图。优选地，所述基于核心子图的社区演化算法通过判断所述受影响的changed集合中的每一个节点的身份标签变化类型与所述社区核心子图的变化，进而更新所述节点的社区所属，实时更新所述动态网络的社区结构并识别社区的演化事件；所述节点标签变化类型包括：保持核心节点的身份、核心节点变成普通节点、普通节点变成核心节点。本专利技术公开了以下技术效果：本专利技术针对动态网络数据的流式传入形式，提出了基于邻居子图的增量式社区发现方法(IECD-NS)，将增量对于网络的影响限制在增量节点的邻居子图范围内。主要通过节点的局部信息发现网络中的核心节点，并根据增量类型以及涉及的节点类型，设计策略更新网络的社区结构。在社区结构随着增量发生而变化的过程中，追踪社区演化轨迹，做到实时提供动态社区结构，增加了处理增量的效率，提升了准确度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附本文档来自技高网...

【技术保护点】
1.基于邻居子图社交网络动态增量的演化社区发现方法，其特征在于，包括如下步骤：/n定义社区中节点p的邻居子图，得到节点p与其邻居节点之间的局部电阻距离，通过所述局部电阻距离，得到局部等价距离，进而通过所述局部等价距离以及所述邻居子图中各个节点的局部信息得到动态网络中的核心节点；/n确定增量影响范围，即所述邻居子图受增量影响的节点集合，用changed表示；/n采用基于核心子图的社区演化算法分析所述changed集合并更新社区结构。/n

【技术特征摘要】
1.基于邻居子图社交网络动态增量的演化社区发现方法，其特征在于，包括如下步骤：
定义社区中节点p的邻居子图，得到节点p与其邻居节点之间的局部电阻距离，通过所述局部电阻距离，得到局部等价距离，进而通过所述局部等价距离以及所述邻居子图中各个节点的局部信息得到动态网络中的核心节点；
确定增量影响范围，即所述邻居子图受增量影响的节点集合，用changed表示；
采用基于核心子图的社区演化算法分析所述changed集合并更新社区结构。


2.根据权利要求1所述的基于邻居子图社交网络动态增量的演化社区发现方法，其特征在于：
所述动态网络用网络序列G＝{G1，G2，…，GT，…}表示，Gt＝(Vt，Et)表示t时刻的网络结构，1≤t，其中，Gt是一个无向无权的连通网络，Vt表示在Gt网络中的节点集合，Et表示在Gt网络中的边集；
所述邻居子图用于发现邻居节点的异构性，即节点与邻居节点的亲疏程度；所述邻居子图由节点i在t时刻的邻居子图定义，表示为其中，节点集合由节点i以及i的邻居集合构成，边集由中节点之间的边构成；所述邻居子图建模为电阻网络，所述邻居子图中的边看作为电阻，电阻值为所述边的倒数；
所述局部电阻距离用于有效发现节点与其邻居节点的亲疏程度，将节点p在t时刻的邻居子图建模成电阻网络，节点p与其邻居节点q之间的等价电阻称作节点p与q的局部电阻距离
所述局部等价距离用于表示节点之间在邻居子图中的连接紧密程度；所述局部等价距离Dtpq计算如下：



其中：表示中p节点与q节点之间的局部电阻距离,表示t时刻节点p的邻居节点集合，表示t时刻p节点与u节点之间的边的权重。


3.根据权利要求1所述的基于邻居子图社交网络动态增量的演化社区发现方法，其特征在于：
所述局部等价距离表示的节点间的紧密程度由局部紧密邻居阈值确定；
所述局部亲密邻居阈值由t时刻的节点p与其所有邻居节点的所述局部等价距离的几何平均值定义，计算方式如下：



其中表示节点p在t时刻邻居节点数量。


4.根据权利要求1所述的基于邻居子图社交网络动态增量的演化社区发现方法，其特征在于：
所述核心节点由局部亲密邻居数量及局部最小聚类阈值确定，t时刻网络中的核心节点集合Coret表示如下：



其中：表示局部亲密邻居数...

【专利技术属性】
技术研发人员：李卫民，朱恒，刘炜，戴东波，
申请(专利权)人：上海大学，
类型：发明
国别省市：上海;31