【技术实现步骤摘要】
本专利技术涉及图挖掘领域，具体涉及一种基于邻域信息融合的关键节点挖掘的自适应方法及装置。
技术介绍
1、复杂网络的异质性决定了网络中的不同节点在网络结构与功能上往往发挥着不同的作用。关键节点是能够在更大程度上影响网络结构与功能的特殊节点。如疾病传播中的超级传播者，可以很快把病原体传播到网络中的其余部分；社交平台的意见领袖会显著地加速信息的传播与扩散；几个重要发电站的故障可能会导致一个地区的电网瘫痪；对几个重要服务器的蓄意攻击可能会使整个网络无法正常提供服务。因此挖掘复杂网络中的关键节点意义重大，而解决其关键就在于设计出有效的关键节点挖掘方法。
2、目前，大多数已知的关键节点挖掘方法都只利用网络的结构信息，这使得其能够独立于所考虑的特定动力学过程而得到广泛的应用。基于网络结构化信息的方法可以分为两类，基于邻域信息的方法，如度中心性、h指数、k壳分解方法等；以及基于路径信息的方法，如介数中心性、接近中心性等。基于邻域信息的方法普遍存在的问题是：分辨率较低，即多个节点都具有相同的指标值，无法进一步区分；而基于路径信息的方法普遍存在的问题是：由于需要计算各个节点之间的距离，因此时间复杂度较高，很难实际应用。除此，大多数已知的关键节点挖掘方法并不会针对具体的网络动态调整自身方法，缺乏针对性与灵活性。
技术实现思路
1、本专利技术提供一种基于邻域信息融合的关键节点挖掘的自适应方法及装置，其目的在于提高基于邻域信息的关键节点挖掘方法的识别能力，准确高效地挖掘出复杂网络中的关键节点，解
2、技术方案：
3、本专利技术第一方面提出基于邻域信息融合的关键节点挖掘的自适应方法，该方法包括：
4、采集网络数据，将网络中的实体抽象为节点并对其进行编号，得到节点集合v＝{v1,v2,…,vn}，其中，n为节点总数，将各个节点之间的连边进行编号，得到连边集合e＝{e1,e2,…,em}，其中，m为连边总数；
5、根据各个节点的连接情况得到所述网络的邻接矩阵；
6、根据网络的邻接矩阵计算各个节点的度ki；
7、根据各个节点的邻居的连接情况计算各个节点的聚类系数ci；
8、根据各个节点的度以及聚类系数计算各个节点的加权度wki；
9、根据k壳分解方法计算各个节点的k壳索引ksi；
10、根据各个节点的度计算网络的同配系数r；
11、根据各个节点的加权度、k壳索引以及网络的同配系数计算各个节点的影响力fi；
12、聚合各个节点及其邻居的影响力得到各个节点的重要性数值ii，根据重要性数值ii确定网络中的关键节点。
13、进一步的，所述网络的邻接矩阵是一个n阶方阵，若存在一条直接连边从节点i指向节点j，则邻接矩阵的第i行第j列的元素aij＝1，否则aij＝0。
14、进一步的，所述节点的度ki的计算公式为：
15、
16、其中，ki为节点i的度，aij为邻接矩阵的第i行第j列的元素。
17、进一步的，所述节点的加权度wki的计算公式为：
18、
19、其中，ki为节点i的度，e为自然常数，ci为聚类系数。
20、进一步的，所述k壳分解方法，具体包括：
21、输入：所述网络的邻接矩阵；
22、步骤：首先，剥去网络中度为1的节点，直至网络中再无剩余度为1的节点，此过程被剥去的所有节点的k壳索引均为1；以同样的方式剥去网络中度为2的节点，直至网络中再无剩余度≤2的节点，此过程被剥去的所有节点的k壳索引均为2；重复此过程，直至网络为空；
23、输出：所述网络节点集合v中各节点的k壳索引。
24、进一步的，所述节点的影响力fi的计算公式为：
25、fi＝(1-r)wki+(1+r)ksi
26、其中，r为网络的同配系数，wki为节点i的加权度，ksi为节点i的k壳索引。
27、进一步的，所述节点的重要性ii的计算公式为：
28、
29、其中，λi为节点i的直接邻居所构成的集合，fi为节点i的影响力。
30、本专利技术第二方面提出一种基于邻域信息融合的关键节点挖掘的自适应方法的装置，其特征在于，包括依次连接的网络数据采集模块、邻接矩阵生成模块、节点度计算模块、节点聚类系数计算模块、节点加权度计算模块、节点k壳索引计算模块、网络同配系数计算模块、节点影响力计算模块和节点重要性计算模块；
31、网络数据采集模块，用于采集网络数据，将网络中的实体抽象为节点并对其进行编号，得到节点集合v＝{v1,v2,…,vn}，其中，n为节点总数，将各个节点之间的连边进行编号，得到连边集合e＝{e1,e2,…,em}，其中，m为连边总数；
32、邻接矩阵生成模块，用于根据各个节点的连接情况得到所述网络的邻接矩阵；
33、节点度计算模块，用于根据网络的邻接矩阵计算各个节点的度ki；
34、节点聚类系数计算模块，用于根据各个节点的邻居的连接情况计算各个节点的聚类系数ci；
35、节点加权度计算模块，用于根据各个节点的度以及聚类系数计算各个节点的加权度wki；
36、节点k壳索引计算模块，用于根据k壳分解方法计算各个节点的k壳索引ksi；
37、网络同配系数计算模块，用于根据各个节点的度计算网络的同配系数r；
38、节点影响力计算模块，用于根据各个节点的加权度wki、k壳索引ksi以及网络的同配系数r计算各个节点的影响力fi；
39、节点重要性计算模块，用于聚合各个节点及其邻居的影响力得到各个节点的重要性ii。
40、本专利技术第三方面提出一种电子设备，包括通过总线连接的处理器、存储器、输入设备和输出设备，处理器用于执行计算机程序；存储器用于存储计算机程序；其中，所述计算机程序，用于由所述存储器存储，并由所述处理器加载并执行所述的基于邻域信息融合的关键节点挖掘的自适应方法。
41、本专利技术第四方面提出一种计算机可读存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于邻域信息融合的关键节点挖掘的自适应方法。
42、有益效果：本专利技术综合考虑节点的多种邻域信息，包括节点的度(节点的直接邻居数量)、聚类系数(节点邻居之间的紧密程度)以及k壳索引(节点是否位于网络核心)，并对三者进行有效融合，相较于基于单一邻域信息的方法，可以更准确地挖掘复杂网络中的关键节点。本专利技术可以根据不同网络的同配情况(网络同配系数)自适应地调整加权度与k壳索引对节点重要性的影响(若网络同配，则度大节点更倾向于连接度大节点，此时应更多考虑节点是否位于网络核心，即k壳索引的权重应加大；若网络异配，则度大节点更倾向于连接度小节点，此时应更多考虑节点的邻居数量，即度的权重应加大)本文档来自技高网...
【技术保护点】
1.基于邻域信息融合的关键节点挖掘的自适应方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于邻域信息融合的关键节点挖掘的自适应方法，其特征在于，所述网络的邻接矩阵是一个N阶方阵，若存在一条直接连边从节点i指向节点j，则邻接矩阵的第i行第j列的元素aij＝1，否则aij＝0。
3.根据权利要求1所述的基于邻域信息融合的关键节点挖掘的自适应方法，其特征在于，所述节点的度ki的计算公式为：
4.根据权利要求1所述的基于邻域信息融合的关键节点挖掘的自适应方法，其特征在于，所述节点的加权度wki的计算公式为：
5.根据权利要求1所述的基于邻域信息融合的关键节点挖掘的自适应方法，其特征在于，所述K壳分解方法，具体包括：
6.根据权利要求1所述的基于邻域信息融合的关键节点挖掘的自适应方法，其特征在于，所述节点的影响力fi的计算公式为：
7.根据权利要求1所述的基于邻域信息融合的关键节点挖掘的自适应方法，其特征在于，所述节点的重要性Ii的计算公式为：
8.一种如权利要求1所述的基于邻域信息融合的关键节点
9.一种电子设备，其特征在于，包括通过总线连接的处理器(310)、存储器(320)、输入设备(330)和输出设备(340)，处理器(310)用于执行计算机程序；存储器(320)用于存储计算机程序；其中，所述计算机程序，用于由所述存储器(320)存储，并由所述处理器(310)加载并执行如权利要求1-7任意一项所述的基于邻域信息融合的关键节点挖掘的自适应方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有计算机程序，所述计算机程序被处理器(310)执行时实现如权利要求1-7任意一项所述的基于邻域信息融合的关键节点挖掘的自适应方法。
...【技术特征摘要】
1.基于邻域信息融合的关键节点挖掘的自适应方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于邻域信息融合的关键节点挖掘的自适应方法，其特征在于，所述网络的邻接矩阵是一个n阶方阵，若存在一条直接连边从节点i指向节点j，则邻接矩阵的第i行第j列的元素aij＝1，否则aij＝0。
3.根据权利要求1所述的基于邻域信息融合的关键节点挖掘的自适应方法，其特征在于，所述节点的度ki的计算公式为：
4.根据权利要求1所述的基于邻域信息融合的关键节点挖掘的自适应方法，其特征在于，所述节点的加权度wki的计算公式为：
5.根据权利要求1所述的基于邻域信息融合的关键节点挖掘的自适应方法，其特征在于，所述k壳分解方法，具体包括：
6.根据权利要求1所述的基于邻域信息融合的关键节点挖掘的自适应方法，其特征在于，所述节点的影响力fi的计算公式为：
7.根据权利要求1所述的基于邻域信息融合的关键节点挖掘的自适应方法，其特征在于，所述节点的重要性ii的计算公式为：
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。