[发明专利]一种复杂网络中的社团探测方法

说明书

技术领域

本发明涉及一种复杂网络中的社团探测方法，属于网络技术领域。 

背景技术

社交网络、生物网络等复杂网络都是极具动态性的客体，他们能够随着时间的推移快速的成长和变化。这些网络都可以划分为多个社团。“社团”，也可以叫做“群”，是一组拥有相同的属性或者在图中扮演相似角色的节点的集合。复杂网络社团探测就是找到复杂网络中的节点属于哪个社团，给节点分群。复杂网络社团探测是了解复杂网络拓扑结构，理解复杂网络功能，发现隐藏模式，链路预测，进化检测的关键。

比较流行的寻找社团结构的方法是由Newman等人提出的模块化矩阵方法，这种方法是基于谱聚类的。事实证明，这种模块化模型在知道网络结构类型的情况下能够分别通过最大特征值或者最小特征值发现unipartite网络和bipartite网络中的社团结构。Michael J.Barber和一些学者也寻找到方法探测bipartite网络中的社团。Barber和他的同事提出的BRIM算法能够检测出bipartite网络中的社团数目。此外，Bareber和Clark使用标签传播算法(LPA)识别了社团结构。然而，这些方法在不知道网络类型的情况下却不奏效。 

在一些情况下，研究者们并不知道网络的结构类型。例如，我们知道蛋白质网络中节点的相互作用，但是我们却不知道网络的类型。再如，我们知道一个网络由学校里的人际关系构成，网络的类型却不确定。因为如果连接只是存在于学生之间，那么这个网络就是unipartite网络，如果连接存在于学生和老师之间，那么这个网络便是bipartite网络。因此，需要有一个有效的同时适用于unipartite网络和bipartite网络的社团探测方法。 

发明内容

本发明的目的是提供一种复杂网络中的社团探测方法，该方法不需要事先知道网络是unipartite网络还是bipartite网络。 

本发明的目的是通过以下技术方案实现的： 

一种复杂网络中的社团探测方法，包括以下步骤： 

一、事先给定复杂网络中的社团数目m；假定网络中有n个节点，则初始时刻有n个社团，即网络中每个节点就是一个社团； 

二、把网络中任意两个社团合并，计算 并用合并后的Q值减去合并前的Q值得到Q值的变化； 

其中节点i和节点j是网络中属于同一社团的任意两个节点；N_ij＝|Г_i∩Γ_j|且N_ii＝0，Γ_x表示网络中节点x的邻居，也就是那些通过一条边跟节点x直接相连的节点的集合，|Γ_i∩Γ_j|表示节点i和节点j的共同邻居节点的个数，也就是同时与节点i和节点j都有边相连的节点的数目；R为网络中的共同邻居节点数目， 其中节点a和节点b是网络中的任意两个节点； 

定义邻接矩阵A为对称矩阵，如果有一条边连接节点i和节点j，那么A_ij＝1，否则，A_ij＝0，定义a_i为矩阵A的第i个列向量即矩阵A的第i列，则矩阵A也可以写作A＝[a₁，a₂，...，a_n]，当且仅当A_ikA_kj＝1时，节点k是节点i和节点j的共同邻居，令a_i·a_i＝k_i，即节点i的度，共同邻居指数c_x＝k_x(k_x-1)/2； 

三、选择使Q值的变化最大的合并方案进行合并，此时网络中的社团数减一；如果使得Q值的变化最大的合并方案不是唯一的，那么分别按照这些方案进行合并，得到不同方案的合并结果； 

四、重复步骤二，三，直到网络中剩余社团数目为m时结束；如果出现了多个方案，那么比较这些方案的Q值，选择Q值最大的方案，如果仍存在多个方案，则同时作为最终方案，从而得到对复杂网络进行社团探测的最终结果。 

本发明在复杂网络中进行社团探测的原理是：在不同类型的网络结构中的边以不同的方式连接，在相同的社团中的节点是相似的。所以本发明把注意力从边上转移到点上，从节点的角度进行社团探测。 

1、unipartite网络