[发明专利]动态网络社区结构的更新方法及装置

说明书

技术领域

本发明涉及动态网络社区技术领域，特别涉及一种基于增量更新策略的动态网络社区结构的更新方法及装置。

背景技术

现实世界中的很多系统都可以以网络图的形式来表示，图中的节点代表个体，边代表个体之间的相互关系，典型的例子有社会关系网络、引文网络、生物网络、移动电话网络、以及犯罪组织网络等。对于这种复杂网络的分析，一个重要的问题就是网络中的社区结构的检测与识别，所谓社区结构是指将网络中的节点划分到不同的分组（社区）中，这种划分具有如下特点：社区内部的节点之间联系紧密，而不同社区之间的节点联系稀疏。以物种的地理分布为例，同一个种群中的个体组成一个社区，可以发现大多数情况下，种群内的个体只与同一个种群内的其他个体发生联系，而很少与其他种群（外部社区）的个体发生联系。网络社区的检测和识别可以帮助我们发现复杂网络中的一些深层次信息，如网络犯罪组织、人群中潜在的共同兴趣爱好、具有核心影响力的网络节点等，因而可以应用到犯罪侦查、协同过滤、舆情监控等各个方面。在近几年的研究中，人们提出了大量用于识别网络社区的方法，其中具有代表性的是Newman等人于2004年提出的基于Modularity的算法，该算法中，Newman以Modularity作为评价社区结构好坏的度量标准，它的物理意义是：如果一个社区结构越满足社区内部的节点联系紧密，社区之间的节点联系稀疏的特点，那么这个社区结构对应的Modularity值就越大。这样，社区识别问题就转化为一个求解最优社区结构，使其对应的Modularity值最大的优化问题。然而，Newman同时在文章中指出，求解Modularity的全局最优解是NP难的，因而限制了其在大规模网络上的应用。

在Newman提出了基于Modularity的算法之后，很多人做了相应的改进，提出了大量求解次优解的启发式算法，在算法效率上做出了很大的提高,目前已知的基于Modularity的最快算法是由Blondel等人于2008年提出的LOUVAIN算法，它能够在有限时间内处理规模为1亿个节点，10亿条边的网络，此外，该算法得到的社区结构对应的Modularity值也相当高。虽然基于Modularity的算法已经得到了很大的改进并且被成功运用到了许多真实的网络中，但是这些算法都有一个共同的缺点：都是静态算法，只能处理静态的网络，当网络发生变化时（例如增加一个节点或一条边），需要对整个网络重新运行算法来得到最新的社区结构，对于规模较大且动态性较高的网络来说，频繁运行静态算法来跟踪社区结构显然是不现实的。

发明内容

本发明的目的旨在至少解决上述技术缺陷之一。

为此，本发明的一个目的在于提出一种更新速度快，计算的时间复杂度低的动态网络社区结构的更新方法。

本发明的另一目的在于提出一种动态网络社区结构的更新装置。

为了实现上述目的，本发明的实施例提出了一种动态网络社区结构的更新方法，包括如下步骤：对由多个节点组成的初始网络进行计算，以生成网络初始社区结构；根据节点之间的交互判断新加入的边的类型，其中，所述新加入的边的类型包括社区内部边、跨社区的边、半新边和全新边；以及根据所述新加入的边的类型选择对应的增量更新策略对所述网络初始社区结构进行更新以得到网络更新社区结构。

另外，根据本发明上述实施例的动态网络社区结构的更新方法还可以具有如下附加的技术特征：

在一些示例中，所述增量更新策略的选择依据为：选择使得网络初始社区结构的Modularity值的增量最大的增量更新策略。

在一些示例中，所述增量更新策略的选择依据进一步包括：如果不存在对所述网络初始社区结构的Modularity值带来增量的增量更新策略，则选择使得网络初始社区结构的Modularity值的减少量最小的增量更新策略。

在一些示例中，所述网络初始社区结构是通过LOUVAIN算法得到的。

在一些示例中，所述增量更新策略包括保持社区结构不变的更新策略、将两个社区合并为一个社区的更新策略、将新加入的节点加入到已存在的社区的更新策略以及创建新社区的更新策略。