[发明专利]一种网络中基于节点相似度的网络社区划分方法

说明书

技术领域

本发明涉及计算机软件技术领域，特别是一种网络中基于节点相似度的网络社区划分方法，通过对网络中节点及链接属性的分析实现对复杂网络中节点的网络社区划分。

背景技术

网络结构广泛存在于自然界和现实生活中，如通讯网络、交通网络、电力网络、航空网络、食物链网络及蛋白质交互网络等，虽然上述网络结构来自于不同领域，具有不同背景，但具有相似的结构特征，如网络的“无尺度特性(Power-Law)”、“小世界特性(Small-World)”、“高聚集系数(High Clustering Coefficient)”、“自相似性(Self-Similarity)”等；同时，网络连接结构可能会随时间而不断变化，且连接间可能具有不同的权重或方向。现实社会中人也不是孤立的，人与人之间的亲戚关系、朋友关系、上下级关系、同时关系等不同的社会交互构成了一种重要的社会关系网络，简称社会网络。社会网络具有广泛的应用价值，目前已被引入各种领域，如广告传播与市场营销、计算机病毒与犯罪网络及IT与通信行业等。由于社会网络中含有众多个体及个体间的关联信息，具有重要的研究与分析价值，因而社会网络分析成为数据挖掘的一个重要分支，如何从复杂网络结构中挖掘出潜在的模式和知识成为数据挖掘中一个新兴的热点研究领域。

随着对实际网络拓扑结构和物理意义的深入研究，研究人员逐渐发现除了典型的“无尺度”、“小世界”及“高聚集系数”等特征外，现实世界的网络还具有“网络社区结构”，即网络社区内节点之间的连接相对非常紧密，但各网络社区之间的连接相对较为稀疏，这些网络社区结构代表了社会网络中具有相同兴趣或偏好的团体。如何快速有效地发现网络中的网络社区结构对于揭示网络的局部功能与其自身的拓扑结构之间的相互影响的关系具有十分重要的推动作用。

对于社会网络中网络社区结构的探测，学术界已经进行了大量的研究。例如，M.E.J.Newman等人在“Finding and evaluating community structure in networks(Physical Review E,Vol.69,No.2,pp.026113,2003)”中提出了一种基于层次聚类算法的边消去算法，算法利用最短路径求出每条边的“betweenness”值，然后每次去掉网络中“betweenness”值最大的边，并引入“模块化度”作为评价网络社区划分结果的评价指标；之后M.E.J.Newman在“Fast algorithm for detecting community structure in networks(Physical Review E,Vol.60,No.6,pp.066133,2004)”中提出了效率更高的基于每条边“betweenness”值的网络社区发现算法；Ye,Z.等人在“Adaptive clustering algorithm for community detection in complex networks(Physical Review E,Vol.78,No.4,pp.046115,2008)”中根据自适应及自组织动力学特征提出了一种网络社区发现算法，能避免节点误划分入不正确网络社区后不能重新加入正确网络社区的情况；Nan Du等人在“Overlapping community structure detection in networks (Proceedings of the 17th ACM conference on Information and knowledge management(CIKM’08),pp.1371-1372,2008)”中提出了一种基于局部算法的重叠网络社区发现算法；Liu Xu等人在“Community detection by neighborhood similarity(CHIN.PHYS.LETT.,Vol.29,No.4,pp.048902,2012)”中；Tore Opsahl等人在“Clustering in weighted networks(Social Networks,Vol.31,No.2,pp.155-163,2009)”中对带权重的网络社区发现进行了探讨；M.E.J.Newman在“Analysis of weighted networks(Physical Review E,Vol.70,No.5,pp.056131,2004)”中提出了一种将加权网络转化为不加权网络的映射方法。