[发明专利]基于两阶段策略的非重叠与重叠网络社区检测方法

说明书

技术领域

本发明属于计算机技术领域，更进一步涉及人工智能该领域的基于非重叠与重叠网络的社区检测方法。本发明可用于社交网络、大规模集成电路、生物大分子结构分析和功能预测等实际应用中。

背景技术

现实世界的很多复杂系统都可以表示为网络，如万维网，电力网，生物网络和社交网络等。除了小世界效应，无标度等网络属性外，复杂网络中的另一个重要属性是社区结构。社区是指网络中相似度较高或相互连接紧密的节点的集合。分析现实世界中网络的社区结构对生产生活具有重要的指导意义。在这些网络的社区结构中，社区之间很多并不是单纯的相互隔离的，而是相互重叠，形成更加复杂的网络结构。

目前，已存在多种复杂网络社区检测方法，按照网络结构的特点可分为非重叠网络社区检测和重叠网络社区检测。

福建师范大学在其申请的专利“一种基于集成学习的社会网络重叠社区发现方法”（专利申请号201210371876.8，公开号CN102959942A）中公开了一种基于集成学习的社会网络重叠社区发现方法。该方法通过快速谱聚类方法对网络进行社区划分，能有效的发现网络的重叠社区结构，但是该方法存在的不足是，不能以不同分辨率分析网络结构。

西安电子科技大学在其申请的专利“基于自动相转换聚类的重叠社区网络检测方法”（专利申请号201210085015.3，公开号CN102611588A）中公开了一种基于自动相转换聚类的重叠社区网络检测方法。该方法通过迭代进行更新节点相位操作，提高了收敛速度，能有效发现重叠社区。但是该方法存在的不足是，不能检测非重叠网络社区结构，而且该方法收敛速度慢。

发明内容

本发明的目的在于克服上述已有技术的不足，提出基于两阶段策略的非重叠与重叠网络社区检测方法。本发明通过将扩展模块密度函数作为适应度函数，引入隶属度函数作重叠点检测手段，加入模拟退火法作为局部检测策略，能有效检测网络中非重叠与重叠网络社区结构，同时解决了现有网络社区结构检测方法中的分辨率限制、易陷入局部最优等缺点，提高了网络社区检测的准确度。

本发明的具体实施步骤如下：

(1)载入网络数据：

构造网络的邻接矩阵A(N*N)，N为网络中节点的数目，若网络社区节点i与网络社区节点j有连接时，邻接矩阵中的元素a_ij=1；若网络社区节点i与网络社区节点j无连接，则a_ij=0。

(2)初始化网络社区种群：

采用直接编码方式，随机生成N个不超过网络社区节点数目的整数数值，将这些整数数值分别标记给每条染色体上的S个基因位；重复以上操作，直至得到W条染色体，每条染色体代表一种网络社区划分，将W条染色体组成网络社区种群θ。

(3)划分网络社区种群：

3a)通过适应度函数，计算网络社区种群θ中每个网络社区划分的适应度值；

3b)将网络社区种群θ中所有网络社区划分的适应度值由高到低进行排序，将排序中前40%的适应度值对应的网络社区划分划分为精英网络社区种群，剩余部分划分为普通网络社区种群。

(4)组建网络社区团队：

将精英网络社区种群中的每个网络社区划分设定为基础网络社区划分，分别将每个基础网络社区划分与普通网络社区种群中的网络社区划分组建成网络社区团队，每个网络社区团队中网络社区划分的数目如下：

其中，G表示每个网络社区团队中网络社区划分的数目，表示向上取整数个网络社区划分操作，W表示精英网络社区种群与普通网络社区种群的总规模，M表示网络社区团队的数目。

(5)检测候选网络社区划分：

5a)对每个网络社区团队在(0,1)区间内随机生成一个随机概率p，当随机概率p大于0.5时，在精英网络社区种群中随机选择一个网络社区划分B，执行步骤5b)；当随机概率p小于0.5时，在普通网络社区种群中随机选择一个网络社区划分C，执行步骤5c)；

5b)通过对当前网络社区团队的基础网络社区划分E和网络社区划分B进行协作操作，检测得到候选的网络社区划分δ；

5c)通过对当前网络社区团队的基础网络社区划分E和网络社区划分C进行引导操作，检测得到候选的网络社区划分φ。

(6)更新网络社区种群：

将检测得到的网络社区划分δ或网络社区划分φ与原网络社区种群θ进行融合，得到过渡网络社区种群，将过渡网络社区种群中所有网络社区划分按适应度值排序，排序中前450个适应度值所对应的网络社区划分组成网络社区种群α。

(7)检测局部网络社区：