[发明专利]一种基于局部相似度的社区挖掘方法

权利要求书

1.一种基于局部相似度的社区挖掘方法，其特征在于，包括以下步骤：

(1)根据网络的邻接矩阵计算各结点对的相似度；

(2)如果某结点对的相似度是其邻接结点中相似度最大的，这找出这些结点对构成紧密点对；

(3)若某些结点构成的集合，其中的某个结点总有另外一个在集合中的结点与之构成紧密点对，并且任何一个在里面的结点，与之构成紧密点对的另外一个结点均不在集合之外，这些结点就构成了紧密微社团；找出所有这些紧密微社团；

(4)给所有的紧密微社团赋予初始标签，同一个紧密微社团中的结点初始标签相同，紧密微社团之间的初始标签不同；

(5)根据投票原则进行标签传播，直到任何结点的标签均不能更新；

(6)得到了最终的社团结构。

2.根据权利要求1所述的基于局部相似度的社区挖掘方法，其特征在于：

(1)相似度的计算方法

设网络G＝(V,E)，其中V＝{v₁,v₂,......v_n}为结点集合，E＝{e₁,e₂,......e_m}为边集，其中e_i∈V×V；v_i的邻居记为N(v_i)，即N(v_i)＝{v_j|w_ij＞0}，v_i的星型邻域St(v_i)＝{v_i}∪N(v_i)；记表示结点vi关联的边权值之和，定义为v_i的度；

那么结点对(v_i,v_j)的相似度计算公式如下：

Sij=ΣVl∈St(vi)∩St(vj)1K(vl)Σvm∈St(vi)1K(vm)Σvn∈St(vj)1K(vn)]]>

根据上式，结点v_i和v_j的相似度与他们星型邻域交集中结点的度有关，度越大说明该点对v_i和v_j的相似度贡献越小，这是因为这种情况下中介点的连接作用被分散了；分母起到归一化使得S_ij∈[0,1]，S_ij＝0时说明结点v_i和v_j既不相连接也没有共同的邻居，S_ij＝1时要么是i＝j，要么是结点v_i和v_j只和对方互相连接而无其他邻接点；由此看来，若结点v_i和v_j有共同的邻居，则这两个结点的相似度总大于零，避免的其他度量方法的低估现象；只计算存在边的结点之间的相似度；

(2)紧密点对的计算方法；

如果某结点对(u,v)的相似度是其邻接结点中相似度最大的，称之为紧密点对，即σ(u,v)＝max{s(x,y)|(x＝u,y∈Γ(u)-{u})∨(x＝v,y∈Γ(v)-{v})}，记作

其中ε＝σ(u,v)；找出这些结点对构成紧密点对的集合；

(3)紧密微社团的计算方法；

若某些结点构成的集合，其中的某个结点总有另外一个在集合中的结点与之构成紧密点对，并且任何一个在里面的结点，与之构成紧密点对的另外一个结点均不在集合之外，这些结点就构成了紧密微社团；紧密微社团事实上是一个子图，可记为C(a)＝(V',E',ε)，满足三个条件：1)a∈V'；2)对任何u∈V'，存在

v∈V′(u↔ϵv);3)]]>不存在

(4)初始标签的赋值方法；

给所有的紧密微社团赋予初始标签，同一个紧密微社团中的结点初始标签相同，紧密微社团之间的初始标签不同；

(5)标签传播的方法

(5.1)将网络中的结点按度从大到小的次序放入集合X中，然后

(5.2)设置t＝1；

(5.3)按X中的次序取出每个结点x∈X，将x的邻接结点按标签类型分组，数量最多的那一组的标签赋予x，若存在数量最多的分组有多个，那么选择分组中各结点度之和最大的那个分组的标签；

(5.4)如果前后两次标签赋值未发生变化，那么算法结束；否则设t＝t+1，转(5.3)。