[发明专利]一种基于紧密度排序的网络社区发现方法

说明书

技术领域

本发明涉及复杂网络社区发现领域，特别是涉及一种基于紧密度排序的网 络社区发现方法。

背景技术

现实世界中的很多复杂系统都可以抽象为一个复杂网络，如人际关系网、 万维网、投资网络和金融网络等。复杂网络由于其自身具有规模庞大、节点及 连接复杂等特点，直接对复杂网络整体进行研究往往具有一定难度，但是复杂 网络中普遍存在着社区结构，即社区内部的节点具有更加密切的联系。社区发 现有利于探究网络的结构与功能，发现其中隐藏的规律及预测其行为，比如， 可以对投资担保网络进行风险识别、对金融供应链中的经济资产进行评估量化、 对区块链进行实时定价结算等。社区作为复杂网络中的一个重要属性，对复杂 网络中社区的研究已经引起了越来越多的关注和重视。

在复杂网络中，处于相同社团内的节点联系紧密，不同社团间的节点联系 稀疏。根据这一特点发现，复杂网络的社团结构发现与数据的聚类分析很相似， 在定义了网络节点的相似度以后，就可以比较容易地将网络社区划分问题转化 为聚类问题。很多已有的社区发现算法都采用数据挖掘中的相关聚类算法，对 网络中的节点以定义的相似度进行聚类挖掘，使其中关系紧密的节点能够聚集 在一起，从而实现社区划分。例如典型的K-means方法，K-median方法等聚类 算法，其思想被广泛的应用于社区发现算法之中，并取得了不错的划分效果。 但是该类算法需要提供社区划分个数、社区规模大小等一些先验信息，而这些 先验信息一般情况下是事先难以得到的。

发明内容

聚类问题和网络社区划分问题虽然存在内在的一致性，但是在本质上二者 并不完全等同。聚类分析问题中的每一个数据点是孤立存在的，而网络中的每 一个节点具备聚类分析问题所不具备的网络拓扑结构性质，针对这一问题，本 发明采用了基于网络拓扑结构性质的相似度构造方法；同时为了避免对先验信 息的设定，本发明还通过计算中心节点的选择阈值和合并小社区，自适应的确 定网络的隐含结构。

上述发明目的是通过以下技术方案实现的：

步骤1：计算网络初始中心节点集。计算网络各节点的紧密度中心性值，根 据紧密度中心性值进行排序，并根据网络结构设置阈值，以此选择初始中心节 点集。

步骤2：计算网络节点的相似度。考虑到网络中的每个节点不仅受其邻居节 点的影响，还受到其它节点经过拓扑性质传递给它的影响，采用信号传递的思 想将网络拓扑结构信息转化为空间向量信息，再对其进行标准化之后运用余弦 距离计算相应的相似度矩阵。

步骤3：划分社区。利用节点之间的相似度将网络中的节点划分到最近的社 区中，即将每一个节点归类到与之最相似的中心节点所属社区中。

步骤4:小社区合并。当所有节点划分完成后，若社区中的节点个数少于3 个，则将该社区的中心节点从中心节点集中删除，且其所有节点重新进行社区 划分。

步骤5：更新中心节点集。将每一个社区当作一个小的网络再次进行紧密度 中心性计算，利用节点的紧密度排序找到每一个小网络的中心节点，然后更新 所有的中心节点。若所有新中心节点均与原中心节点相同，则停止迭代；否则， 返回步骤3重新进行社区划分，直至中心节点集不再变化。

所述步骤1的具体步骤为：

1)计算网络各节点的紧密度中心性，首先计算一个节点到网络中的其它所 有节点的平均距离：