[发明专利]一种网络社区发现方法

说明书

技术领域

本发明涉及复杂网络技术领域，特别涉及一种网络社区发现方法。

背景技术

复杂网络一般是指节点数量庞大，连接关系复杂的网络。自然界中存在大量复杂网络，网络中的节点由各个实体抽象而成，实体与实体之间的关系构成了网络中的边，例如，社会网络、Internet网络、蛋白质网络、经济与金融网络及科研与教育网络等。复杂网络具有灵活普适的刻画能力，能够广泛应用于各学科领域对复杂系统进行建模、分析，因此，对于复杂网络的研究成为一项极具挑战性的课题。复杂网络中链路分布的不均匀性暗示了社区结构的存在，越来越多的研究也表明网络中存在社区结构，即整个网络可划分为若干个结构明显的社区，每个社区内部的节点之间的连接相对较为紧密，而各个社区之间的连接相对比较稀疏。在实际的网络系统中，不同的社区可以表达不同的意义。例如，在生物学系统中，社区可以代表一个组织的功能单位；在社会学系统中，社区可以代表具有共同属性和特征的一类个体或者一个团体；在Web网络中，社区可以代表一类具有相同主题的网站。利用网络中拓扑结构所隐藏的信息从复杂网络中解析出其模块化社区结构的过程被称为社区发现，这一过程对于分析复杂网络的拓扑结构、理解复杂网络的功能、发现复杂网络中的隐藏规律以及预测复杂网络的行为具有十分重要的理论意义和广泛的应用前景。网络社区发现目前己在社会网络分析、生物网络分析、web社区挖掘和搜索引擎等众多领域发挥出巨大的作用。

2002年，Girvan和Newman首次实现对复杂网络的社区发现，提出了基于分裂思想的GN算法，该算法使用边介数这一指标作为断边条件，通过一系列断边操作将网络划分成孤立的节点，然后根据模块度函数的最优取值确定社区结构。此后，各学科领域的研究者开始从不同的角度提出了大量社区发现算法，并被广泛应用于各学科领域来解决实际存在的问题。其中较具代表性的包括基于模块度优化的社区发现方法、基于谱分析的社区发现方法、基于标签传播思想的社区发现方法，以及基于信息论的社区发现方法。基于模块度优化的社区发现方法是从优化的角度看待社区发现问题，通过将目标函数最优化来获取最优的社区结构，这一方法在求取目标函数最大化的过程中存在NP难问题；基于谱分析的社区发现方法将网络中节点所表征的矩阵的特征向量看成空间的坐标，进而把节点映射到多维度的特征向量空间，再利用以往的聚类算法将网络中的节点聚成不同的社区，具有很强的算法灵活性，但其运算时间复杂度较高；标签传递社区发现方法具有近乎线性的时间复杂度，且无须事先定义目标函数和社区数量，成为为数不多的能够解决大型网络社区发现问题的方法，但这类方法在标签传递过程中会由于随机性和不确定性导致划分精度难以满足要求。基于信息论的社区发现方法将社区发现问题转化为寻找网络拓扑结构的最优压缩方法的问题，其中最优压缩表示最大化地保持原始网络的拓扑特征，该方法具有较高的精度，但时间复杂度较高。