[发明专利]一种用于复杂网络的社区发现方法

说明书

本发明提出了一种用于复杂网络的社区发现方法，该算法通过分析网络拓扑结构来设计节点转移概率，并基于random walk方法评估节点对网络社区的重要性，然后以重要性较高的节点作为核心构造网络社区，最后通过社区边缘修剪方法对社区结构进行调整。与现有的基于random walk的方法不同，CDATP为网络中的节点设计的转移概率具有不对称性，并只通过节点局部转移来评估节点对社区的重要程度。

技术领域

本发明涉及计算机科学和社会网络领域，提出一种基于节点不对称转移概率的网络社区发现算法(a community detection algorithm based on asymmetric transferprobility of nodes，CDATP)。针对现有社区发现算法存在的弊端，提出了一种新的节点转移概率度量方法和基于事件传播规律的社区划分方法。

背景技术

近年来，普遍存在于网络中的社区结构已经受到了国内外学者的广泛关注。关于社区发现的研究也已经被应用到了许多领域中，并取得了不错的成果。

将random walk用于社区发现是较为主流的研究方法之一。random walk是基于马尔可夫模型的方法，其主要思想是以一个初始分布释放大量的无规则行走者，在扩散过程之后，可以得到行走者的分布函数。在社区结构中，节点间有着更多的联系，而不同社区间的联系则相对较少。因此，一个随机选择方向的行走者将会被更长时间地困在社区内部。

通过一系列研究，国内外学者提出了若干种基于random walk的社区发现算法。Pons等人等人提出的Walktrap算法先评估节点属于同一社区的概率，再用分层聚类的方式发现社区，是最早的基于random walk的方法之一。Darong Lai等人通过将边的方向信息转化为无向网络中边的权重来发现有向网络中的社区。Qingju Jiao等人提出的算法综合考虑了全局拓扑结构和局部拓扑结构，在人工数据集上有很好的表现。Xin Huang等人提出的SCMAG算法通过计算节点属性的相似度来构建以属性为基础的社区。Chang Su等人将random walk与标签传播算法相结合来发现社区。Di Jin等人使用了以random walk为基础的蚁群优化算法来判断节点的所属社区。然而，上述算法在节点转移的步骤中多采用的是无差别转移概率，不能反映真实网络中节点关系的差异性，且社区划分准确性受转移迭代次数影响较大，需要较多的先验知识来辅助决策，可行性较低。

在社区发现领域的研究初期，大部分学者都是以无向网络作为研究对象。但随着社区发现技术在实际生产情景中的应用的推广，有越来越多的学者开始关注如何在有向图网络中发现社区。早期的一种处理方法就是忽略掉边的方向性，将其直接作为无向网络来处理，但有学者指出边的方向应该被考虑，否则会使得网络的重要特征被丢失，其中一个重要原因就是当忽略了边的方向后，节点间的相互关系将变得不完整。例如，Twitter中的某一用户单方面关注了另一用户，那他们之间的“位置”是不平等的，但无向边无法描述这种关系。random walk中的节点转移本身就具有方向性，因此相关的社区发现算法可以较为容易地完成从无向网络到有向网络的过渡。基于指标优化的相关方法则需要根据有向网络的特征重新设计质量指标，例如Newman等人提出的有向版本的模块度。此外，Rosvall等人提出的Infomap算法和Lancichinetti等人提出的OSLOM算法都是较为经典的可用于有向网络的社区发现算法，在人工构造的网络中均有较好的表现。然而，基于指标优化的方法无法充分考虑真实网络的复杂性，适应性较差。基于random walk的方法在有向网络的环境中对于转移迭代的次数变得更加敏感，需要更多的先验知识来辅助决策，可行性较低。

发明内容