[发明专利]一种基于局部模块度的层次重叠社区发现方法

说明书

本发明公开一种基于局部模块度的层次重叠社区发现方法，该方法首先选取网络中度数最大的节点作为初始社区，计算其邻居节点的局部模块度值，对产生极值的节点计算其层次区分度值，通过实验给出一个层次区分度的阈值，进行比较判断是否到达层次边界，得到网络的层次结构。然后将得到的层次社区与根据MC‑COPRA算法得到的重叠社区进行相似度对比，若高于给定阈值则将重叠节点加入对应的层次社区，最终得到网络的层次重叠社区。通过在人工网络和真实网络上的实验结果表明，该算法能准确的探测社交网络的层次重叠结构。

技术领域

本发明涉及一种基于局部模块度的层次重叠社区发现方法，属于社会网络中的社区重叠和层次结构技术领域。

背景技术

随着社会信息化的加速发展，社交网络也日益成为人类社会关系的不可缺少的一部分，同时社交网络也是信息传播扩散的重要渠道和载体，是社会发展的重要影响因素。规模日益增大的社交网络中，每个人都代表着网络中的一个节点，而人与人之间的各种关系则是网络中的连边，这样的网络并不是杂乱无序，毫无规律可寻的，有许多研究都表明，社交网络中的节点之间的是可以按照一些不同的条件或规则，将它们合并或区分为相同或不同社区，这样的社交网络也就具有着社区结构，所以研究社交网络，对其社区结构的研究是必不可少的。在社区结构研究中，其重叠和层次结构不仅是其最基本的结构特征，也是最为重要的两种结构。通过对社交网络中的层次和重叠结构的发现，并以此作为基础性研究，对已发现的层次重叠社区中的人的兴趣爱好等行为信息进行分析，具有重要的现实意义，例如为用户生成更加精确的个性化推荐信息，对网络中的舆情传播进行更加准确的分析等，因此说社交网络中的社区结构的分析与研究已经成为研究社交网络的一个必不可少的组成部分。

近年来，信息技术的不断发展也加快了人们对社区结构的研究，特别是对社区的重叠和层次结构的研究，引起了越来越多的国内外学者对其的分析研究，这些年来有许多关于社区重叠和层次结构发现算法被提出，在层次社区发现算法中，最为常见的就是基于模块度的社区发现算法，但是这类算法基本都存在分辨率的问题，也就是通过计算社区的模块度得到的结果是无法发现该网络中规模更小的层次结构。

发明内容

发明目的：面对现有技术中的不足，针对层次社区发现算法LMHC算法中存在的随机性与通过模块度的最大值划分社区层次结构存在的不准确性，提出了一种基于局部模块度的层次重叠社区发现方法。

技术方案：一种基于局部模块度的层次重叠社区发现方法，包括如下步骤：

步骤一：将网络的节点度数进行排序，将度数最大的节点设定为初始社区C，同时令社区节点个数n＝1，加入的节点i＝1；

步骤二：将社区C中的节点的所有邻居节点加入到邻居节点的集合Nbs(C)，并计算将各个邻居节点加入社区C时的局部模块度值R；

步骤三：比较计算得到的各个R值，将最大R值R_max所对应的节点与该节点的所有邻居节点分别加进社区C和Nbs(C)，同时n＝n+1；

步骤四：计算R(n+1)-R(n)，若R(n+1)-R(n)＜0，记加入邻居节点后产生的局部模块度极大值R_max(i)＝R(n)，同时回到步骤二，若R(n+1)-R(n)＞0，记加入邻居节点产生的局部模块度极小值R_min(i)＝R(n)；

步骤五：计算R极值之差，若R_max(i)-R_min(i)→0即R_max(i)-R_min(i)<0.01或者存在R_max(i)-R_min(i-1)→0即R_max(i)-R_min(i-1)<0.01时，则回到步骤二，否则令i＝i+1，并计算社区层次区分度Hdif，进入步骤六；