[发明专利]一种基于多相似度集成的网络社团检测对抗增强方法

说明书

一种基于相似度的图网络社团检测对抗增强方法，包括以下步骤：S1：加载网络；S2:基于相似性进行网络重连；S3：社团检测获取社团划分；S4：集成多个社团划分结果，构造新的社团结构，具体操作步骤如下：4.1)构造共现网络；4.2)最优阈值选择；4.3)网络剪枝；4.4)孤立节点分配。本发明利用基于相似性的链路预测修复并增强网络结构，并通过集成聚类聚合多个社团划分，可以提高网络社团结构的稳定性，极大地提升了社团检测算法的性能。

技术领域

本发明涉及网络科学与数据挖掘领域，特别是涉及一种基于多相似度集成的网络社团检测对抗增强方法。

背景技术

网络中相似性较高的节点聚合成子图，称为社团，社团内部连接稠密，社团间连接稀疏。例如社交网络中，社团往往反映了具有相同关注话题的用户的集合；在科学家合作网络中，社团由具有相同研究领域的学者组成。网络的社团结构蕴含了网络重要的拓扑特征。大量研究表明，网络中社团层面的特征与全局特征存在较大的差异，忽略网络的社团结构会错过重要的网络特征。

大量的图聚类方法被提出用于网络的社区发现，以解决社会学、生物学、交通物流等学科领域的具体问题。传统的社团检测方法主要有谱聚类、模块度优化、派系过滤、层次聚类等，最新的方法聚焦于图嵌入、生成对抗网络等。然而，随着大数据时代的到来，网络数据规模不断增大，维度不断膨胀，同时网络数据的不断更新变化，都迫使着社团检测算法降低时间复杂度，提高计算速度。其次，对抗攻击(参考文献[1]:Zügner D,Akbarnejad A,Günnemann S.Adversarial attacks on neural networks for graph data[C]//Proceedings of the 24th ACM SIGKDD International Conference on KnowledgeDiscovery&Data Mining.ACM,2018:2847-2856.即Zügner D,Akbarnejad A,Günnemann S，针对图数据的神经网络对抗攻击，Proceedings of the 24th ACM SIGKDD InternationalConference on Knowledge Discovery&Data Mining.ACM,2018:2847-2856.)这一概念自提出以来，已经被广泛应用于计算机视觉、网络科学等领域。针对网络数据和算法模型的对抗攻击，严重影响了数据和算法的可靠性，使得网络数据挖掘分析出现偏差，其中也严重影响了社团检测算法的准确性。

综上，目前关于如何提升社团检测算法在大规模、对抗性数据上的检测效果的研究较为稀少。

发明内容

针对现有技术的这些难点，本发明提出网络社团检测对抗增强概念，本发明旨在结合链路预测和集成聚类解决以下问题：通过基于相似性指标的链路预测修复并增强网络的连接，将原本不明显或被破坏的网络社团结构变得清晰、稳定，利用集成聚类聚合多重社团划分，从而获得更准确的社团结构，从而帮助现有的社团检测算法提升检测精度，更好的应用于网络社团发现任务。

为了解决上述技术问题本发明提供如下的技术方案：

一种基于多相似度集成的网络社团检测对抗增强方法，包括如下步骤：

S1：加载网络其中表示网络中节点的集合,表示网络中边的集合，表示网络的真实社团划分；

S2：计算网络的节点相似性矩阵，根据节点相似性分数对边进行采样，采样得到的边用于网络的重连；

S3：对多个重连后的网络进行社团检测获取各自的社团划分结果；

S4：集成多个社团划分结果，构造新的社团结构，操作步骤如下：

4.1)构造共现网络：根据多个社团划分结果，构造共现矩阵以共现矩阵作为邻接矩阵构造共现网络