[发明专利]基于高阶结构和边信息的网络局部社区检测方法

说明书

本发明提供了一种基于高阶结构和边信息的网络局部社区检测方法，解决了现有局部社区检测方法检测准确度不够高，以及对于低质量种子点检测效果差的技术问题，其实现步骤包括：输入网络和种子点；初始化局部社区；使用高阶信息对局部社区进行扩展；使用中心节点对局部社区进行扩展；使用边信息对局部社区进行最终扩展；输出局部社区，完成基于高阶结构和边信息的网络局部社区检测。本发明对低质量种子点进行特殊处理，设计了考虑种子点质量的局部社区初始化方式，并根据局部社区特性使用高阶信息和边信息进行不同方式的扩展，更好的利用了局部信息，提高了局部社区检测的正确率。用于网络的局部社区检测。

技术领域

本发明属于复杂网络技术领域，主要涉及局部社区检测中的局部社区扩展，具体是一种基于高阶结构信息和边信息的网络局部社区检测方法，可用于根据种子点的局部信息扩展得到网络中种子点所在的局部社区。

背景技术

将实体的一些数据构建成复杂网络来计算成为现代的一种重要的工业分析途径，常用来构造的复杂网络有社交网络，科学家网络以及流行性疾病传播等网络。通过分析这些复杂网络可以帮助解决特定的问题，以及实现某些精准服务。其中社区检测就是分析网络中社区划分的一类方法，用来揭示网络节点的聚集行为。该方法意在将网络中的所有节点进行分组，不同组的节点即是一个社区。随着网络规模的日益增大，划分整个网络变得困难，局部社区检测方法，是用来检测种子点所在社区的一类方法，不用考虑不关注的节点的社区划分，使得局部社区检测方法更适用于大规模网络，且适用于商品推荐，好友推荐等应用。

如何由种子点扩展得到网络中的完整局部社区，常用的方法是优化社区的模块度。模块度函数可以用来评价局部社区的质量好坏，其值越高，表明社区的结构性越好。因此通过最大化其值，可以逐步扩展社区成员。但只从社区的整体结构性扩展社区，会忽略节点之间的关联。因此也有一些方法通过度量节点间的相似度，节点与社区的关系强度来扩展社区，如果社区外的某一节点和社区内的节点的相似度足够大，则将该节点加入社区。这些经典的方法都只从单一的角度去扩展社区，没有充足的利用种子点附近的局部信息，导致局部社区检测的效果不佳。

因此，在2018年，Wenjian Luo等人考虑这两个思路，在IEEE Transactions onFuzzy Systems的第26卷第3136～3150页发表的文章“Local community detection withthe dynamic membership function”中，将模块度函数和相似度函数进行结合，提出了一种三阶段的局部社区检测方法(DMF_M)。该方法将社区扩展根据模块度大小分成三个阶段，并在不同阶段提出了三个动态相似度函数。但DMF_M以及大部分方法并没有考虑不同质量的种子点的情况，当种子点是社区的边缘点时，该方法得到的社区只是真实社区的子集，或者出现完全错误的结果。其次在社交网络中，由边组成的三角形结构的高阶信息是网络中的重要组成部分，但大部分模块度函数及其变形只度量与局部社区有关的边信息，少数使用高阶信息的模块度函数，对高阶信息的利用也不充分。

总之，现有的网络局部社区检测方法的主要缺陷，一是，对于质量差的种子点，会出现结果差甚至无法处理的问题；二是，没有充分利用网络中的各种信息，只使用边信息或只使用高阶信息，造成的检测准确率低的问题。

发明内容

本发明的目的在于针对上述现有技术存在的缺陷，提出了一种结果准确率更高，能处理质量差的种子点的基于高阶结构和边信息的网络局部社区检测方法。

本发明是一种基于高阶结构和边信息的网络局部社区检测方法，其特征在于，根据种子点质量用不同方法初始化局部社区，使用网络中的高阶结构和边信息对局部社区进行扩展，得到准确率高的种子点所在的局部社区检测结果，包括有如下步骤：

(1)输入网络和种子点：输入一个网络G的数据，该网络由多个两两节点连接的边构成，每个节点所有用边连接的节点组成其邻居点集合，每个节点在网络中都属于其自身所在的局部社区中；输入网络G中的任意一个节点均可作为种子点v_seed；