[发明专利]一种基于k边连通分量在大型网络中搜索个性化影响力社区的方法

说明书

本发明公开了一种基于k边连通分量在大型网络中搜索个性化影响力社区的方法。传统的社交搜索忽略了个性化的需求。本发明提出了一种新的模型，即个性化影响力的k边连通分量(PIKE)模型。它利用k边连通分量模型来度量子图的内聚性，并试图根据一组查询节点来寻找有影响力的社区。它需要满足四个条件：包含所有给定的查询节点；满足k边连通分量约束；子图的影响力是最大的；是极大的，即它的任何超图都不能满足前面三个条件。为了解决这一问题并能够在大型网络中迅速找到PIKE，本发明提出了一种基于二分法的查询方法。本发明基于k边连通分量在大型网络中搜索个性化影响力社区的方法对社交网络的研究具有极大的效益。

技术领域

本发明属于图数据挖掘技术领域，尤其涉及一种基于k边连通分量在大型网络中搜索个性化影响力社区的方法。

背景技术

社区搜索是社交网络分析中的一个基本问题。社区搜索的目的是识别包含查询用户的重要社区(即，内聚子图)，是好友推荐、产品推广等个性化应用程序的重要工具。目前研究中已经提出了许多内聚子图模型，如k核、k式桁架和k边连通分量等。在社交网络中，用户通常与一个表示其在网络中的影响力的权重相关联。一个社区的影响力值定义为社区中节点的最小权重。近年来，影响力社区检测问题引起了广泛的关注。然而，目前并没有意向研究考虑到个性化的需求。本发明提出了基于k边连通分量的个性化影响力社区搜索问题，旨在通过不断删除影响社区影响力的节点来找出对应的个性化影响力社区。为了更好地处理大型网络，本发明基于二分思想提出了一种新颖的算法，从而可以批量地删除节点，显著缩减了搜索时间。基于k边连通分量在大型网络中搜索个性化影响力社区的方法对社交网络的研究具有极大的效益。

发明内容

为了满足个性化的需求，本发明提出了一个新的问题，即个性化影响力k边连通分量(PIKE)搜索，来寻找社交网络中的个性化影响力社区。本发明采用广泛应用于社交网络分析的k边连通分量模型来度量子图的内聚性。给定一个待查询的图G和查询节点集Q，个性化影响力社区PIKE是图G中具有最大影响力值的子图，它需要满足四个条件：1)包含Q中的所有查询节点；2)满足k边连通分量约束，即移除某图中的任意k-1条边后，该图中的任意两个节点仍是可达的；3)子图的影响力值是最大的；4)是极大的，即它的任何超图都不能满足前面三个条件。

该方法基于以下引理：对于图G的两个子图g1和g2，其中子图g1包含子图g2，且子图g1是子图g2和节点a的并集，如果节点a的影响力值小于子图g2的影响力值，那么子图g1的影响力值也小于子图g2的影响力值；

该方法包括以下步骤：

步骤一，计算图G中的所有k边连通分量；

步骤二，找出包含Q中所有查询节点的一个k边连通分量：如果Q不包含在任何一个k边连通分量中，则返回一个报错；否则将包含Q的k边连通分量中所有影响力值小于Q中查询节点的最小影响力值的剩余节点，按照影响力值升序排序存储在集合S中，如果S为空则返回当前的k边连通分量；

步骤三，基于二分法批量地删除节点：迭代地将S中的节点划分为两个集合D1和D2；D1包含S的前半部分的节点，即影响力值小的那部分节点，D2包含剩余的其他节点；根据引理，从当前的k边连通分量中移除D1中的所有节点，计算并返回k边连通分量中剩余节点构成的子图中的所有k边连通分量，如果在返回的结果中有包含Q的k边连通分量，则通过步骤二计算该k边连通分量对应的S集合，并重复执行步骤三；如果在返回的结果中没有包含Q的k边连通分量，若D1中节点数不为1，则将D1作为新的S集合，在未移除D1的k边连通分量上重复执行步骤三，若上述D1中节点数为1，意味着未移除D1的k边连通分量为最终子图PIKE，将其输出。

进一步地，所述步骤一中，计算k边连通分量的方法具体为：首先创建一个空列表L并从原图G中随机挑选一个节点放入L中；之后迭代地进行如下操作：

将原本不在L内，并且与L中的所有节点在图G中能够形成边数最多的节点放入L的尾部；每加入一个新的节点进入L后，执行相应的查询和更新操作；