[发明专利]基于k核识别社交网络中倾向性社区的方法

说明书

本发明公开了一种基于k核识别社交网络中倾向性社区的方法。为了找到一个朋友更多而敌人更少的社区，本发明在锚定k核的基础上提出了一种新的识别倾向性社区的方法，即识别极大锚定倾斜k核，它满足三个条件：社区中任意一个顶点的邻居数量需大于或等于k；是极大的，即任何它的超图都不是锚定倾斜k核；社区的倾斜分数是最大的。考虑到锚定k核中顶点的朋友/敌人性质，本发明提出新的修剪策略，从而更有效地缩减搜索空间。本发明结合新的修剪策略开发了高效的KSM算法，从而能够在大型社交网络上快速识别到所需的锚定倾斜k核。本发明方法的应用对识别社交网络中倾向性社区有着极大的效益，对现实生活中识别社交网络中倾向性社区有着极大的帮助。

技术领域

本发明涉及多媒体社交网络技术领域，尤其涉及一种基于k核识别社交网络中倾向性社区的方法。

背景技术

在现实生活中，人们的生活离不开社交网络，例如微博、脸书、推特之类的社交网络在我们生活中起到了至关重要的作用。在这些社交网络中，一些关键用户的参与可以显著影响社交网络的稳定性。研究表明，当个人的行为受到他或她的朋友的影响时，即当他或她的朋友都这样做时，用户倾向于向该社交网络分享更多内容。同样，用户的离开也会影响他或她的朋友参与网络的意愿。因为一些用户的离开可能会导致一连串的其他人离开网络。大多数现有研究简单地将所有用户视为朋友，却不管他们的属性如何。然而，敌人在社交网络中也无处不在。而不考虑用户与敌人的属性，会导致用户的参与度下降，敌人数量增加会导致用户不愿意参与并在该社交网络中分享，最终会导致用户离开。因此，传统的锚定k核问题不适用于许多现实生活中的社交网络。

发明内容

为了找到一个朋友更多而敌人更少的社交网络，本发明在锚定k核的基础上提出了一种新的识别社交网络中倾向性社区的方法，所识别的倾向性社区为极大锚定倾斜k核，满足三个条件：1)社区中任意一个顶点的邻居数量需大于或等于k；2)是极大的，即任何它的超图都不是锚定倾斜k核；3)社区的倾斜分数是最大的。考虑到锚定k核的属性，本发明提出新的修剪策略，从而更有效地缩减搜索空间。与此同时，本发明结合新的修剪策略开发了高效的KSM算法，从而能够在大型社交网络上快速识别到所需的锚定倾斜k核。

本发明的目的是通过以下技术方案实现的：一种基于k核识别社交网络中倾向性社区的方法，该方法首先通过三种修剪策略过滤图G中不必要的点和边，包括：

引理1：用P(k-1)表示剥离顶点集合，即P(k-1)等于k-1核的顶点除去k核的顶点；给定图G，如果一个顶点u被锚定，它的所有跟随者都来自P(k-1)，所述跟随者为原本不满足k核，由于锚定顶点而留在k核中的顶点；

引理2：用f⁺(u)表示锚定顶点u得到的社区的倾斜分数的上界，等于图G中顶点u的朋友数量，这些朋友属于u所在的连通分量；如果f⁺(u)小于等于当前最佳社区的倾斜分数，则不能将顶点u视为锚定顶点；

引理3：根据删除P(k-1)中度数小于k的顶点时的顺序，将P(k-1)中的顶点递归地划分为不同的层，每删除一层不满足要求的顶点时，将本次删除记为第i次删除，删除的顶点集合记为M(i)；从第一次删除开始到最后一次删除结束，所有删除的顶点集合构成剥离层结构M，即M＝P(k-1)；同时，使用p(x)来表示顶点x的层索引，即p(x)＝i；

给定一个锚定顶点u，存在一条从u到顶点x的阶梯路径，记为u-x，其中1)这条路径上的所有顶点都属于M；2)对于沿着这条路径的每两个连续顶点v和w，需满足p(v)p(w)；对于给定图G，如果对于锚定顶点u至少存在一条阶梯路径u-x，则u至少有一个跟随者x；

然后通过极大锚定倾斜k核贪心启发算法，进行b轮迭代贪心得到最优点集A，从而在社交网络中迅速找到极大锚定倾斜k核，每一轮迭代的具体步骤如下：

(1)初始化当前最佳社区的倾斜分数为负无穷；计算图G中每个顶点的上界分数f⁺(u)及图G的剥离层结构M；