[发明专利]基于网络motif的局部高阶社区发现方法及装置

说明书

本发明属于局部扩展社区发现技术领域，特别涉及一种基于网络motif的局部高阶社区发现方法及装置，该方法包括基于motif的高阶邻接矩阵与基于边的一阶邻接矩阵进行融合，得到权重矩阵；在网络中选择优质的种子节点；将挑选出的每一个种子进行扩展，得到种子的局部社区结构；对上面得到的社区进行优化处理。本发明在寻找优质种子节点以及局部扩展的过程中将网络的低阶信息和高阶信息进行融合，更好地利用网络信息挖掘更优的种子节点以及节点的局部社区结构，从而提高了社区划分的精度。

技术领域

本发明属于局部扩展社区发现技术领域，特别涉及一种基于网络motif的局部高阶社区发现方法及装置。

背景技术

随着社交网络、物联网的发展，网络数据分析近些年成为了热门，而社区发现是网络数据分析中一个而非常重要的工具。社区发现算法一般被分为基于全局信息和基于局部扩展两种类型。基于全局的方法需要了解整个网络结构，计算复杂度较高。而基于局部扩展的社区发现算法仅需要了解输入节点局部信息即可。它对于探索给定节点的局部社区结构具有非常大的优势，无需挖掘出整个网络中的社区。其次，当输入较多种子节点，也可以挖掘出整个网络中的社区结构，并且种子的扩展相互独立，可以自然的挖掘出网络中的重叠社区。基于局部扩展的方法主要包括种子节点的选取以及种子节点的扩展两个部分。

传统的局部社区发现方法主要基于单个顶点或边缘等低阶信息，忽略了可能捕获社会现象的包含多个顶点和连边的网络的诱导子图，这种子图也称为motif。网络中的motif用于标识内部单元之间比外部单元之间具有更紧密连接的集群。motif对于复杂网络的组织至关重要并且在许多领域具有广泛的应用场景，例如食物链中的碳交换模型，物联网中的资源分配以及社交网络中的小结构分析。在社区发现的过程中将网络的高阶信息考虑在内有助于更加精准的挖掘出网络中的社区结构。

发明内容

针对传统基于局部扩展的社区发现算法仅利用网络的节点和连边等低阶信息指导节点的划分，忽略了对挖掘社区具有重要意义的网络高阶信息motif，从而导致精度不高的问题，本发明提出一种基于网络motif的局部高阶社区发现方法及装置，在寻找优质种子节点以及局部扩展的过程中将网络的低阶信息和高阶信息进行融合，更好地利用网络信息挖掘更优的种子节点以及节点的局部社区结构，从而提高了社区划分的精度。

为了实现上述目的，本发明采用以下的技术方案：

本发明提供了一种基于网络motif的局部高阶社区发现方法，包含以下步骤：

基于motif的高阶邻接矩阵与基于边的一阶邻接矩阵进行融合，得到权重矩阵；

在网络中选择优质的种子节点；

将挑选出的每一个种子进行扩展，得到种子的局部社区结构；

对上面得到的社区进行优化处理。

进一步地，所述基于motif的高阶邻接矩阵与基于边的一阶邻接矩阵进行融合，得到权重矩阵，包含以下步骤：

在网络中寻找具有统计显著性最高的motif作为给定motif；

计算基于给定motif的邻接矩阵；

计算融合网络高阶信息和低阶信息的权重矩阵。

进一步地，所述在网络中寻找具有统计显著性最高的motif作为给定motif，包括：

选定motif阶数后，对所选阶数的motif逐个进行统计，选出原始网络中出现次数最多的motif连接形式；motif的统计显著性通过z-score来量化，计算公式如下：

式中，F_In表示原始网络中motif的出现频率，和σ²_Rnd表示相应随机网络中出现频率的均值和方差。