[发明专利]一种基于k-truss的面向超图的社区发现方法

说明书

本发明公开了一种基于k‑truss的面向超图的社区发现方法，具体步骤如下：S1、首先输入超图H^G＝(V，E^h)、S、r，计算超图中所有超边的support；S2、初始化超图的极大k‑truss下界low＝0，上界up＝0，当Size(|H|)S时，进行以下操作；S3、计算当前超图中的三角形个数T＝所有超边的support之和/3，令low＝max(low，最小的超边support，T/超边总数)，令up＝max(up，最小的超边support，r*(T/超边总数))；S4、将所有support小于上界up的超边从超图H中删除，得到一个新的超图H。本发明采用上述的一种基于k‑truss的面向超图的社区发现方法，在超图上实现了k‑truss分解和极大k‑truss的挖掘，大幅减少了不必要的计算内容，消除了传统算法的冗余计算过程，实现了对于超图的社区发现。

技术领域

本发明涉及设计图数据挖掘技术领域，尤其是涉及一种基于k-truss的面向超图的社区发现方法。

背景技术

超图是一种高维的对于数据的图形展示，弥补了普通图表示方式信息丢失的缺陷，专用于描述具有成对的组合关系(点与超边)的体系。超图由节点和超边组成，每个节点可以是一个人或一个对象。然而，每个超边可以充当任意数量节点的交互。

图社区发现是网络研究中的一个非常重要的分支，社区是一组拥有密切关系的实体集合。而k-truss作为一种稠密子图的表现形式，它的紧密程度要小于限制严格的团结构，但是大于k-core对于个体之间关系限制程度的要求，能很好的体现出一个社交网络中各个个体之间的关系。目前，在图中进行社区挖掘的问题，已经得到了广泛的研究和应用。由于图社区发现中常常需要的是一个社区中的极大k-truss，所以该类问题的主要目的通常是挖掘出图中的极大k-truss。

社区发现的研究对于分析网络的拓扑结构、理解网络的功能、发现网络中的隐藏规律和预测网络的行为都有十分重要的理论意义和应用前景。在计算机科学、物理、数学、生物、社会学和复杂性科学等领域均有相关的研究和应用，例如用于社会网络分析(如组织结构管理)，生物网络分析(如新陈代谢网络分析、蛋白质交互网络分析、未知蛋白质功能预测、基因调控网络分析和主控基因识别等)，Web社区挖掘，基于主题词的Web文档聚类和搜索引擎等。对一个大型网络进行社区发现，其实是对其按照某种标准进行了划分，在此基础上可对每个社区做进一步的发掘。而从计算的角度而言，社区发现相当于分解了任务，起到了降低计算复杂度的作用。

目前并没有基于超图的极大k-truss挖掘方法，而在图上使用较为广泛的方法是基于内存的计算方法，基本的计算思路是将图读入内存中并计算出图中每条边的支持度；给定一个k值，过滤掉所有支持度小于k-2的边；不断地递增k的值，重复以上步骤，直至图中所有的边都被移除为止；最终所留下的k-truss就是该图的极大k-truss。

这种方法虽然能够得到结果，但是存在着大量的冗余计算，通过这种方法计算极大k-truss时，需要不断地递增k的值，并对每一个k值都计算出相应的k-truss，在这个过程中，还需要不断的维护所有边的支持度的大小，而我们最终需要的通常只是最后找到的极大k-truss。因此该过程存在大量的冗余计算。其次，随着数据规模的增长，图和超图的规模也不断扩大，难以完整的将整个图载入到内存中，因此在整个图上进行这样的计算也是非常困难的。最后，目前在超图上还未有解决此类问题的方法。

发明内容

本发明的目的是提供一种基于k-truss的面向超图的社区发现方法，实现了在超图上的社区发现，解决了图上传统算法计算冗余、效率低等问题。通过使用该方法，可以分析网络的拓扑结构、理解网络的功能、发现网络中的隐藏规律和预测网络的行为。

为实现上述目的，本发明提供了一种基于k-truss的面向超图的社区发现方法，具体步骤如下：