[发明专利]一种基于动态同步模型的社区检测方法

摘要

本发明属于网络数据挖掘领域，具体涉及一种基于动态同步模型的社区检测方法，首先读取社交网络数据，然后根据社交网络图进行网络矢量化，得到矢量化后的一维坐标序列；再设置同步参数计算同步范围，进行同步聚类每个节点根据扩展的动态同步模型在同步范围内进行同步，直到达到局部同步状态，根据各节点的坐标位置进行社区划分，计算该划分的模块度，然后不断增加同步参数，执行新一轮的同步聚类过程，直到同步范围覆盖所有节点。通过kuramoto模型对网络中的节点进行聚类，能够对链接密度进行精准的描述，有效的反应网络链接密度的差异,实现社交网络社区结构的自动检测，并对社区检测结果进行选择和优化。

主权项

一种基于动态同步模型的社区检测方法，其特征在于，应用于社交网络，包括以下步骤：步骤A，构造网络图：读取网络数据，构造以用户为节点，用户关系为边的网络图；步骤B，网络矢量化：将步骤A所得网络图中各节点通过OPTICS算法进行矢量化，将网络中各节点映射到一个一维坐标序列中，为后续的同步聚类做准备，具体步骤为：步骤B1，首先对网络利用节点相似性描述网络中链接密度，计算各边(x，y)的节点相似度，定义其中τ(x)表示节点x的邻域，包含x和x的邻居节点,τ(y)表示节点y的邻域，包含y和y的邻居节点；degree(x)表示节点x的度，degree(y)表示节点y的度；步骤B2，利用节点相似度定义和OPTICS算法，获得节点序列；步骤B3，根据获得的节点序列，将网络中的每个节点平均映射到区间[0，1)上，每个节点对应一个一维坐标，即实现整个网络的矢量化；步骤C，执行同步聚类：设置初始同步参数ε，确定同步范围，每个节点在其同步范围内进行同步聚类，直至达到全局同步，根据同步坐标位置进行社区划分，并计算该社区划分的模块度；不断增加同步半径，执行同步聚类，直至同步半径覆盖所有节点；所述同步聚类和社区划分包括如下步骤：步骤C1，初始化同步参数ε值为ε0，计算各节点x的ε–邻域集合Nε(x)和密切节点集合Close(x)，将两个集合进行合并组成节点x的同步范围Rε(x)；Nε(x)＝{y∈X|dist(y,x)≤ε}Close(x)＝{y∈X|Vxy∈top 20％of Vx}Rε(x)＝Nε(x)∪Close(x)其中，dist(y,x)表示节点x，y映射的一维坐标之间的距离；步骤C2，使用扩展kuramoto模型使得每个节点x在其同步范围Rε(x)内进行同步；其中，扩展的kuramoto模型为：lx(t+1)=lx(t)+1d·Σy∈Nϵ(x)Vxy·sin(ly-lx)·degree(x)+degree(y)maxDegree,]]>maxDegree表示网络中最大的度；步骤C3，计算网络序参数其中lx表示节点x映射后的一维坐标；若序参数rc≥0.9999，则结束同步过程，否则继续执行步骤C2；步骤C4，同步过程结束后，对各节点的一维坐标位置进行排序，若一维坐标系相邻节点间距小于1.5/N，则表示相邻节点同属于一个社区，否则相邻节点属于不同社区；步骤C5，根据社区划分结果，根据经典模块度计算方法，计算模块度；步骤C6，不断增加同步参数ε，执行步骤C2，直至同步半径覆盖所有节点。