[发明专利]一种基于相似性的局部社团检测方法

摘要

一种基于相似性的局部社团检测方法——NSA（Node Similarity based Algorithm），是一种基于相似性的高效的、稳定的局部社团检测方法，该方法的实现过程包含两个阶段，第一阶段构建网络的初始社团结构，第二阶段对初始社团结构进行优化，将其中一些较小的、稀疏的社团进行合并，得到最终的社团结构。本发明能够解决全局方法因效率低无法适用于大规模网络的问题，同时能解决许多现有局部方法性能不稳定、检测结果质量不佳的问题。同时，本发明还提出了一个度量指标——community metric，综合衡量社团的规模以及稀疏程度，可以有效地进行小社团的合并。

主权项

1.一种基于相似性的局部社团检测方法，其特征在于，该社团检测方法由两个阶段构成，第一阶段基于度中心性及顶点之间的相似性构建初始的社团结构，第二阶段对初始社团结构进行调优，合并其中一些小社团或稀疏社团，得到最终的社团结构；具体如下：第一阶段：构建初始社团结构首先从网络中选择度最大的顶点，将其作为一个社团的代表点，并将与其最相似的邻居顶点加入该社团中，如果与其最相似的邻居顶点不止一个，则选取其中度小的一个作为其最相似的邻居；然后从剩余的顶点中选出度最大的顶点，将其加入与其最相似的邻居顶点所在的社团；如果与其最相似的邻居顶点尚未加入某个社团，则为其创建一个新社团，将所选的度最大的顶点作为该新社团的代表顶点，并将与其最相似的邻居顶点加入该社团；重复此过程，直到网络中的每一个顶点都被分配到某个社团为止，至此，得到一系列社团，每一社团内的顶点之间紧密相连，这些社团构成网络的初始社团结构；上述过程中每一对顶点(u,v)之间的相似性sim(u,v)按照公式(1)计算其中Γ(u)和Γ(v)分别是顶点u和v的邻居顶点构成的集合；第二阶段：合并小社团、稀疏社团通过合并规模过小或者内部连接过于稀疏的社团对初始社团结构进行调优，得到最终的社团结构，要达到这一目的，首先需要确定哪些是需要合并的社团，其次需要选择将其并入哪些社团；确定哪些是需要合并的社团原则：通过度量指标——社团接受度，community metric——同时考虑社团的规模和稀疏性两个因素来确定哪些社团需要进行合并；下面以定义形式给出相关的概念及计算方法：定义1.关于社团稀疏性的定义，社团Ci的稀疏性用公式(2)进行定义其中是社团C_i内部的边构成的集合，是社团C_i内部的顶点与其它社团中顶点相连的边的集合；社团C_i内部的边越多，α_i的值越大，反之亦然；定义2.关于社团规模的定义，社团Ci的规模定义为公式(3)其中Vi是社团Ci内顶点的集合；V是整个网络的顶点集合；社团Ci中顶点越多，该比例越大，反之亦然；定义3.关于社团接受度的定义，Community metric，社团Ci的接受度是其社团稀疏性与社团规模的组合，按公式(4)进行计算γi＝αi*βi.   (4)基于上述概念和定义，确定哪些是需要合并的社团的方法是：通过设置一个社团接受度阈值δ加以解决；亦即，如果γi＜δ，那么社团Ci需要被并入其它社团；选择小社团或稀疏社团并入哪些社团的方法是：使用相似性作为社团合并的依据，将小社团或稀疏社团并入与其最相似的社团；社团Ci与社团Cj之间的相似性用公式(5)进行计算其中sim(u,v)是社团Ci中的顶点u与社团Cj中的顶点v之间的相似性，用公式(1)进行计算；Vi、Vj分别是社团Ci和Cj中的顶点构成的集合；在合并过程中，Ci是待合并的社团，Cj是与Ci相邻接的一个社团。