CN106301888A - 基于核节点和社区融合策略的网络社区划分方法 - Google Patents
基于核节点和社区融合策略的网络社区划分方法 Download PDFInfo
- Publication number
- CN106301888A CN106301888A CN201610601198.8A CN201610601198A CN106301888A CN 106301888 A CN106301888 A CN 106301888A CN 201610601198 A CN201610601198 A CN 201610601198A CN 106301888 A CN106301888 A CN 106301888A
- Authority
- CN
- China
- Prior art keywords
- community
- network
- node
- max
- represent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0893—Assignment of logical groups to network elements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于核节点和社区融合策略的网络社区划分方法,主要解决现有社区融合算法中目标函数本身存在的分辨率问题。其实现步骤是:1)读入一幅网络图S,并生成网络图S对应的邻接矩阵A;2)根据邻接矩阵A计算网络中每个节点的节点度,并查找网络核节点集合C;3)根据相似度函数值F更新网络节点标签集合f′;4)根据网络节点标签集合f′得到网络社区标签集合f;5)基于改进模块密度增量ΔD对当前网络中的社区进行迭代社区融合,输出最终网络节点标签集合fz。本发明具有节点信息利用率高和社区分辨率高的优点,可用于社区检测。
Description
技术领域
本发明属于网络划分领域,更进一步涉及一种网络社区划分方法,可用于社区检测。
背景技术
在现代生活中,几乎处处都有网络结构的存在,并且大多数的复杂***都是以网络的形式呈现出来,比如新陈代谢网、因特网、电子邮件网以及亲戚朋友网等。对复杂网络的定性和定量特征的研究,有助于揭示复杂网络模型表示下的不同复杂***中普遍存在的一般规律,在生物科学、社会科学等诸多学科中具有重要意义。
网络中由不同性质、类型的节点组成的关系丰富的结构称为社区。社区内部关系稠密,而不同社区节点之间关系稀疏的社区结构是复杂网络的特征之一。社区检测方法的研究因其有助于理解网络的拓扑结构和网络动力学行为而具有极其重要的意义。人们提出了很多方法来对网络进行社区的划分,其中研究热点之一为基于社区融合策略的网络社区划分方法。
社区融合方法主要分为以下基本步骤:首先,将网络中的每个节点视为一个独立的社区;然后,计算每对社区融合后可以得到的目标函数值,通常为局部模块度函数;最后,通过比较上一步得到的目标函数值,判断是否将对应的两个社区进行融合。通过若干次循环迭代,获得社区划分结果。这种方法由于目标函数本身存在的分辨率问题,使得划分的结果容易陷入局部最优,效率低下。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于核节点和社区融合策略的网络社区划分方法,以改善目标函数分辨率,减少陷入局部最优的情况,提高社区划分效率。
为实现上述目的,本发明采用的技术方案包括如下:
(1)读入一幅网络图S,并生成网络图S对应的邻接矩阵A;
(2)根据邻接矩阵A计算网络中每个节点的节点度,并根据网络中每个节点的节点度查找网络核节点集合C;
(3)赋给网络中第i个节点一个唯一的标签i,i∈{1,2,...,n},n表示网络中节点的数目,计算网络核节点集合C中每个核节点与其所有邻居节点的相似度函数值F,选出该函数值F大于等于给定阈值Ft=1所对应的邻居节点,并将选出的邻居节点的标签更新为与其连接的核节点的标签,得到更新的网络节点标签集合f′={f1′,f2′,...,fi′,...,fn′},其中fi′表示网络中第i个节点的标签;
(4)将网络节点标签集合f′={f1′,f2′,...,fi′,...,fn′}中相同标签对应的节点组成一个社区,得到当前网络社区标签集合f(1,1)={f1(1,1),f2(1,1),...,fu(1,1),...,fh(1)(1,1)},并记录每个社区中包含的节点,其中,fu(1,1)表示当前网络中第u个社区的标签,u∈{1,2,...,h(1)},h(1)表示当前网络中的社区数目;
(5)基于改进模块密度增量ΔD对当前网络中的社区进行迭代融合:
5a)初始化循环次数g=1;
5b)统计当前网络社区标签集合f(g,1)={f1(g,1),f2(g,1),...,fu(g,1),...,fh(g)(g,1)}中每个社区与外界的连接数目lo(g,1)={lo1(g,1),lo2(g,1),...,lou(g,1),...,loh(g)(g,1)},其中fu(g,1)表示网络中第u个社区在第g次循环时的标签,lou(g,1)表示网络中第u个社区在第g次循环时与外界的连接数目,u∈{1,2,...,h(g)},h(g)表示网络中第g次循环时的社区数目;
5c)将当前网络社区标签集合f(g,1)中的社区按与外界的连接数目lo(g,1)降序排列,得到一个h(g)行2列的矩阵M(g);
5d)初始化社区融合迭代次数t=1;
5e)分别统计当前网络社区标签集合f(g,t)中每个社区的节点度之和d(g,t)、社区内节点间的连接数目li(g,t)、社区与外界的连接数目lo(g,t)、社区u与其邻居社区v之间的连接数目luv(g,t),其中:
f(g,t)={f1(g,t),f2(g,t),...,fu(g,t),...,fh(g)(g,t)},fu(g,t)表示网络中第u个社区在第g次循环第t次迭代时的标签,
d(g,t)={d1(g,t),d2(g,t),...,du(g,t),...,dh(g)(g,t)},du(g,t)表示网络中第u个社区在第g次循环第t次迭代时的节点度之和,
li(g,t)={li1(g,t),li2(g,t),...,liu(g,t),...,lih(g)(g,t)},liu(g,t)表示网络中第u个社区在第g次循环第t次迭代时社区内节点间的连接数目,
lo(g,t)={lo1(g,t),lo2(g,t),...,lou(g,t),...,loh(g)(g,t)},lou(g,t)表示网络中第u个社区在第g次循环第t次迭代时与外界的连接数目,
luv(g,t)={luv1(g,t),luv2(g,t),...,luvk(g,t)(g,t)},luv(g,t)表示网络中第u个社区与其邻居社区v之间在第g次循环第t次迭代时的连接数目,k(g,t)表示网络中第g次循环第t次迭代时相互连接的社区对的数目;
5f)计算当前网络中的社区u与其邻居社区v融合后所得的改进模块密度增量ΔDuv:
其中,liu表示社区u内节点间的连接数目,lou表示社区u与外界的连接数目,lov表示社区v与外界的连接数目,luv表示社区u与v之间的连接数目,du表示社区u内节点的节点度之和,dv表示社区v内节点的节点度之和,liv表示社区v内节点间的连接数目;
5g)根据改进模块密度增量ΔDuv得到矩阵M(g)中第t个社区p与其所有邻居社区融合所得的p社区融合增量集合ΔDp,并找到集合ΔDp中的最大值对应的邻居社区q;
5h)根据改进模块密度增量ΔDuv得到社区q与其所有邻居社区融合所得的q社区融合增量集合ΔDq;
5i)将p社区融合增量集合ΔDp与q社区融合增量集合ΔDq进行比较:若ΔDp中的最大值大于等于ΔDq中的最大值,则将社区p与社区q融合,即将当前网络社区标签集合f(g,t)中社区p的标签改为邻居社区q的标签,否则,不融合;
5j)给定最大的社区融合迭代次数tmax=h(g),判断当前社区融合迭代次数t是否达到最大的社区融合迭代次数tmax,若达到,则终止迭代,并执行5k),否则,t=t+1,返回到5e)进行下一次迭代;
5k)给定最大循环次数gmax=100,判断当前循环次数g是否达到最大循环次数gmax,若达到,则终止循环,并将最终网络社区标签集合f(gmax,tmax)中的社区展开成最终网络节点标签集合fz={fz1,fz2,...,fzi,...,fzn}输出,其中:
f(gmax,tmax)={f1(gmax,tmax),f2(gmax,tmax),...,fu(gmax,tmax),...,fh(gmax)(gmax,tmax)},
fu(gmax,tmax)表示达到最大循环次数gmax和最大的社区融合迭代次数tmax时网络社区标签集合中第u个社区的标签,u∈{1,2,...,h(gmax)},h(gmax)表示网络中达到最大循环次数gmax时的社区数目,fzi表示达到最大循环次数gmax时网络节点标签集合中第i个节点的标签,i∈{1,2,...,n},n表示网络中的节点数目,否则,g=g+1,返回到5b)进行下一次循环。
本发明与现有技术相比存在以下优点:
1.本发明在社区融合方法之前,首先基于核节点和节点相似度对网络进行划分,可以更有效地利用节点信息。
2.本发明在社区融合过程中,提出一个改进模块密度增量函数作为目标函数,改善了模块度函数本身存在的分辨率问题,减少了陷入局部最优的情况,提高了社区划分效率。
附图说明
图1为本发明使用的空手道实例图;
图2为本发明的实现流程图;
图3为本发明对图1的最终划分结果图;
图4为现有社区融合算法对图1的最终划分结果图。
具体实施方式
参照图1,本发明使用的空手道实例图是由W.W.Zachary在研究大学空手道俱乐部成员之间的社区关系时构建的网络。该俱乐部网络由于俱乐部主任和教练之间的分歧,***成两个不相交的社团。空手道网络由34个俱乐部成员组成,作为网络中的节点,各个成员之间的连线有78条,作为网络中节点间的连线。图1中1到34分别表示空手道网络中的节点编号,菱形和圆形分别表示自然划分的两类社区。
下面结合图2对本发明的具体实施步骤做进一步的详细描述。
参照图2,一种基于核节点和社区融合策略的网络社区划分方法,包括如下步骤:
步骤1,读入一幅网络图S,并生成网络图S对应的邻接矩阵A;
邻接矩阵A表示如下:
其中,aij表示邻接矩阵A中的第i行第j列元素,i∈{1,2,...,n},表示网络中的任意节点,j∈{1,2,...,n},表示网络中的任意节点,n表示网络中节点的数目,
在本发明的实施例中,读入空手道实例图,其网络中节点的数目n=34,生成空手道实例图对应的34×34的邻接矩阵A如下:
步骤2,根据邻接矩阵A计算网络中每个节点的节点度,并根据网络中每个节点的节点度查找网络核节点集合C;
2a)计算网络中第i个节点的节点度di:
其中,aij表示邻接矩阵A中的元素,n表示网络中的节点数目;
2b)将网络中每个节点与其所有邻居节点的节点度进行比较,并将节点度高于其每一个邻居节点的节点选为核节点,选出的所有核节点组成核节点集合C。
在本发明实施例中,空手道网络中查找到的网络核节点集合C由节点1和节点34组成。
步骤3,计算网络核节点集合C中每个核节点与其所有邻居节点的相似度函数值F,并根据相似度函数值F更新的网络节点标签集合f′={f1′,f2′,...,fi′,...,fn′},其中fi′表示网络中第i个节点的标签,i∈{1,2,...,n},n表示网络中节点的数目。
3a)赋给网络中第i个节点一个唯一的标签i,i∈{1,2,...,n},n表示网络中节点的数目;
3b)根据RA指数函数计算网络核节点集合C中每个核节点与其所有邻居节点的相似度函数值F:
其中,i、j分别表示网络中的任意两个不同的节点,co表示第i个节点与第j个节点的共同邻居,∈表示属于符号,N(i)表示第i个节点的邻居集合,∩表示相交操作,N(j)表示第j个节点的邻居集合,d(co)表示节点co的节点度;
3c)给定阈值Ft=1,选出函数值F大于等于给定阈值Ft所对应的邻居节点,并将选出的邻居节点的标签更新为与其连接的核节点的标签,得到更新的网络节点标签集合f′={f1′,f2′,...,fi′,...,fn′}。
在本发明实施例中,得到更新的空手道网络的节点标签集合f′={f1′,f2′,...,fi′,...,fn′},其中,节点2和节点4的标签更新为1,节点33的标签更新为34。
步骤4,将网络节点标签集合f′={f1′,f2′,...,fi′,...,fn′}中相同标签对应的节点组成一个社区,得到当前网络社区标签集合f(1,1)={f1(1,1),f2(1,1),...,fu(1,1),...,fh(1)(1,1)},并记录每个社区中包含的节点,其中,fu(1,1)表示当前网络中第u个社区的标签,u∈{1,2,...,h(1)},h(1)表示当前网络中的社区数目;
在本发明实施例中,空手道网络中现有的社区数目h(1)为31。
步骤5,基于改进模块密度增量ΔD对当前网络中的社区进行迭代社区融合,得到最终的社区划分结果。
具体实现步骤如下:
5a)初始化循环次数g=1;
5b)统计当前网络社区标签集合f(g,1)={f1(g,1),f2(g,1),...,fu(g,1),...,fh(g)(g,1)}中每个社区与外界的连接数目lo(g,1)={lo1(g,1),lo2(g,1),...,lou(g,1),...,loh(g)(g,1)},其中fu(g,1)表示网络中第u个社区在第g次循环时的标签,lou(g,1)表示网络中第u个社区在第g次循环时与外界的连接数目,u∈{1,2,...,h(g)},h(g)表示网络中第g次循环时的社区数目;
5c)将当前网络社区标签集合f(g,1)中的社区按与外界的连接数目lo(g,1)降序排列,得到一个h(g)行2列的矩阵M(g);
矩阵M(g)表示如下:
其中,Mu1(g)表示矩阵M(g)中第u行第1列元素,u∈{1,2,...,h(g)},h(g)表示网络中第g次循环时的社区数目;
在本发明实施例中,第1次循环时空手道网络对应的31行2列的矩阵M(1)如下:
5d)初始化社区融合迭代次数t=1;
5e)分别统计当前网络社区标签集合f(g,t)中每个社区的节点度之和d(g,t)、社区内节点间的连接数目li(g,t)、社区与外界的连接数目lo(g,t)、社区u与其邻居社区v之间的连接数目luv(g,t),其中:
f(g,t)={f1(g,t),f2(g,t),...,fu(g,t),...,fh(g)(g,t)},fu(g,t)表示网络中第u个社区在第g次循环第t次迭代时的标签,
d(g,t)={d1(g,t),d2(g,t),...,du(g,t),...,dh(g)(g,t)},du(g,t)表示网络中第u个社区在第g次循环第t次迭代时的节点度之和,
li(g,t)={li1(g,t),li2(g,t),...,liu(g,t),...,lih(g)(g,t)},liu(g,t)表示网络中第u个社区在第g次循环第t次迭代时社区内节点间的连接数目,
lo(g,t)={lo1(g,t),lo2(g,t),...,lou(g,t),...,loh(g)(g,t)},lou(g,t)表示网络中第u个社区在第g次循环第t次迭代时与外界的连接数目,
luv(g,t)={luv1(g,t),luv2(g,t),...,luvk(g,t)(g,t)},luv(g,t)表示网络中第u个社区与其邻居社区v之间在第g次循环第t次迭代时的连接数目,k(g,t)表示网络中第g次循环第t次迭代时相互连接的社区对的数目;
5f)计算当前网络中的社区u与其邻居社区v融合后所得的改进模块密度增量ΔDuv:
其中,liu表示社区u内节点间的连接数目,lou表示社区u与外界的连接数目,lov表示社区v与外界的连接数目,luv表示社区u与v之间的连接数目,du表示社区u内节点的节点度之和,dv表示社区v内节点的节点度之和,liv表示社区v内节点间的连接数目;
5g)根据改进模块密度增量ΔDuv得到矩阵M(g)中第t个社区p与其所有邻居社区融合所得的p社区融合增量集合ΔDp,并找到集合ΔDp中的最大值对应的邻居社区q;
在本发明实施例中,以空手道网络中第1个社区31为例,根据改进模块密度增量ΔDuv得到社区31与其所有邻居社区融合所得到的社区增量集合ΔD31,找到集合ΔD31中的最大值对应的邻居社区为社区13。
5h)根据改进模块密度增量ΔDuv得到社区q与其所有邻居社区融合所得的q社区融合增量集合ΔDq;
在本发明实施例中,根据改进模块密度增量ΔDuv得到社区13与其所有邻居社区融合所得的社区增量集合ΔD13。
5i)将p社区融合增量集合ΔDp与q社区融合增量集合ΔDq进行比较:若ΔDp中的最大值大于等于ΔDq中的最大值,则将社区p与社区q融合,即将当前网络社区标签集合f(g,t)中社区p的标签改为邻居社区q的标签,否则,不融合;
在本发明实施例中,集合ΔD31中的最大值大于等于集合ΔD13中的最大值,所以,将社区31与社区13融合,即将网络社区划分结果f(g,t)中社区31的标签改为社区13的标签。
5j)给定最大的社区融合迭代次数tmax=h(g),判断当前社区融合迭代次数t是否达到最大的社区融合迭代次数tmax,若达到,则终止迭代,并执行5k),否则,t=t+1,返回到5e)进行下一次迭代;
5k)给定最大循环次数gmax=100,判断当前循环次数g是否达到最大循环次数gmax,若达到,则终止循环,并将最终网络社区标签集合f(gmax,tmax)中的社区展开成最终网络节点标签集合fz={fz1,fz2,...,fzi,...,fzn}输出,其中:
f(gmax,tmax)={f1(gmax,tmax),f2(gmax,tmax),...,fu(gmax,tmax),...,fh(gmax)(gmax,tmax)},
fu(gmax,tmax)表示达到最大循环次数gmax和最大的社区融合迭代次数tmax时网络社区标签集合中第u个社区的标签,u∈{1,2,...,h(gmax)},h(gmax)表示网络中达到最大循环次数gmax时的社区数目,fzi表示达到最大循环次数gmax时网络节点标签集合中第i个节点的标签,i∈{1,2,...,n},n表示网络中的节点数目,否则,g=g+1,返回到5b)进行下一次循环。
本发明的效果可以通过以下仿真实验进一步说明:
1.仿真条件:
本发明采用Matlab R2014a软件在配置为core 2 2.4GHZ、内存2G、WINDOWS 7***的计算机上进行。
2.仿真内容与结果:
仿真1,用本发明对图1所示的空手道实例图进行社区划分,结果如图3。
仿真2,用现有社区融合算法对空手道网络图进行划分,结果如图4。
这两种方法均是把图1划分为三类,其中菱形,圆形以及三角形代表划分后的三个类别。
从图3中可以看出,本发明与图1中的自然形成的社区分类相同,将节点29正确划分到了圆形代表的类别中。
从图4可以看出,现有社区融合算法与图1中的自然形成的社区分类不同,将节点29错误划分到了菱形代表的类别中。
对比图3和图4可以看出,本发明的社区划分方法对网络中社区的划分更为准确。
综上,本发明提出的基于核节点和社区融合策略的网络社区划分方法,首先对网络基于核节点和节点相似度进行划分,并提出一种改进模块密度增量函数作为目标函数,进行迭代社区融合,有效利用了节点信息,克服了现有社区融合算法容易陷入局部最优的缺点,改善了模块度函数本身存在的分辨率问题。
Claims (5)
1.一种基于核节点和社区融合策略的网络社区划分方法,包括如下步骤:
(1)读入一幅网络图S,并生成网络图S对应的邻接矩阵A;
(2)根据邻接矩阵A计算网络中每个节点的节点度,并根据网络中每个节点的节点度查找网络核节点集合C;
(3)赋给网络中第i个节点一个唯一的标签i,i∈{1,2,...,n},n表示网络中节点的数目,计算网络核节点集合C中每个核节点与其所有邻居节点的相似度函数值F,选出该函数值F大于等于给定阈值Ft=1所对应的邻居节点,并将选出的邻居节点的标签更新为与其连接的核节点的标签,得到更新的网络节点标签集合f′={f1′,f2′,...,fi′,...,fn′},其中fi′表示网络中第i个节点的标签;
(4)将网络节点标签集合f′={f1′,f2′,...,fi′,...,fn′}中相同标签对应的节点组成一个社区,得到当前网络社区标签集合f(1,1)={f1(1,1),f2(1,1),...,fu(1,1),...,fh(1)(1,1)},并记录每个社区中包含的节点,其中,fu(1,1)表示当前网络中第u个社区的标签,u∈{1,2,...,h(1)},h(1)表示当前网络中的社区数目;
(5)基于改进模块密度增量ΔD对当前网络中的社区进行迭代融合:
5a)初始化循环次数g=1;
5b)统计当前网络社区标签集合f(g,1)={f1(g,1),f2(g,1),...,fu(g,1),...,fh(g)(g,1)}中每个社区与外界的连接数目lo(g,1)={lo1(g,1),lo2(g,1),...,lou(g,1),...,loh(g)(g,1)},其中fu(g,1)表示网络中第u个社区在第g次循环时的标签,lou(g,1)表示网络中第u个社区在第g次循环时与外界的连接数目,u∈{1,2,...,h(g)},h(g)表示网络中第g次循环时的社区数目;
5c)将当前网络社区标签集合f(g,1)中的社区按与外界的连接数目lo(g,1)降序排列,得到一个h(g)行2列的矩阵M(g);
5d)初始化社区融合迭代次数t=1;
5e)分别统计当前网络社区标签集合f(g,t)中每个社区的节点度之和d(g,t)、社区内节点间的连接数目li(g,t)、社区与外界的连接数目lo(g,t)、社区u与其邻居社区v之间的连接数目luv(g,t),其中:
f(g,t)={f1(g,t),f2(g,t),...,fu(g,t),...,fh(g)(g,t)},fu(g,t)表示网络中第u个社区在第g次循环第t次迭代时的标签,
d(g,t)={d1(g,t),d2(g,t),...,du(g,t),...,dh(g)(g,t)},du(g,t)表示网络中第u个社区在第g次循环第t次迭代时的节点度之和,
li(g,t)={li1(g,t),li2(g,t),...,liu(g,t),...,lih(g)(g,t)},liu(g,t)表示网络中第u个社区在第g次循环第t次迭代时社区内节点间的连接数目,
lo(g,t)={lo1(g,t),lo2(g,t),...,lou(g,t),...,loh(g)(g,t)},lou(g,t)表示网络中第u个社区在第g次循环第t次迭代时与外界的连接数目,
luv(g,t)={luv1(g,t),luv2(g,t),...,luvk(g,t)(g,t)},luv(g,t)表示网络中第u个社区与其邻居社区v之间在第g次循环第t次迭代时的连接数目,k(g,t)表示网络中第g次循环第t次迭代时相互连接的社区对的数目;
5f)计算当前网络中的社区u与其邻居社区v融合后所得的改进模块密度增量ΔDuv:
其中,liu表示社区u内节点间的连接数目,lou表示社区u与外界的连接数目,lov表示社区v与外界的连接数目,luv表示社区u与v之间的连接数目,du表示社区u内节点的节点度之和,dv表示社区v内节点的节点度之和,liv表示社区v内节点间的连接数目;
5g)根据改进模块密度增量ΔDuv得到矩阵M(g)中第t个社区p与其所有邻居社区融合所得的p社区融合增量集合ΔDp,并找到集合ΔDp中的最大值对应的邻居社区q;
5h)根据改进模块密度增量ΔDuv得到社区q与其所有邻居社区融合所得的q社区融合增量集合ΔDq;
5i)将p社区融合增量集合ΔDp与q社区融合增量集合ΔDq进行比较:若ΔDp中的最大值大于等于ΔDq中的最大值,则将社区p与社区q融合,即将当前网络社区标签集合f(g,t)中社区p的标签改为邻居社区q的标签,否则,不融合;
5j)给定最大的社区融合迭代次数tmax=h(g),判断当前社区融合迭代次数t是否达到最大的社区融合迭代次数tmax,若达到,则终止迭代,并执行5k),否则,t=t+1,返回到5e)进行下一次迭代;
5k)给定最大循环次数gmax=100,判断当前循环次数g是否达到最大循环次数gmax,若达到,则终止循环,并将最终网络社区标签集合f(gmax,tmax)中的社区展开成最终网络节点标签集合fz={fz1,fz2,...,fzi,...,fzn}输出,其中:
f(gmax,tmax)={f1(gmax,tmax),f2(gmax,tmax),...,fu(gmax,tmax),...,fh(gmax)(gmax,tmax)},fu(gmax,tmax)表示达到最大循环次数gmax和最大的社区融合迭代次数tmax时网络社区标签集合中第u个社区的标签,u∈{1,2,...,h(gmax)},h(gmax)表示网络中达到最大循环次数gmax时的社区数目,fzi表示达到最大循环次数gmax时网络节点标签集合中第i个节点的标签,i∈{1,2,...,n},n表示网络中的节点数目,否则,g=g+1,返回到5b)进行下一次循环。
2.根据权利要求1所述的基于核节点和社区融合策略的网络社区划分方法,其中步骤(1)中的邻接矩阵A,表示如下:
其中,aij表示邻接矩阵A中的第i行第j列元素,i∈{1,2,...,n},表示网络中的任意节点,j∈{1,2,...,n},表示网络中的任意节点,n表示网络中节点的数目,
3.根据权利要求1所述的基于核节点和社区融合策略的网络社区划分方法,其中步骤(2)中查找网络核节点集合C,是将网络中每个节点与其所有邻居节点的节点度进行比较,并将节点度高于其每一个邻居节点的节点选为核节点。
4.根据权利要求1所述的基于核节点和社区融合策略的网络社区划分方法,其中步骤(3)中节点间的相似度函数值F,是根据RA指数函数计算,其公式如下:
其中,i、j分别表示网络中的任意两个不同的节点,co表示第i个节点与第j个节点的共同邻居,∈表示属于符号,N(i)表示第i个节点的邻居集合,∩表示相交操作,N(j)表示第j个节点的邻居集合,d(co)表示节点co的节点度。
5.根据权利要求1所述的基于核节点和社区融合策略的网络社区划分方法,其中步骤5c)中的h(g)行2列的矩阵M(g),表示如下:
其中,Mu1(g)表示矩阵M(g)中第u行第1列元素,u∈{1,2,...,h(g)},h(g)表示网络中第g次循环时的社区数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610601198.8A CN106301888A (zh) | 2016-07-27 | 2016-07-27 | 基于核节点和社区融合策略的网络社区划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610601198.8A CN106301888A (zh) | 2016-07-27 | 2016-07-27 | 基于核节点和社区融合策略的网络社区划分方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106301888A true CN106301888A (zh) | 2017-01-04 |
Family
ID=57662493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610601198.8A Pending CN106301888A (zh) | 2016-07-27 | 2016-07-27 | 基于核节点和社区融合策略的网络社区划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106301888A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862073A (zh) * | 2017-11-24 | 2018-03-30 | 山西大学 | 一种基于节点重要度和分离度的Web社区划分方法 |
CN108039068A (zh) * | 2018-01-05 | 2018-05-15 | 南京航空航天大学 | 一种基于航班延误传播的加权航空网络社团结构划分方法 |
CN108260155A (zh) * | 2018-01-05 | 2018-07-06 | 西安电子科技大学 | 一种基于时空相似度的无线传感网异常检测方法 |
CN108596778A (zh) * | 2018-05-08 | 2018-09-28 | 南京邮电大学 | 一种基于兴趣空间的社区划分方法 |
CN109255433A (zh) * | 2018-08-28 | 2019-01-22 | 浙江工业大学 | 一种基于相似性的社区检测的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657418A (zh) * | 2014-12-18 | 2015-05-27 | 北京航空航天大学 | 一种基于隶属度传播的复杂网络模糊社团挖掘方法 |
CN105335438A (zh) * | 2014-08-11 | 2016-02-17 | 天津科技大学 | 一种基于局部最短回路的社会网络群体划分方法 |
-
2016
- 2016-07-27 CN CN201610601198.8A patent/CN106301888A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335438A (zh) * | 2014-08-11 | 2016-02-17 | 天津科技大学 | 一种基于局部最短回路的社会网络群体划分方法 |
CN104657418A (zh) * | 2014-12-18 | 2015-05-27 | 北京航空航天大学 | 一种基于隶属度传播的复杂网络模糊社团挖掘方法 |
Non-Patent Citations (3)
Title |
---|
LUCA DONETTI等: "Detecting network communities: a new systematic and efficient algorithm", 《JOURNAL OF STATISTICAL MECHANICS: THEORY AND EXPERIMENT》 * |
TAO ZHOU等: "Predicting missing links via local information", 《THE EUROPEAN PHYSICAL JOURNAL B》 * |
ZHEN LIN等: "Efficient community detection algorithm based on label propagation with community kernel", 《PHYSICA A: STATISTICAL MECHANICS AND ITS APPLICATIONS》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862073A (zh) * | 2017-11-24 | 2018-03-30 | 山西大学 | 一种基于节点重要度和分离度的Web社区划分方法 |
CN107862073B (zh) * | 2017-11-24 | 2021-03-30 | 山西大学 | 一种基于节点重要度和分离度的Web社区划分方法 |
CN108039068A (zh) * | 2018-01-05 | 2018-05-15 | 南京航空航天大学 | 一种基于航班延误传播的加权航空网络社团结构划分方法 |
CN108260155A (zh) * | 2018-01-05 | 2018-07-06 | 西安电子科技大学 | 一种基于时空相似度的无线传感网异常检测方法 |
CN108260155B (zh) * | 2018-01-05 | 2021-05-07 | 西安电子科技大学 | 一种基于时空相似度的无线传感网异常检测方法 |
CN108039068B (zh) * | 2018-01-05 | 2021-08-24 | 南京航空航天大学 | 一种基于航班延误传播的加权航空网络社团结构划分方法 |
CN108596778A (zh) * | 2018-05-08 | 2018-09-28 | 南京邮电大学 | 一种基于兴趣空间的社区划分方法 |
CN108596778B (zh) * | 2018-05-08 | 2022-01-28 | 南京邮电大学 | 一种基于兴趣空间的社区划分方法 |
CN109255433A (zh) * | 2018-08-28 | 2019-01-22 | 浙江工业大学 | 一种基于相似性的社区检测的方法 |
CN109255433B (zh) * | 2018-08-28 | 2021-10-29 | 浙江工业大学 | 一种基于相似性的社区检测的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106301888A (zh) | 基于核节点和社区融合策略的网络社区划分方法 | |
CN107330396B (zh) | 一种基于多属性和多策略融合学习的行人再识别方法 | |
CN107506702A (zh) | 基于多角度的人脸识别模型训练及测试***及方法 | |
CN106997597B (zh) | 一种基于有监督显著性检测的目标跟踪方法 | |
Doumanoglou et al. | Recovering 6D object pose and predicting next-best-view in the crowd | |
Zhong et al. | Visual tracking via weakly supervised learning from multiple imperfect oracles | |
CN105760888B (zh) | 一种基于属性聚类的邻域粗糙集集成学习方法 | |
Tang et al. | RGBT salient object detection: Benchmark and a novel cooperative ranking approach | |
CN110210539A (zh) | 多级深度特征融合的rgb-t图像显著性目标检测方法 | |
CN105389584A (zh) | 基于卷积神经网络与语义转移联合模型的街景语义标注方法 | |
CN104021394B (zh) | 基于AdaBoost算法的绝缘子图像识别方法 | |
CN105426826A (zh) | 一种基于标签噪声纠正的众包标注数据质量提升方法 | |
CN104881735A (zh) | 用于支撑智慧城市运行管理的智能电网大数据挖掘***及方法 | |
CN104715021A (zh) | 一种基于哈希方法的多标记学习的设计方法 | |
CN107392131A (zh) | 一种基于人体骨骼节点距离的动作识别方法 | |
Zhang et al. | Coarse-to-fine object detection in unmanned aerial vehicle imagery using lightweight convolutional neural network and deep motion saliency | |
CN112395957A (zh) | 一种针对视频目标检测的在线学习方法 | |
CN104952073A (zh) | 基于深度学习的镜头边缘检测方法 | |
CN106846378A (zh) | 一种结合时空拓扑估计的跨摄像机目标匹配与跟踪方法 | |
CN105740915A (zh) | 一种融合感知信息的协同分割方法 | |
CN113344256B (zh) | 盾构姿态多自由度运动特性预测和控制性能评估***及方法 | |
CN107609509A (zh) | 一种基于运动显著性区域检测的动作识别方法 | |
CN106294738A (zh) | 一种智能家居场景配置方法 | |
Zhang et al. | Multiscale adaptation fusion networks for depth completion | |
CN103500456B (zh) | 一种基于动态贝叶斯模型网络的对象跟踪方法和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170104 |
|
RJ01 | Rejection of invention patent application after publication |