CN111310290B - 一种节点的社区划分的方法、装置及计算机可读存储介质 - Google Patents

Abstract

本发明公开了一种节点的社区划分的方法、装置及计算机可读存储介质，所述方法包括：获取网络拓扑结构；计算所述网络拓扑结构中的节点i与邻居节点j之间的重要性；利用生成模型、基于节点i与邻居节点j的社区划分系数矩阵，计算节点i与邻居节点j之间的差异性；基于所述节点i与邻居节点j之间的重要性和差异性，确定所述网络拓扑结构的优化链接系数矩阵；基于所述优化链接系数矩阵，确定所述节点i的社区划分结果。

Description

一种节点的社区划分的方法、装置及计算机可读存储介质

技术领域

本发明涉及数据挖掘，尤其涉及一种节点的社区划分的方法、装置及计算机可读存储介质。

背景技术

现有技术中，对节点进行社区划分采用方法包括：模块度、随机游走、中心度，以上方法都是给定一个目标函数或者采用一些启发式的算法把节点分配到不同的社区里面，但是上述判别式的算法没有考虑到真实网络结构如何生成，例如，如图1所示，按照现有技术，社团划分的结果肯定如图2所示，毕竟节点I与F、N看起来比I与G、J确实“紧密”一些。但是在现实中，I可不想这样子，以I的性格，它情愿放弃F和N，因为这两个节点并没有庞大的拓扑，I将会用更多的“精力”放在G和J，特别J点上，因为J有更庞大的拓扑，能够为I的资源流动带来好处，G和J的桥接重要性不容忽视，而这种重要性跟中心性一样重要。

发明内容

为解决上述技术问题，本发明实施例提供了一种节点的社区划分的方法、装置及计算机可读存储介质。

本发明实施例提供的一种节点的社区划分的方法，包括：

获取网络拓扑结构；

计算所述网络拓扑结构中的节点i与邻居节点j之间的重要性；

利用生成模型、基于节点i与邻居节点j的社区划分系数矩阵，计算节点i与邻居节点j之间的差异性；

基于所述节点i与邻居节点j之间的重要性和差异性，确定所述网络拓扑结构的优化链接系数矩阵；

基于所述优化链接系数矩阵，确定所述节点i的社区划分结果。

其中，所述计算所述网络拓扑结构中的节点i与邻居节点之间的重要性，包括：

计算节点i对邻居节点j的约束系数C_ij：

其中，D表示所述网络拓扑结构的节点集合，p_ij表示节点i为维持节点j的邻居关系所投入的精力占总精力的比例，节点q为节点i与节点j的共同邻居节点，p_iq表示节点i为维持邻居节点q所投入的精力占总精力的比例，p_qj表示节点j为维持邻居节点q所投入的精力占总精力的比例。

其中，所述利用生成模型，基于节点i与邻居节点j的社区划分系数矩阵，计算节点i与邻居节点j之间的差异性，包括：

计算节点i与邻居节点j之间的差异性α：

其中，c_i为节点i的社区划分系数矩阵，c_j为节点j的社区划分系数矩阵，‖·‖_F为矩阵范数。

其中，所述基于所述节点i的重要性和所述节点i与邻居节点j之间的差异性，确定所述网络拓扑结构的优化链接系数矩阵，包括：

构建目标函数minL：

其中，A为所述网络拓扑结构的引入结构洞约束系数的邻接矩阵，A'为所述网络拓扑结构的第k次生成模型的邻接矩阵；

随机选取所述网络拓扑结构中的节点，作为参与迭代的初始节点；

对所述网络拓扑结构的生成模型进行迭代，当得到所述目标函数的局部最优解时停止迭代，输出此时生成模型对应的链接系数矩阵，作为所述优化链接系数矩阵。

其中，基于所述优化链接系数矩阵，确定所述节点i的社区划分结果，包括：

基于多次选取不同的所述参与迭代的初始节点，确定节点i的多个社区的划分；

分别计算节点i划分到所述多个社区中每一个社区的概率，以最大的概率对应的社区作为所述社区划分结果。

本发明实施例提供的一种节点的社区划分的装置，包括：

获取模块，用于获取网络拓扑结构；

重要性模块，用于计算所述网络拓扑结构中的节点i与邻居节点j之间的重要性；

差异性模块，用于利用生成模型、基于节点i与邻居节点j的社区划分系数矩阵，计算节点i与邻居节点j之间的差异性；

优化模块，基于所述节点i与邻居节点j之间的重要性和差异性，确定所述网络拓扑结构的优化链接系数矩阵；

确定模块，用于基于所述优化链接系数矩阵，确定所述节点i的社区划分结果。

其中，所述重要性模块中，所述计算所述网络拓扑结构中的节点i与邻居节点之间的重要性，包括：

计算节点i对邻居节点j的约束系数C_ij：

其中，D表示所述网络拓扑结构的节点集合，p_ij表示节点i为维持节点j的邻居关系所投入的精力占总精力的比例，节点q为节点i与节点j的共同邻居节点，p_iq表示节点i为维持邻居节点q所投入的精力占总精力的比例，p_qj表示节点j为维持邻居节点q所投入的精力占总精力的比例。

其中，所述差异性模块中，所述利用生成模型、基于节点i与邻居节点j的社区划分系数矩阵，计算节点i与邻居节点j之间的差异性，包括：

计算节点i与邻居节点j之间的差异性α：

其中，c_i为节点i的社区划分系数矩阵，c_j为节点j的社区划分系数矩阵，‖·‖_F为矩阵范数。

其中，所述优化模块中，所述基于所述节点i的重要性和所述节点i与邻居节点j之间的差异性，确定所述网络拓扑结构的优化链接系数矩阵，包括：

构建目标函数minL：

其中，A为所述网络拓扑结构的引入结构洞约束系数的邻接矩阵，A'为所述网络拓扑结构的第k次生成模型的邻接矩阵；

随机选取所述网络拓扑结构中的节点，作为参与迭代的初始节点；

对所述网络拓扑结构的生成模型进行迭代，当得到所述目标函数的局部最优解时停止迭代，输出此时生成模型对应的链接系数矩阵，作为所述优化链接系数矩阵。

其中，所述确定模块中，所述基于所述优化链接系数矩阵，确定所述节点i的社区划分结果，包括：

基于多次选取不同的所述参与迭代的初始节点，确定节点i的多个社区的划分；

分别计算节点i划分到所述多个社区中每一个社区的概率，以最大的概率对应的社区作为所述社区划分结果。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现前述社区划分的方法中任一项步骤。

本发明实施例的技术方案中，将自身的待测频点信息向第一网络侧网元发送，其中，所述待测频点信息包括：FR1的频点列表、或FR2的频点列表，或FR1和FR2的频点列表。如此，实现了在第二网络侧网元需要做异频测量之前没有收到第一网络侧网元关于gaptype或gappattern的测量配置的情况下进行测量配置。

本发明实施例的技术方案中，获取网络拓扑结构；计算所述网络拓扑结构中的节点i与邻居节点j之间的重要性；利用生成模型、基于节点i与邻居节点j的社区划分系数矩阵，计算节点i与邻居节点j之间的差异性；基于所述节点i与邻居节点j之间的重要性和差异性，确定所述网络拓扑结构的优化链接系数矩阵；基于所述优化链接系数矩阵，确定所述节点i的社区划分结果。如此，综合了节点与相邻节点的重要性以及差异性两个因素来进行社区划分，节点间的差异性对重要性起到纠正作用，以使结果更贴近期望的社区划分。

附图说明

附图以示例而非限制的方式大体示出了本文中所讨论的各个实施例；

图1为网络拓扑结构示意图；

图2为现有技术中的社区划分示意图；

图3为本发明实施例的真实社区划分与社区生成模型的示意图；

图4为本发明实施例的一种社区划分的方法的流程示意图

图5为本发明实施例的一种社区划分的装置的结构示意图；

图6为本发明实施例的一种社区划分的装置的结构示意图。

具体实施方式

为了能够更加详尽地了解本发明实施例的特点与技术内容，下面结合附图对本发明实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本发明实施例。

下面详细阐述本发明的实现原理：

步骤1，基于结构洞约束系数的节点的重要性计算。

针对图1所示的网络拓扑结构，I作为网络中度数最多的节点，本发明实施例以I为种子节点，计算它对各节点的影响程度，以便划分以I为中心的社团。根据Burt对网络节点形成的结构洞的约束系数定义。C_IA是评价节点I对节点A重要性，节点I的邻居为Г(I)＝{A,B,C,D,E,F,G,H}，如果根据传统理论来说，I仅仅影响与自己邻接的接点，而对于非邻接的节点的影响力微乎其微；殊不知，如果非邻接的接点具有比较“强大”的拓扑结构，I是很愿意“花费”一定的精力去“维护”这些非邻接的节点的，毕竟这才是真实社会的社团划分。

为了衡量上述节点J和G的这种特性，本发明实施例采用了结构洞约束系数。先作如下定义：p_ij表示节点i为维持节点j的邻居关系所投入的精力占总精力的比例，节点q为节点i与节点j的共同邻居节点，p_iq表示节点i为维持邻居节点q所投入的精力占总精力的比例，p_qj表示节点j为维持邻居节点q所投入的精力占总精力的比例。

以图1为例，按照上述定义可以得到：

其中，公式(1)表示节点I对所有邻居节点的精力分配情况，公式(2)表示节点I对A的精力分配情况，

同理可以得到C_IB，C_IC，……。可见C_IH越大，说明I对节点H的投入精力越多，说明H对I重要性越高，同时，如果节点之间的重要性程度越高，那么节点的局部差异性应该越小，为了保证节点i和j最后会分在同一个社团里面，本发明实施例采用正则项对局部差异性进行衡量。节点i和节点j的局部差异性正则项为：

其中，c_i为节点i的社区划分系数矩阵，c_j为节点j的社区划分系数矩阵，‖·‖_F为矩阵范数。具体地，c_i为i节点被划分在某个社区L里面，与社区L中各个节点构成的链接系数矩阵，其中，两个节点连通为1，不连接则为0，另外需要说明的是：以图3下半幅图为例，当节点a和q被划分到了社区J之后，那么节点i就不与节点a或q产生关系了。本发明实施例期望得到节点的局部差异性尽可能小，即求c_i与c_j链接系数矩阵的差异性最小值，如公式(4)采用Frobenius范数进行计算，再将节点的投入精力和差异性结合起来，即结合上述约束系数c_ij，得到将局部投入精力较大的节点划分到同一社区中的概率：

步骤2，基于生成模型得到优化链接系数矩阵。

对于图1的无向网络G(V，E)，其中V为节点的集合，E为边的集合。社区生成模型的思路是利用网络G的邻接矩阵挖掘出K个社区，假定A’表示挖掘K个社区之后的邻接矩阵，我们的目标是的A与A’差异越小越好，这种差异可以通过KL离散度或者最小平方误差来衡量，下面以最小平方误差进行说明：

假如节点i隶属于社区k，其概率为X_ki，本专利采用生成模型来生成期望的邻接矩阵A’：随机任意选择一个社区k，然后社区k以概率X_ki和X_kj选择关联的节点i和节点j，那么i和j形成一条边，边的权重为X_ki和X_kj；那么节点i和节点j之间在所有社区中的权重为：

目标函数：

如果节点i和节点j隶属于同一个社区k，那么概率X_ki和X_kj应该较大，但是，对于上述的公式(7)，每一个节点都用相同的权重1来考虑节点之间的连接，这里并没有真正考虑到一些重要节点的连接强度较强，模型无法保证具有连接性较大的节点划分到同一个社区内。因此，本发明实施例引用结构洞约束系数，结合公式(5)与公式(7)，保证生成模型中A与A’差异性小的同时也考虑到了节点的重要性，本发明实施例构建的目标函数minL：

其中，A为所述网络拓扑结构的引入结构洞约束系数的邻接矩阵，A'为所述网络拓扑结构的第k次生成模型的邻接矩阵。具体地，表1为针对图3中的网络拓扑结构引入结构洞约束系数的邻接矩阵A：

表1

实际应用中，针对公式(8)是求解一个非凸不等式约束的优化结果，一般通过更新迭代的方式获得一个局部最优解。本专利采用随机选取初始的节点进行迭代更新，可采用多次(一般可设置为20次)选取不同的初始节点实现最优求解，并对每一个节点的社区划分情况进行概率的计算，以最大概率的分配原则作为最终的节点社区划分结果。

步骤4，社区划分结果分析。

在社区划分结果中，有可能同一个节点i，经过多次划分，被划分到两个不同的社区中(20次中有10次分到A社区，还有10次分到B社区)，这种结果可以默认节点i同时属于A社区和B社区。这样划分的结果有可能是重复社团划分。同属于两个不同社团的节点作为一个中间、中介角色存在；还有一些节点，可能在划分的过程中，在多个社团徘徊(节点j在A社团中出现2次，在B社团中出现3次，在C社团出现3次……)，对于这种节点j其实是异常社团，它不属于任何社团，在分析的时候要排除在外面；还有一些具有中心性的节点，在划分的时候比较稳定，且具有较多的节点与之关联，这种节点作为一种重要节点，需要重点对待。

图4为本发明实施例的一种节点的划分方法的流程示意图，所述划分方法包括以下步骤：

步骤401：获取网络拓扑结构。

这里首先获取待划分节点所构成的网络拓扑图，具体地，可以根据节点的连接关系，构建无向网络G(V，E)，其中V为节点的集合，E为边的集合。

步骤402，计算所述网络拓扑结构中的节点i与邻居节点j之间的重要性。

在一个实施例中，所述计算所述网络拓扑结构中的节点i与邻居节点之间的重要性，包括：

计算节点i对邻居节点j的约束系数C_ij：

其中，D表示所述网络拓扑结构的节点集合，p_ij表示节点i为维持节点j的邻居关系所投入的精力占总精力的比例，节点q为节点i与节点j的共同邻居节点，p_iq表示节点i为维持邻居节点q所投入的精力占总精力的比例，p_qj表示节点j为维持邻居节点q所投入的精力占总精力的比例。

步骤403，利用生成模型、基于节点i与邻居节点j的社区划分系数矩阵，计算节点i与邻居节点j之间的差异性。

在一个实施例中，所述利用生成模型，基于节点i与邻居节点j的社区划分系数矩阵，计算节点i与邻居节点j之间的差异性，包括：

计算节点i与邻居节点j之间的差异性α：

其中，c_i为节点i的社区划分系数矩阵，c_j为节点j的社区划分系数矩阵，‖·‖_F为矩阵范数。

本发明实施例中，本发明实施例采用的生成模型是一种非监督的方法，不需要人工进行任何标注。

步骤404，基于所述节点i与邻居节点j之间的重要性和差异性，确定所述网络拓扑结构的优化链接系数矩阵。

在一个实施例中，所述基于所述节点i的重要性和所述节点i与邻居节点j之间的差异性，确定所述网络拓扑结构的优化链接系数矩阵，包括：

构建目标函数minL：

其中，A为所述网络拓扑结构的引入结构洞约束系数的邻接矩阵，A'为所述网络拓扑结构的第k次生成模型的邻接矩阵；

随机选取所述网络拓扑结构中的节点，作为参与迭代的初始节点；

对所述网络拓扑结构的生成模型进行迭代，当得到所述目标函数的局部最优解时停止迭代，输出此时生成模型对应的链接系数矩阵，作为所述优化链接系数矩阵。

本实施例中，也可以通过选取网络拓扑结构中，精力投入最多的节点作为种子节点进行迭代运算，例如以图1为例，可以选取节点I作为种子节点。可以通过计算机模拟不同的生成模型(不同的社区划分以及根据重要性不同而构建的不同的节点连接关系)，筛选满足在设定的鉴别器条件下(例如设定：度满足一定的条件，和/或结构洞约束系数满足一定的条件等)，得到的生成模型，并计算目标函数，如果达到指定的范围就停止迭代，否则继续更新生成模型(更新c_i，c_j，C_ij)。

本实施例中，采用正则项来衡量局部差异性，并通过正则项来修正结构洞约束系数，进而体现出投入精力大的相连接的两个节点需要划分在同一个社区，正则项很好体现这种惩罚的措施，如果投入精力多而划分到不同的社团，那么惩罚措施(正则项)就起到纠正的作用。

本实施例中，用修正的结构洞系数结合修正生成模型中每一个连接的权重，这样更好体现了节点i与节点j的连接概率不是为1，而是有天然的连接关系来限定的，这样保证投入精力大的节点更有可能会划分到同一个社区中，而不是被随机分到不同的社区中。

步骤405，基于所述优化链接系数矩阵，确定所述节点i的社区划分结果。

在一个实施例中，基于所述优化链接系数矩阵，确定所述节点i的社区划分结果，包括：基于多次选取不同的所述参与迭代的初始节点，确定节点i的多个社区的划分；分别计算节点i划分到所述多个社区中每一个社区的概率，以最大的概率对应的社区作为所述社区划分结果。具体地，例如节点i有10次分配到A社区，有5次分配到B社区，有1次分配到F社区，那么经过概率统计，最后确定节点i归属于A社区。

图5为本发明实施例的一种社区划分的装置的结构示意图，社区划分的装置500包括：

获取模块501，用于获取网络拓扑结构；

重要性模块502，用于计算所述网络拓扑结构中的节点i与邻居节点j之间的重要性；

差异性模块503，用于利用生成模型、基于节点i与邻居节点j的社区划分系数矩阵，计算节点i与邻居节点j之间的差异性；

优化模块504，基于所述节点i与邻居节点j之间的重要性和差异性，确定所述网络拓扑结构的优化链接系数矩阵；

确定模块505，用于基于所述优化链接系数矩阵，确定所述节点i的社区划分结果。

在一个实施例中，重要性模块502中，所述计算所述网络拓扑结构中的节点i与邻居节点之间的重要性，包括：

计算节点i对邻居节点j的约束系数C_ij：

其中，D表示所述网络拓扑结构的节点集合，p_ij表示节点i为维持节点j的邻居关系所投入的精力占总精力的比例，节点q为节点i与节点j的共同邻居节点，p_iq表示节点i为维持邻居节点q所投入的精力占总精力的比例，p_qj表示节点j为维持邻居节点q所投入的精力占总精力的比例。

在一个实施例中，差异性模块503中，所述利用生成模型、基于节点i与邻居节点j的社区划分系数矩阵，计算节点i与邻居节点j之间的差异性，包括：

计算节点i与邻居节点j之间的差异性α：

其中，c_i为节点i的社区划分系数矩阵，c_j为节点j的社区划分系数矩阵，‖·‖_F为矩阵范数。

在一个实施例中，优化模块504中，所述基于所述节点i的重要性和所述节点i与邻居节点j之间的差异性，确定所述网络拓扑结构的优化链接系数矩阵，包括：

构建目标函数minL：

其中，A为所述网络拓扑结构的引入结构洞约束系数的邻接矩阵，A'为所述网络拓扑结构的第k次生成模型的邻接矩阵；

随机选取所述网络拓扑结构中的节点，作为参与迭代的初始节点；

对所述网络拓扑结构的生成模型进行迭代，当得到所述目标函数的局部最优解时停止迭代，输出此时生成模型对应的链接系数矩阵，作为所述优化链接系数矩阵。

在一个实施例中，确定模块505中，所述基于所述优化链接系数矩阵，确定所述节点i的社区划分结果，包括：

基于多次选取不同的所述参与迭代的初始节点，确定节点i的多个社区的划分；

分别计算节点i划分到所述多个社区中每一个社区的概率，以最大的概率对应的社区作为所述社区划分结果。

本领域技术人员应当理解，图5所示的社区划分的装置500中的各模块的实现功能可参照社区划分的方法的相关描述而理解。图5所示的社区划分的装置500中的各模块的功能可通过运行于处理器上的程序而实现，也可通过具体的逻辑电路而实现。

图6是本发明实施例的一种社区划分的装置的结构示意图，图6所示的社区划分的装置600设置在所述终端上，包括：至少一个处理器601、存储器602、用户接口603、至少一个网络接口604。社区划分的装置600中的各个组件通过总线系统605耦合在一起。可理解，总线系统605用于实现这些组件之间的连接通信。总线系统605除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图6中将各种总线都标为总线系统605。

其中，用户接口603可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。

本发明实施例中的存储器602用于存储各种类型的数据以支持社区划分的装置600的操作。这些数据的示例包括：用于在社区划分的装置600上操作的任何计算机程序，如操作系统6021和应用程序6022；其中，操作系统6021包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序6022可以包含各种应用程序，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序6022中。

上述本发明实施例揭示的方法可以应用于处理器601中，或者由处理器601实现。处理器601可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器601中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器601可以是通用处理器、数字信号处理器，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器601可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器602，处理器601读取存储器602中的信息，结合其硬件完成前述方法的步骤。

可以理解，存储器602可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可评论显示可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可评论显示可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器602旨在包括但不限于这些和任意其它适合类型的存储器。

基于本申请各实施例提供的社区划分的方法，本申请还提供一种计算机可读存储介质，参照图6所示，所述计算机可读存储介质可以包括：用于存储计算机程序的存储器602，上述计算机程序可由社区划分的装置600的处理器601执行，以完成前述方法所述步骤。计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。

需要说明的是：本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种节点的社区划分的方法，其特征在于，所述方法包括：

获取网络拓扑结构；

计算所述网络拓扑结构中的节点i与邻居节点j之间的重要性；

利用生成模型、基于节点i与邻居节点j的社区划分系数矩阵，计算节点i与邻居节点j之间的差异性；

基于所述节点i与邻居节点j之间的重要性和差异性，确定所述网络拓扑结构的优化链接系数矩阵；

基于所述优化链接系数矩阵，确定所述节点i的社区划分结果；

其中，

所述利用生成模型，基于节点i与邻居节点j的社区划分系数矩阵，计算节点i与邻居节点j之间的差异性，包括：

计算节点i与邻居节点j之间的差异性α：

其中，c_i为节点i的社区划分系数矩阵，c_j为节点j的社区划分系数矩阵，||·||_F为矩阵范数；

所述基于所述节点i的重要性和所述节点i与邻居节点j之间的差异性，确定所述网络拓扑结构的优化链接系数矩阵，包括：

构建目标函数min L：

其中，A为所述网络拓扑结构的引入结构洞约束系数的邻接矩阵，A'为所述网络拓扑结构的第k次生成模型的邻接矩阵，C_ij为节点i对邻居节点j的约束系数；

随机选取所述网络拓扑结构中的节点，作为参与迭代的初始节点；

对所述网络拓扑结构的生成模型进行迭代，当得到所述目标函数的局部最优解时停止迭代，输出此时生成模型对应的链接系数矩阵，作为所述优化链接系数矩阵。

2.根据权利要求1所述的社区划分的方法，其特征在于，所述计算所述网络拓扑结构中的节点i与邻居节点之间的重要性，包括：

计算节点i对邻居节点j的约束系数C_ij：

其中，D表示所述网络拓扑结构的节点集合，p_ij表示节点i为维持节点j的邻居关系所投入的精力占总精力的比例，节点q为节点i与节点j的共同邻居节点，p_iq表示节点i为维持邻居节点q所投入的精力占总精力的比例，p_qj表示节点j为维持邻居节点q所投入的精力占总精力的比例。

3.根据权利要求1所述的社区划分的方法，其特征在于，基于所述优化链接系数矩阵，确定所述节点i的社区划分结果，包括：

基于多次选取不同的所述参与迭代的初始节点，确定节点i的多个社区的划分；

分别计算节点i划分到所述多个社区中每一个社区的概率，以最大的概率对应的社区作为所述社区划分结果。

4.一种节点的社区划分的装置，其特征在于，所述装置包括：

获取模块，用于获取网络拓扑结构；

重要性模块，用于计算所述网络拓扑结构中的节点i与邻居节点j之间的重要性；

差异性模块，用于利用生成模型、基于节点i与邻居节点j的社区划分系数矩阵，计算节点i与邻居节点j之间的差异性；

优化模块，基于所述节点i与邻居节点j之间的重要性和差异性，确定所述网络拓扑结构的优化链接系数矩阵；

确定模块，用于基于所述优化链接系数矩阵，确定所述节点i的社区划分结果；

其中，

所述利用生成模型，基于节点i与邻居节点j的社区划分系数矩阵，计算节点i与邻居节点j之间的差异性，包括：

计算节点i与邻居节点j之间的差异性α：

其中，c_i为节点i的社区划分系数矩阵，c_j为节点j的社区划分系数矩阵，||·||_F为矩阵范数；

所述基于所述节点i的重要性和所述节点i与邻居节点j之间的差异性，确定所述网络拓扑结构的优化链接系数矩阵，包括：

构建目标函数min L：

其中，A为所述网络拓扑结构的引入结构洞约束系数的邻接矩阵，A'为所述网络拓扑结构的第k次生成模型的邻接矩阵，C_ij为节点i对邻居节点j的约束系数；

随机选取所述网络拓扑结构中的节点，作为参与迭代的初始节点；

对所述网络拓扑结构的生成模型进行迭代，当得到所述目标函数的局部最优解时停止迭代，输出此时生成模型对应的链接系数矩阵，作为所述优化链接系数矩阵。

5.根据权利要求4所述的社区划分的装置，其特征在于，所述重要性模块中，所述计算所述网络拓扑结构中的节点i与邻居节点之间的重要性，包括：

计算节点i对邻居节点j的约束系数C_ij：

其中，D表示所述网络拓扑结构的节点集合，p_ij表示节点i为维持节点j的邻居关系所投入的精力占总精力的比例，节点q为节点i与节点j的共同邻居节点，p_iq表示节点i为维持邻居节点q所投入的精力占总精力的比例，p_qj表示节点j为维持邻居节点q所投入的精力占总精力的比例。

6.根据权利要求4所述的社区划分的装置，其特征在于，所述确定模块中，所述基于所述优化链接系数矩阵，确定所述节点i的社区划分结果，包括：

基于多次选取不同的所述参与迭代的初始节点，确定节点i的多个社区的划分；

分别计算节点i划分到所述多个社区中每一个社区的概率，以最大的概率对应的社区作为所述社区划分结果。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至3任一项所述社区划分的方法的步骤。

Images