CN111464343A - 一种基于平均互信息的最大派系贪心扩展社区发现方法及系统 - Google Patents
一种基于平均互信息的最大派系贪心扩展社区发现方法及系统 Download PDFInfo
- Publication number
- CN111464343A CN111464343A CN202010204588.8A CN202010204588A CN111464343A CN 111464343 A CN111464343 A CN 111464343A CN 202010204588 A CN202010204588 A CN 202010204588A CN 111464343 A CN111464343 A CN 111464343A
- Authority
- CN
- China
- Prior art keywords
- community
- seed
- maximum
- nodes
- mutual information
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000005192 partition Methods 0.000 claims description 13
- 238000000638 solvent extraction Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000013441 quality evaluation Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
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
- H04L41/0803—Configuration setting
Abstract
本发明申请公开了一种基于平均互信息的最大派系贪心扩展社区发现方法及系统,AMI‑GCE方法是基于派系的局部扩展社区检测方法,该方法首先会找出复杂网络中的所有最大派系并设置为种子社区,然后再对每一个派系进行局部扩展,每个派系经过扩展后都形成一个稳定的社区结构。在对每一个派系进行扩展时使用了适应度函数与平均互信息相结合的划分标准来判断,选择该派系的邻接点中符合标准的节点加入该派系。重复以上所有的步骤直到所有的种子社区都扩展完毕,此时经过扩展后得到的所有稳定的社区结构就是该复杂网络的社区。不仅考虑了网络中的节点信息,也考虑了节点间的连接信息,有效地提高了社区划分的准确性。
Description
技术领域
本发明申请涉及社区划分质量评价领域,具体涉及一种基于平均互信息的最大派系贪心扩展社区发现方法及系统。
背景技术
近年来,互联网与物联网技术发展迅猛,与此同时,对于复杂网络的研究也成为多个领域的研究热点。复杂网络是指多样、多变以及大规模的网络,具有自组织、自相似、吸引子、小世界效应、无标度性等特性,可以使用拓扑图对其进行建模,建模后由数量巨大的点集以及错综复杂的边集构成。现实生活中有很多这样的复杂网络,比如电力系统、神经网络、社交网络、交通网络、计算机网络等。在社区划分中,社区划分系统通常会构造并评判多种社区结构,并从一种社区结构演变到另一种社区结构。优化社区划分系统的关键是找到一种社区划分质量评价方法,通过该评价方法优化社区划分系统,从而提高社区划分系统的准确性。许多不同种类的优秀社区发现方法也相继被提出。例如派系过滤类方法,该类方法以派系是社区的基本组成单元为出发点进行社区发现;局部扩展类方法,该类方法以社区是由部分中心节点组成为出发点,通过对社区增删节点来完成社区发现。这两类方法一般存在着以下三个缺点:(1)准确度不够高;(2)仅考虑了复杂网络中节点间的连接信息;(3)仅适用于发现重叠社区。
发明内容
本发明申请的目的是针对现有技术的不足,提供了一种基于平均互信息的最大派系贪心扩展社区发现方法,从社区划分质量评价的角度出发,将平均互信息与适应度通过加权的方式进行结合,不仅考虑了网络中的节点信息,也考虑了节点间的连接信息,从而有效地提高了社区划分的准确性。同时本发明申请还公开了一种基于平均互信息的最大派系贪心扩展社区发现方法的系统。
本发明的目的至少通过如下技术方案之一实现。
一种基于平均互信息的最大派系贪心扩展社区发现方法,包括以下步骤:
S1、服务器接收社区划分请求;
S2、利用网络边集V生成网络图;
S3、在网络图中找出所有最大派系;
S4、对所有最大派系进行筛选,筛选后的最大派系初始化为网络图的种子社区集合;
S5、对种子社区集合进行排序,并维持一个已确定社区集合;
S6、从排序后的种子社区集合中选择种子社区S;
S7、判断种子社区S与已确定社区之间的间距是否小于设定的阈值,若是,则进行步骤S6,否则进行步骤S8;
S8、遍历种子社区S的所有邻接节点,并选择合适的邻接节点加入种子社区,直到无合适邻接节点即扩展完毕成为稳定社区CS;
S9、判断稳定社区CS与已确定社区之间的间距是否小于设定的阈值,若是,则进行步骤S6,否则进行S10;
S10、重复步骤S6至S9,直到种子社区集合所有种子社区遍历完毕,得到重叠社区划分结果;
S11、若用户请求为非重叠社区,则对重叠点进行处理,得到非重叠社区划分结果;
S12、遍历网络所有未被遍历的节点,使节点尽可能得到划分;
S13、输出最终的社区划分结果。
进一步地,步骤S3的具体过程为:确定最大派系的节点个数为k,利用算法找出网络图中包含有k个节点的所有最大派系。
进一步地,步骤S4中,对步骤S3所得到的最大派系根据社区间距公式δE两两间计算并比较进行筛选,若小于设定的阈值∈,则丢弃当前种子社区,并选取下一种子社区。
进一步地,步骤S5中所述排序为对种子社区集合中的社区根据所含节点个数从多到少进行排序。
进一步地,步骤S7中,种子社区S与已确定社区之间的间距δE(S,S′)=1-|S∩S′|/min(|S|,|S′|),若小于设定的阈值∈,则丢弃当前社区,并选取下一种子社区。
进一步地,步骤S8中所述选择合适的邻接节点的具体过程为:用户在步骤S1时输入参数μ和参数α,
使用用户输入的参数μ和参数α计算当前种子社区S的AFS值,遍历种子社S的所有邻接节点,并取邻接节点加入种子社区后得到的社区S′的AFS′最大值,如果AFS<AFS′,那么将对应的邻接节点加入到社区S中,若AFS>AFS′,则当前的种子社区扩展成稳定社区,其中,AFS=μ*IP+(1-μ)*FS,为修正后的评价函数,其中Ip=ω*I(X;Y),X表示划分前复杂网络的社区结构,Y表示划分后复杂网络的社区结构,ω表示社区划分前后复杂网络的社区结构关联性,I(X;Y)表示社区结构X和Y的平均互信息值;其中表示头尾节点都在社区S中的边的数量的两倍,表示只有一个节点在社区S中的边的数量,参数α为可调参数,值越小社区越大,参数μ为人为设定,其表示的是在对种子社区进行扩展时考虑节点信息的多少。
进一步地,步骤S9中,稳定社区CS与已确定社区之间的间距为δE(S,S′)=1-|S∩S′|/min(|S|,|S′|)。
进一步地,根据用户输入的是否重叠社区参数来决定是否进行步骤S11,若则说明最后输出的结果为重叠社区,不进行步骤S11;若进行步骤S11,输出的结果为非重叠社区,此时使用WFA值来对重叠点进行最后的划分,其中, IP表示重叠点加入某一社区后整个社区结构的平均互信息,表示第i个社区的适应度值,WFA表示划分后的社区结构中各社区适应度值总和与相应平均互信息值的加权平均值。
进一步地,步骤12的具体过程为:遍历网络中的剩余节点,计算比较WFA值以确定最终的划分社区,直到所有节点划入社区结构或无法再扩展更多节点为止,这样就能尽可能地对网络节点进行划分。
同时,本发明公开了一种应用于上述基于平均互信息的最大派系贪心扩展社区发现方法的系统,所述系统包括客户端和服务器,所述客户端用户发送社区划分请求以及数据,其中服务器包括以下模块:
请求接收模块:用于接收客户端发送的社区划分请求以及数据;
网络图生成模块:用于利用接收的网络边集生成网络图;
最大派系搜索模块:用于在网络图中找到所有符合用户要求的所有最大派系;
社区间距计算模块:用于计算社区间的距离;
平均互信息计算模块:用于计算平均互信息值,得到互信息结果;
适应度计算模块:用于适应度值;
AFS计算模块:用于计算AFS值和AFS′值;
WFA计算模块:用于计算WFA值;
非重叠社区处理模块:用于对重叠节点进行最后归属社区的划分,以得到非重叠划分结果;
剩余节点处理模块:用于对剩余未划分节点的进行最后的划分处理,以尽可能对网络中的节点划分;
输出模块:用于将最终的社区划分结果发送至客户端。
本申请与现有技术相比,具有以下的有益效果:
1、本发明申请通过在社区划分系统中引入基于平均互信息的最大派系贪心扩展社区发现方法,该方法是基于派系的局部扩展社区检测方法,首先会找出复杂网络中的所有最大派系并设置为种子社区,然后再对每一个派系进行局部扩展,每个派系经过扩展后都形成一个稳定的社区结构。在对每一个派系进行扩展时使用了适应度函数与平均互信息相结合的划分标准来判断,选择该派系的邻接节点中符合标准的节点加入该派系。重复以上所有的步骤直到所有的种子社区都扩展完毕,此时经过扩展后得到的所有稳定的社区结构就是该复杂网络的社区。该方法同时考虑了网络中的节点信息与节点间的连接信息,有效地提高了社区划分的准确性。
2、本发明申请采用基于平均互信息的最大派系贪心扩展社区发现方法,该方法相对于其它社区发现方法而言,具有更好的准确性。
附图说明
图1为本发明实施例基于平均互信息的最大派系贪心扩展社区发现方法的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例:
本发明实施例在基于派系的局部扩展社区发现方法的基础上,加入了基于平均互信息的社区合并方法。首先找出复杂网络中的所有最大派系,并设置为种子社区集合;在种子社区集合中依次按照节点数量从大到小排序,并选择数量最多的种子社区进行扩展;遍历种子社区的所有邻接节点,并筛选出合适的邻接节点加入到种子社区进行扩展,扩展完毕后形成稳定社区;重复以上步骤直至种子社区集合中的所有种子社区均遍历完毕,此时得到所有的稳定社区就是该网络最终的社区划分结果。
本发明实施例另外提供了一种基于平均互信息的最大派系贪心扩展社区发现系统,所述系统包括客户端和服务器,其中,客户端用于发送社区划分请求以及发送网络边集E、参数μ、参数α、是否重叠社区派系大小k等数据,服务器包括以下模块:请求接收模块:用于接收客户端发送的社区划分请求以及数据;网络图生成模块:用于利用接收的边数据集生成自定义网络图;最大派系搜索模块:用于在网络图中找到所有符合用户要求的所有最大派系;社区间距计算模块:用于计算社区间的距离;平均互信息计算模块:用于计算平均互信息值,得到互信息结果;适应度计算模块:用于适应度值;AFS计算模块:用于计算AFS值和AFS′值;WFA计算模块:用于计算WFA值;非重叠社区处理模块:用于对重叠节点进行最后归属社区的划分,以得到非重叠划分结果;剩余节点处理模块:用于对剩余未划分节点的进行最后的划分处理,以尽可能对网络中的节点划分;输出模块:用于将最终的社区划分结果发送至客户端。
下面对本发明实施例提供的一种基于平均互信息的最大派系贪心扩展社区发现方法及系统做详细说明。
首先,对本发明实施例提供的方法及系统中所涉及到的相关术语,我们给出如下定义,并结合定义说明该发明的基本原理:
定义1:社区结构X表示社区划分前的社区结构,Xi表示社区结构X中的第i个社区。社区结构Y表示经过社区划分后的社区结构,Yj表示社区结构Y中的第j个社区。nxi表示社区Xi中的节点总数,nyj表示社区Yj中的节点总数,n表示网络中的节点总数。
定义2:(完全子图)若在网络中存在极大完全子图G,节点集记为V,边集记为E。同时图G1中存在g1个节点,记为节点集v1;节点间都存在边互相连接,边集记为e1。若图G1的节点集v1和边集e1都是图G的节点集V和边集E的子集,则称图G1为图G的完全子图。
定义3:(最大派系)完全子图U不包含在图G中的更大完全子图中,则完全子图U称为图G的最大派系(即指图G中含节点数最多的完全子图),最大派系也被称为最大团。
定义4:(平均互信息)平均互信息是一个随机变量包含另一个随机变量信息量的度量。对于两个随机变量X和Y,它们的联合概率密度函数为P(x,y),其边际概率密度函数分别是P(x)和P(y)。平均互信息I(X;Y)为联合分布P(x,y)和乘积分布P(x)P(y)之间的相对熵,其计算公式如下:
I(X;Y)=ΣxΣyP(x,y)log2[P(x,y)/(P(x)*P(y))] (1)
定义5:(适应度)适应度值用于描述一个社区的紧密程度,值越大则表明该社区约紧密。可用于判断一个节点是否适合加入到社区中,假如节点加入社区后使得该社区的适应度值提高,则说明将该节点加入到社区中是合适的,计算公式如下:
定义6:(修正后评价函数)修正后的评价函数通过分配权重的方式将平均互信息值与适应度值进行结合,记作AFS,公式下:
AFS=μ*IP+(1-μ)*FS (4)
其中,μ为人为设定的可调参数,它表示进行种子社区扩展时考虑网络节点信息的权重,取值范围建议为[0,0.9],μ越大则考虑网络节点信息越多,考虑网络连接信息越少。
本实施例提供的基于平均互信息的最大派系贪心扩展社区发现方法的流程图如图1所示,具体包括以下步骤:
步骤102:利用网络边集V生成自定义网络图,通过Born-Kerbosch派系枚举算法在网络图中找到所有的节点数为k的最大派系并进行筛选,将筛选得到的派系加入到种子社区集合中,初始化社区结构为种子社区集合。
步骤103:对种子社区集合内的所有种子社区依照节点数量从大到小进行排序。
步骤104:从种子社区集合中找到未扩展节点数量最多的种子社区S。
步骤105:计算当前种子社区S与已确定社区集合中的每个社区的间距δE,若小于设定的阈值∈(本实施例中阈值设定为0.6),则表明当前种子社区与已确定社区间距过小,重合度高,丢弃当前种子社区,进行步骤104,否则进行步骤106。
社区间距公式如下:
δE(S,S′)=-1-|S∩S′|/min(|S|,|S′|),
S,S′表示两个不同的社区。
步骤106:使用参数μ和参数α计算当前种子社区S的AFS值,遍历种子社区S的所有邻接节点,并取邻接节点加入种子社区后得到的社区S′的AFS′最大值。如果AFS<FS′,那么将对应的邻接节点加入到社区S中,若AFS>AFS′,则当前的种子社区扩展完毕,形成稳定社区CS。
步骤107:检测扩展完毕后的种子社区即稳定社区CS与已确定社区的间距δE是否小于阈值∈(取值0.6),是则表明当前扩展得到的社区与已确定社区的间距过小,重合度高,丢弃该社区并进行步骤104,否则进行步骤108。
步骤108:将当前扩展完成的社区加入到已确定社区集合。
步骤109:种子社区集合是否已全部遍历,是则进行步骤110,否则进行步骤104。
步骤110:遍历完种子社区集合后得到重叠社区划分结果。
步骤112:对重叠节点根据WFA值来进行最终归属社区的划分。
步骤113:遍历网络中的剩余节点,计算比较WFA值以确定最终的划分社区,直到所有节点划入社区结构或无法再扩展更多节点为止。
步骤114:输出最后的社区划分结果。
AMI-GCE方法描述
输出:社区划分C
1利用网络边集V生成网络图;
2在网络图中找到所有的节点数为k的最大派系,并将这些派系加入到种子社区集合中,初始化社区结构为种子社区集合;
3从种子社区集合中找到未扩展节点数量最多的种子社区S;
4计算当前种子社区S与已确定社区集合中的每个社区的间距δE,若小于设定的阈值∈,则表明当前种子社区与已确定社区重合,丢弃当前种子社区,并选取下一种子社区,否则转5;
5使用参数μ和参数α计算当前种子社区S的AFS值,遍历种子社区S的所有邻接节点,并取邻接节点加入种子社区后得到的社区S′的AFS′最大值。如果AFS<AFS′,那么将对应的邻接节点加入到社区S中,若AFS>AFS′,则当前的种子社区扩展完毕;
6检测扩展完毕后的种子社区与已确定社区的间距δE是否小于阈值∈,是则丢弃该种子社区,否则加入到已确定社区集合;
7重复2至3,直到集合中的所有种子社区遍历完为止,得到重叠社区的划分结果;
8根据是否重叠社区来决定是否进行该步骤,若则说明最后输出的结果为重叠社区;若则输出的结果为非重叠社区,此时使用WFA值来对重叠点进行最后的划分,其中,IP表示重叠点加入某一社区后整个社区结构的平均互信息,表示第i个社区的适应度值,WFA表示划分后的社区结构中各社区适应度值总和与相应平均互信息值的加权平均值,计算重叠点分别加入到与之关联的单个社区的WFA值,然后将重叠点加入到能得到WFA值为最大值的那个社区中,从而得到非重叠社区划分结果。
9遍历网络中的剩余节点,计算比较WFA值以确定最终的划分社区,直到所有节点划入社区结构或无法再扩展更多节点为止;
10输出最终的社区划分结果C。
综上所述,本发明实施例提供的一种基于平均互信息的最大派系贪心扩展社区发现方法,该方法在基于派系的局部扩展社区发现方法的基础上,加入了基于平均互信息的社区合并方法。首先找出复杂网络中的所有最大派系,并设置为种子社区集合;在种子社区集合中依次按照节点数量从大到小排序,并选择数量最多的种子社区进行扩展;遍历种子社区的所有邻接节点,并筛选出合适的邻接节点加入到种子社区进行扩展,扩展完毕后形成稳定社区;重复以上步骤直至种子社区集合中的所有种子社区均遍历完毕,此时得到所有的稳定社区就是该网络最终的社区划分结果。该方法同时考虑了网络中的节点信息与节点间的连接信息,有效地提高了社区划分的准确性,使得改进社区划分系统成为一种新的社区划分系统。
以上所述,仅为本发明专利较佳的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明专利构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (10)
1.一种基于平均互信息的最大派系贪心扩展社区发现方法,其特征在于:包括以下步骤:
S1、服务器接收社区划分请求;
S2、利用网络边集V生成网络图;
S3、在网络图中找出所有最大派系;
S4、对所有最大派系进行筛选,筛选后的最大派系初始化为网络图的种子社区集合;
S5、对种子社区集合进行排序,并维持一个已确定社区集合;
S6、从排序后的种子社区集合中选择种子社区S;
S7、判断种子社区S与已确定社区之间的间距是否小于设定的阈值,若是,则进行步骤S6,否则进行步骤S8;
S8、遍历种子社区S的所有邻接节点,并选择合适的邻接节点加入种子社区,直到无合适邻接节点即扩展完毕成为稳定社区CS;
S9、判断稳定社区CS与已确定社区之间的间距是否小于设定的阈值,若是,则进行步骤S6,否则进行S10;
S10、重复步骤S6至S9,直到种子社区集合内所有种子社区遍历完毕,得到重叠社区划分结果;
S11、若用户请求为非重叠社区,则对重叠点进行处理,得到非重叠社区划分结果;
S12、遍历网络所有未被遍历的节点,使节点尽可能得到划分;
S13、输出最终的社区划分结果。
2.根据权利要求1所述的一种基于平均互信息的最大派系贪心扩展社区发现方法,其特征在于:步骤S3的具体过程为:确定最大派系的节点个数为k,利用Born-Kerbosch派系枚举算法找出网络图中包含有k个节点的所有最大派系。
3.根据权利要求1所述的一种基于平均互信息的最大派系贪心扩展社区发现方法,其特征在于:步骤S4中,对步骤S3所得到的最大派系根据社区间距公式δE(S,S′)=1-|S∩S′|/min(|S|,|S′|)两两间计算并比较进行筛选,若小于设定的阈值∈,则丢弃当前种子社区,并选取下一种子社区。
4.根据权利要求1所述的一种基于平均互信息的最大派系贪心扩展社区发现方法,其特征在于:步骤S5中所述排序为对种子社区集合中的社区根据所含节点个数从多到少进行排序。
5.根据权利要求1所述的一种基于平均互信息的最大派系贪心扩展社区发现方法,其特征在于:步骤S7中,种子社区S与已确定社区之间的间距δE(S,S′)=1-|S∩S′|/min(|S|,|S′|),若小于设定的阈值∈,则丢弃当前社区,并选取下一种子社区。
6.根据权利要求1所述的一种基于平均互信息的最大派系贪心扩展社区发现方法,其特征在于:步骤S8中所述选择合适的邻接节点的具体过程为:输入参数μ和参数α,
使用输入的参数μ和参数α计算当前种子社区S的AFS值,遍历种子社区S的所有邻接节点,并取邻接节点加入种子社区后得到的社区S′的AFS′最大值,如果AFS<AFS′,那么将对应的邻接节点加入到社区S中,若AFS>AFS′,则当前的种子社区扩展成稳定社区,其中,AFS=μ*IP+(1-μ)*FS,为修正后的评价函数,其中Ip=ω*I(X;Y),X表示划分前复杂网络的社区结构,Y表示划分后复杂网络的社区结构,ω表示社区划分前后复杂网络的社区结构关联性,I(X;Y)表示社区结构X和Y的平均互信息值;其中表示头尾节点都在社区S中的边的数量的两倍,表示只有一个节点在社区S中的边的数量,参数α为可调参数,值越小社区越大,参数μ为人为设定,其表示的是在对种子社区进行扩展时考虑节点信息的多少。
7.根据权利要求1所述的一种基于平均互信息的最大派系贪心扩展社区发现方法,其特征在于:步骤S9中,稳定社区CS与已确定社区之间的间距为δE(S,S′)=1-|S∩S′|/min(|S|,|S′|)。
9.根据权利要求8所述的一种基于平均互信息的最大派系贪心扩展社区发现方法,其特征在于:步骤12的具体过程为:遍历网络所有未被遍历的节点,计算比较WFA值以确定最终的划分社区,直到所有节点划入社区结构或无法再扩展更多节点为止。
10.一种用于实现权利要求1-9任一所述的一种基于平均互信息的最大派系贪心扩展社区发现方法的系统,其特征在于,所述系统包括客户端和服务器,所述客户端用于发送社区划分请求以及数据,其中服务器包括以下模块:
请求接收模块:用于接收客户端发送的社区划分请求以及数据;
网络图生成模块:用于利用接收的网络边集生成网络图;
最大派系搜索模块:用于在网络图中找到所有符合用户要求的所有最大派系;
社区间距计算模块:用于计算社区间的距离;
平均互信息计算模块:用于计算平均互信息值,得到互信息结果;
适应度计算模块:用于适应度值;
AFS计算模块:用于计算AFS值和AFS′值;
WFA计算模块:用于计算WFA值;
非重叠社区处理模块:用于对重叠节点进行最后归属社区的划分,以得到非重叠划分结果;
剩余节点处理模块:用于对剩余未划分节点的进行最后的划分处理,以尽可能对网络中的节点划分;
输出模块:用于将最终的社区划分结果发送至客户端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010204588.8A CN111464343B (zh) | 2020-03-22 | 2020-03-22 | 一种基于平均互信息的最大派系贪心扩展社区发现方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010204588.8A CN111464343B (zh) | 2020-03-22 | 2020-03-22 | 一种基于平均互信息的最大派系贪心扩展社区发现方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111464343A true CN111464343A (zh) | 2020-07-28 |
CN111464343B CN111464343B (zh) | 2021-10-26 |
Family
ID=71680170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010204588.8A Active CN111464343B (zh) | 2020-03-22 | 2020-03-22 | 一种基于平均互信息的最大派系贪心扩展社区发现方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111464343B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799940A (zh) * | 2012-07-04 | 2012-11-28 | 西安电子科技大学 | 基于遗传算法和先验知识的网络社区划分方法 |
CN103593800A (zh) * | 2013-10-27 | 2014-02-19 | 西安电子科技大学 | 基于派系随机游走的社区发现方法 |
CN104166731A (zh) * | 2014-08-29 | 2014-11-26 | 河海大学常州校区 | 一种社交网络重叠社区发现系统及其方法 |
CN106599090A (zh) * | 2016-11-24 | 2017-04-26 | 上海交通大学 | 基于结构中心性的网络社区发现方法 |
CN108470251A (zh) * | 2018-03-28 | 2018-08-31 | 华南理工大学 | 基于平均互信息的社区划分质量评价方法及系统 |
CN108959652A (zh) * | 2018-08-04 | 2018-12-07 | 福州大学 | 基于密度峰值与社区归属度的重叠社区发现方法 |
CN109902728A (zh) * | 2019-02-15 | 2019-06-18 | 华南理工大学 | 一种基于平均互信息的快速社区发现方法及系统 |
-
2020
- 2020-03-22 CN CN202010204588.8A patent/CN111464343B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799940A (zh) * | 2012-07-04 | 2012-11-28 | 西安电子科技大学 | 基于遗传算法和先验知识的网络社区划分方法 |
CN103593800A (zh) * | 2013-10-27 | 2014-02-19 | 西安电子科技大学 | 基于派系随机游走的社区发现方法 |
CN104166731A (zh) * | 2014-08-29 | 2014-11-26 | 河海大学常州校区 | 一种社交网络重叠社区发现系统及其方法 |
CN106599090A (zh) * | 2016-11-24 | 2017-04-26 | 上海交通大学 | 基于结构中心性的网络社区发现方法 |
CN108470251A (zh) * | 2018-03-28 | 2018-08-31 | 华南理工大学 | 基于平均互信息的社区划分质量评价方法及系统 |
CN108959652A (zh) * | 2018-08-04 | 2018-12-07 | 福州大学 | 基于密度峰值与社区归属度的重叠社区发现方法 |
CN109902728A (zh) * | 2019-02-15 | 2019-06-18 | 华南理工大学 | 一种基于平均互信息的快速社区发现方法及系统 |
Non-Patent Citations (2)
Title |
---|
史艳翠等: "基于局部扩展的社区发现研究现状", 《通信学报》 * |
李东等: "基于平均互信息的最优社区发现方法", 《中国科学:信息科学》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111464343B (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102413029B (zh) | 基于分解的局部搜索多目标复杂动态网络社区划分方法 | |
CN111737535B (zh) | 一种基于元结构和图神经网络的网络表征学习方法 | |
CN102594909B (zh) | 基于共邻矩阵谱信息的多目标社区检测方法 | |
Zhang et al. | LFIC: Identifying influential nodes in complex networks by local fuzzy information centrality | |
CN111985623A (zh) | 基于最大化互信息和图神经网络的属性图群组发现方法 | |
CN112508181A (zh) | 一种基于多通道机制的图池化方法 | |
CN108470251B (zh) | 基于平均互信息的社区划分质量评价方法及系统 | |
CN107240028B (zh) | 一种Fedora系统组件复杂网络中的重叠社区检测方法 | |
CN112311608B (zh) | 一种多层异质网络空间节点表征方法 | |
Ghamgosar et al. | An extended distributed learning automata based algorithm for solving the community detection problem in social networks | |
CN110442800B (zh) | 一种融合节点属性和图结构的半监督社区发现方法 | |
CN111464343B (zh) | 一种基于平均互信息的最大派系贪心扩展社区发现方法及系统 | |
CN112182306A (zh) | 一种基于不确定图的社区发现方法 | |
CN113228059A (zh) | 面向跨网络的表示学习算法 | |
CN111415265A (zh) | 生成式对抗网络的社交关系数据生成方法 | |
Yuan et al. | A multi-granularity backbone network extraction method based on the topology potential | |
Pan et al. | The application of rough set and Kohonen network to feature selection for object extraction | |
CN109902728A (zh) | 一种基于平均互信息的快速社区发现方法及系统 | |
Jia et al. | Multilayer social network overlapping community detection algorithm based on trust relationship | |
CN106156366A (zh) | 一种基于聚类的牵制控制节点选择方法 | |
CN111030854A (zh) | 一种Spark云服务环境下面的复杂网络社团发现方法 | |
Arasteh et al. | Community detection in complex networks using a new agglomerative approach | |
CN111709846A (zh) | 基于线图的局部社区发现算法 | |
CN110610205A (zh) | 社交网络中的社区识别方法 | |
CN108615056A (zh) | 一种基于可分解评分函数的树增强朴素贝叶斯分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |