CN115563400A - 一种基于模体加权聚合的多路网络社区检测方法及装置 - Google Patents

一种基于模体加权聚合的多路网络社区检测方法及装置 Download PDF

Info

Publication number
CN115563400A
CN115563400A CN202211136419.0A CN202211136419A CN115563400A CN 115563400 A CN115563400 A CN 115563400A CN 202211136419 A CN202211136419 A CN 202211136419A CN 115563400 A CN115563400 A CN 115563400A
Authority
CN
China
Prior art keywords
network
node
matrix
path
path network
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
Application number
CN202211136419.0A
Other languages
English (en)
Other versions
CN115563400B (zh
Inventor
李春英
郭小角
汤志康
林伟杰
周冰扬
姚俊杰
武毓琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Polytechnic Normal University
Original Assignee
Guangdong Polytechnic Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Polytechnic Normal University filed Critical Guangdong Polytechnic Normal University
Priority to CN202211136419.0A priority Critical patent/CN115563400B/zh
Publication of CN115563400A publication Critical patent/CN115563400A/zh
Application granted granted Critical
Publication of CN115563400B publication Critical patent/CN115563400B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于模体加权聚合的多路网络社区检测方法及装置，方法包括：获取待检测的初始目标关系，将所述初始目标关系输入多路网络，根据多路网络的邻接矩阵以及模体邻接矩阵，将多路网络聚合成单层复合网络，完成网络聚合模型的构建；根据所述网络聚合模型获取单层复合网络后，结合权重矩阵计算得到传播概率矩阵，完成信息传播模型的构建；根据所述信息传播模型，计算各个初始目标关系中各个节点的节点重要性，找到各个节点所在的社区中心，完成对多路网络的社区检测。本发明能够减少网络聚合时结构信息的丢失及解决冷启动节点的社区检测问题，从而提高多路网络社区发现的准确性，可广泛应用于计算机技术领域。

Description

一种基于模体加权聚合的多路网络社区检测方法及装置
技术领域
本发明涉及计算机技术领域，尤其是一种基于模体加权聚合的多路网络社区检测方法及装置。
背景技术
目前，针对单层复杂网络的社区检测方法较多，然而它们不能直接用于多路复杂网络的社区检测。多路网络社区发现算法目前尚未成熟，利用网络聚合对多路网络进行社区发现的主要挑战是在网络聚合过程中减少每层网络丢失的结构信息。目前的方法主要依赖于节点和边缘的低阶连通结构，没有考虑节点连接关系的异构性，导致部分网络信息丢失。实际上，复杂网络不仅存在点和边的低阶关系，还包含了大量的高阶结构，高阶结构对理解复杂网络系统的基本结构至关重要，也更具有鲜明的社区特征。最常见的高阶结构是子图，也称之为模体，挖掘网络中的模体，对网络进行边缘加强，使得网络内部结构更加紧密，对社区发现有积极的影响。
发明内容
有鉴于此，本发明实施例提供一种基于模体加权聚合的多路网络社区检测方法及装置，以减少网络聚合时结构信息的丢失及解决冷启动节点的社区检测问题，从而提高多路网络社区发现的准确性。
本发明实施例的一方面提供了一种基于模体加权聚合的多路网络社区检测方法，包括：
获取待检测的初始目标关系，将所述初始目标关系输入多路网络，根据多路网络的邻接矩阵以及模体邻接矩阵，将多路网络聚合成单层复合网络，完成网络聚合模型的构建；
根据所述网络聚合模型获取单层复合网络后，结合权重矩阵计算得到传播概率矩阵，完成信息传播模型的构建；
根据所述信息传播模型，计算各个初始目标关系中各个节点的节点重要性，找到各个节点所在的社区中心，完成对多路网络的社区检测；
其中，所述初始目标关系包括目标社交平台上的师生关系、同学关系和好友关系；所述节点用于表征所述目标社交平台上的各个用户对象。
可选地，所述将所述初始目标关系输入多路网络，根据多路网络的邻接矩阵以及模体邻接矩阵，将多路网络聚合成单层复合网络，完成网络聚合模型的构建，包括：
挖掘多路网络中每层网络的模体，对网络进行边缘增强；
结合网络的邻接矩阵，基于邻接矩阵和模体邻接矩阵提出网络聚合模型；
通过所述网络聚合模型把多路网络聚合成单层复合网络；
根据邻接矩阵和模体邻接矩阵构造一个边的权重矩阵。
可选地，所述权重矩阵的计算公式为：
Figure BDA0003852289700000021
其中，Wij代表节点i与节点j间边的权重；Aα与
Figure BDA0003852289700000022
分别为第α层网络的邻接矩阵和模体邻接矩阵。
可选地，所述根据所述网络聚合模型获取单层复合网络后，结合权重矩阵计算得到传播概率矩阵，完成信息传播模型的构建，包括：
根据所述权重矩阵，计算得到传播概率矩阵；
获取经过网络各节点T次传播后的信息量分布向量，得到第T次传播后节点信息量分布矩阵；
根据最终节点信息分布向量间的欧氏距离得到节点间的相似性；
其中，所述传播概率矩阵的计算公式为：
Figure BDA0003852289700000023
其中，Pij代表节点i到节点j的传播概率；Wij代表节点i与节点j间边的权重；n代表节点总数。
可选地，所述根据所述信息传播模型，计算各个初始目标关系中各个节点的节点重要性，找到各个节点所在的社区中心，完成对多路网络的社区检测，包括：
根据所述信息传播模型，确定不同节点之间的信息传播的信息量；
根据不同节点之间的信息传播的信息量，计算网络中各个节点的重要性；
选取重要性大的节点作为初始聚类中心点；
根据所述初始聚类中心点，按照k-means聚类算法对多路网络进行社区检测。
可选地，所述各个节点的重要性的计算公式为：
Figure BDA0003852289700000024
其中，Ci代表节点i的重要性；
Figure BDA0003852289700000025
代表节点j第一次传播到节点i的信息量。
本发明实施例的另一方面还提供了一种基于模体加权聚合的多路网络社区检测装置，包括：
第一模块，用于获取待检测的初始目标关系，将所述初始目标关系输入多路网络，根据多路网络的邻接矩阵以及模体邻接矩阵，将多路网络聚合成单层复合网络，完成网络聚合模型的构建；
第二模块，用于根据所述网络聚合模型获取单层复合网络后，结合权重矩阵计算得到传播概率矩阵，完成信息传播模型的构建；
第三模块，用于根据所述信息传播模型，计算各个初始目标关系中各个节点的节点重要性，找到各个节点所在的社区中心，完成对多路网络的社区检测；
其中，所述初始目标关系包括目标社交平台上的师生关系、同学关系和好友关系；所述节点用于表征所述目标社交平台上的各个用户对象。
本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，
所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
本发明的实施例获取待检测的初始目标关系，将所述初始目标关系输入多路网络，根据多路网络的邻接矩阵以及模体邻接矩阵，将多路网络聚合成单层复合网络，完成网络聚合模型的构建；根据所述网络聚合模型获取单层复合网络后，结合权重矩阵计算得到传播概率矩阵，完成信息传播模型的构建；根据所述信息传播模型，计算各个初始目标关系中各个节点的节点重要性，找到各个节点所在的社区中心，完成对多路网络的社区检测；其中，所述初始目标关系包括目标社交平台上的师生关系、同学关系和好友关系；所述节点用于表征所述目标社交平台上的各个用户对象。本发明能够减少网络聚合时结构信息的丢失及解决冷启动节点的社区检测问题，从而提高多路网络社区发现的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的三角形模体的示意图；
图2为本发明实施例提供的整体框架示意图；
图3为本发明实施例提供的邻接模体矩阵计算实例示意图；
图4为本发明实施例提供的网络聚合计算实例的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
针对现有技术存在的问题，本发明实施例的一方面提供了一种基于模体加权聚合的多路网络社区检测方法，包括：
获取待检测的初始目标关系，将所述初始目标关系输入多路网络，根据多路网络的邻接矩阵以及模体邻接矩阵，将多路网络聚合成单层复合网络，完成网络聚合模型的构建；
根据所述网络聚合模型获取单层复合网络后，结合权重矩阵计算得到传播概率矩阵，完成信息传播模型的构建；
根据所述信息传播模型，计算各个初始目标关系中各个节点的节点重要性，找到各个节点所在的社区中心，完成对多路网络的社区检测；
其中，所述初始目标关系包括目标社交平台上的师生关系、同学关系和好友关系；所述节点用于表征所述目标社交平台上的各个用户对象。
可选地，所述将所述初始目标关系输入多路网络，根据多路网络的邻接矩阵以及模体邻接矩阵，将多路网络聚合成单层复合网络，完成网络聚合模型的构建，包括：
挖掘多路网络中每层网络的模体，对网络进行边缘增强；
结合网络的邻接矩阵，基于邻接矩阵和模体邻接矩阵提出网络聚合模型；
通过所述网络聚合模型把多路网络聚合成单层复合网络；
根据邻接矩阵和模体邻接矩阵构造一个边的权重矩阵。
可选地，所述权重矩阵的计算公式为：
Figure BDA0003852289700000041
其中，Wij代表节点i与节点j间边的权重；Aα与
Figure BDA0003852289700000042
分别为第α层网络的邻接矩阵和模体邻接矩阵。
可选地，所述根据所述网络聚合模型获取单层复合网络后，结合权重矩阵计算得到传播概率矩阵，完成信息传播模型的构建，包括：
根据所述权重矩阵，计算得到传播概率矩阵；
获取经过网络各节点T次传播后的信息量分布向量，得到第T次传播后节点信息量分布矩阵；
根据最终节点信息分布向量间的欧氏距离得到节点间的相似性；
其中，所述传播概率矩阵的计算公式为：
Figure BDA0003852289700000051
其中，Pij代表节点i到节点j的传播概率；Wij代表节点i到节点j这条边的权重矩阵。
可选地，所述根据所述信息传播模型，计算各个初始目标关系中各个节点的节点重要性，找到各个节点所在的社区中心，完成对多路网络的社区检测，包括：
根据所述信息传播模型，确定不同节点之间的信息传播的信息量；
根据不同节点之间的信息传播的信息量，计算网络中各个节点的重要性；
选取重要性大的节点作为初始聚类中心点；
根据所述初始聚类中心点，按照k-means聚类算法对多路网络进行社区检测。
可选地，所述各个节点的重要性的计算公式为：
Figure BDA0003852289700000052
其中，Ci代表节点i的重要性；
Figure BDA0003852289700000053
代表节点i第一次传播到节点j的信息量。
本发明实施例的另一方面还提供了一种基于模体加权聚合的多路网络社区检测装置，包括：
第一模块，用于获取待检测的初始目标关系，将所述初始目标关系输入多路网络，根据多路网络的邻接矩阵以及模体邻接矩阵，将多路网络聚合成单层复合网络，完成网络聚合模型的构建；
第二模块，用于根据所述网络聚合模型获取单层复合网络后，结合权重矩阵计算得到传播概率矩阵，完成信息传播模型的构建；
第三模块，用于根据所述信息传播模型，计算各个初始目标关系中各个节点的节点重要性，找到各个节点所在的社区中心，完成对多路网络的社区检测；
其中，所述初始目标关系包括目标社交平台上的师生关系、同学关系和好友关系；所述节点用于表征所述目标社交平台上的各个用户对象。
本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，
所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
下面结合说明书附图，对本发明的具体实现过程进行详细描述：
为了减少网络聚合时结构信息的丢失及解决冷启动节点的社区检测问题，提高多路网络社区发现准确性，本发明提出一种基于模体加权聚合的多路网络社区发现算法。该发明主要解决的技术问题包括两个方面：(1)提出一种新的网络聚合模型，先利用模体挖掘多路网络中每层网络的高阶结构，基于模体邻接矩阵与邻接矩阵进行加权聚合，将多路网络聚合为单层复合网络；(2)针对k-means算法初始节点选择的敏感性问题，基于传播过程提出节点重要性指标计算方法，进而在单层复合网络中选取重要性大的节点作为初始节点进行社区发现，为复杂网络结构分析、功能演化及预测等提供决策支持。
首先对本发明实施例中可能涉及的相关技术名词的定义进行说明：
1、多层网络：用
Figure BDA0003852289700000066
来表示一个多层网络，Gα＝(Vα,Eα)是具有节点Vα和层内边Eα的单层网络，l是多层网络的层数，
Figure BDA0003852289700000061
Figure BDA0003852289700000062
表示不同层网络Gα和Gβ的层间边。
2、多路网络：多路网络是一种特殊类型的多层网络，其中所有层的节点都是相同的，即V1＝V2＝…＝Vl，所有节点仅在内部与其余层的对应节点相连，即
Figure BDA0003852289700000063
Figure BDA0003852289700000064
所有这些层间连接都没有明确的相关成本，换句话说，多路网络是由一组节点V和多种类型的边{E1,E2,…,El}组成，多路网络可以表示为GM＝{G1,G2,…Gl}，其中
Figure BDA0003852289700000065
表示多路网络中的第α层网络，Aα表示第α层网络的邻接矩阵。
3、模体：模体是复杂网络中经常出现的一些子图结构，而三角模体对社交网络十分重要，13种三角模体如图1所示，其中M4和M13三角形模体适用于无向网络。给定一个单层网络和模体M可构建模体邻接矩阵WM,(WM)ij表示包含节点i与节点j的模体M的个数。模体的统计显著性可以通过z-score来衡量，其计算如式(1)所示：
Figure BDA0003852289700000071
其中Sreal表示网络G中存在模体M的总数量，
Figure BDA0003852289700000072
和std(Srand)分别表示随机生成的网络中存在模体M总数的平均值和标准差，随机生成的网络需与网络G保持一样的节点数和边数。如果z-score值大于2则说明模体M具有统计显著性。
本发明完整的技术方案如下：
(1)、构建网络聚合模型。通过挖掘多路网络中每层网络的模体，对网络进行边缘增强，使得每层网络内部结构更加牢固，仅使用模体邻接矩阵进行聚合会产生部分独立节点，因此要结合网络的邻接矩阵，基于邻接矩阵和模体邻接矩阵提出了网络聚合的模型，把多路网络GM＝{G1,G2,…Gl}聚合成单层复合网络G＝(V,E,W)，其中E＝E1∪E2∪…∪El,根据邻接矩阵和模体邻接矩阵构造一个边的权重矩阵W，如式(2)所示。
Figure BDA0003852289700000073
其中，Aα与
Figure BDA0003852289700000074
分别为第α层网络的邻接矩阵和模体邻接矩阵。
(2)、构建信息传播模型。由网络聚合得到单层复合网络G＝(V,E,W)后,由W得到传播概率矩阵P，如式(3)所示。
Figure BDA0003852289700000075
Pij表示节点i传播到节点j的概率，依次选择复合网络中的节点作为源节点并赋予1个单位的信息量，其余节点的信息量为0。以一个源节点i为例，其初始化的向量为
Figure BDA0003852289700000076
其中第i列为1，在第一次传播过程，由该节点向其邻居节点传播信息，这一过程表示为
Figure BDA0003852289700000077
向量
Figure BDA0003852289700000078
中的值表示第一次传播后网络中各个节点所携带的信息量，在第二次传播过程中，接收到信息的节点可向相邻节点传播信息，若其相邻节点也具有信息，也可以接受来自相邻节点的信息，每次传播后的信息表示为
Figure BDA0003852289700000079
通过各节点过网络各节点T次传播后的信息量分布向量，可得到第T次传播后节点信息量分布矩阵
Figure BDA00038522897000000710
Figure BDA00038522897000000711
根据最终节点信息分布向量间的欧氏距离得到节点间的相似性。
(3)、节点重要性选择。针对k-means算法初始节点选择的敏感性问题，基于传播过程提出节点重要性指标，根据公式(4)计算各节点的重要性。
Figure BDA0003852289700000081
其中，
Figure BDA0003852289700000082
表示节点j第一次传播到节点i的信息量，节点被其他节点传播的信息量越大，说明这个节点在网络中越重要，越重要的节点越有可能是社区的中心。本发明将选取重要性大的节点作为初始聚类中心点，然后按照经典k-means聚类算法对复杂网络进行社区检测。本发明算法伪代码如下表1所示：
表1
Figure BDA0003852289700000083
下面以具体的社交平台“社交化在线课程平台学者网”作为实施例，对本发明的具体实施过程进行详细描述：
提取学者网用户的师生关系、同学关系和好友关系，首先由输入多路网络的各层邻接矩阵与模体类型计算各层的模体邻接矩阵，随后基于邻接矩阵和模体邻接矩阵将多路网络聚合为单层复合网络，接着在复合网络中利用信息传播将网络中的节点转化为向量形式，并基于传播过程提出节点重要性指标计算方法，进而选取重要性大的节点用k-means算法进行社区发现，最后输出为多路网络社区划分结果，并利用已有方法NMI、ARI、F1和多层网络模块度评价本发明所提方法的性能。
本发明的总体框架图如图2所示，以图2左侧3层多路网络为例，G1、G2、G3的M4模体的z-score值分别为5.5、2.2、4.8，都具有统计显著性。图3展示了图2中G1模体邻接矩阵计算实例，以节点6与节点7为例，这个节点被两个M4模体包含，分别为{5,6,7}和{6,7,8}，所以在模体邻接矩阵WM中对应的值为2。
以图2左侧3层多路网络为例，网络聚合计算如图4。
以图4得到的复合网络为例，分别以节点1，4，5为源起点，这三个节点的初始信息量分别为
Figure BDA0003852289700000091
和
Figure BDA0003852289700000092
设传播次数T＝3,得到最终的信息分布情况为：
Figure BDA0003852289700000093
Figure BDA0003852289700000094
类似的遍历每个节点后得到
Figure BDA0003852289700000095
根据最终各节点信息分布向量间的欧氏距离得到节点间的相似性。接着计算各节点的重要性为：C1＝0.93，C2＝1.20，C3＝0.38，C4＝1.56，C5＝0.93，C6＝1.38，C7＝1.25，C8＝0.36，选择重要性最大的节点4和节点6作为初始聚类中心，利用k-means算法进行聚类，最终得到2个社区，分别为(1,2,3,4)和(5,6,7,8)，其中节点3和节点8为信息较少的冷启动节点，本发明解决了该类冷启动节点等的社区检测问题，提高了社区的检测质量。
综上所述，本发明具有以下特点：
(1)构建网络聚合模型。本发明提出利用模体挖掘出每层网络拓扑结构中的高阶交互信息，构建多路网络聚合模型，将多路网络聚合成单层复合网络，减少网络聚合时结构信息丢失并解决冷启动节点等的社区检测问题；
(2)构建信息传播模型。本发明利用信息传播方法将单层复合网络中的节点信息转化为向量形式并提出一种节点重要性评价指标，选取重要性大的节点作为初始节点，解决k-means算法初始节点选择敏感性导致的社区检测质量下降问题。
很多真实复杂系统节点同类型关联关系较为稀疏，为了减少多路网络聚合时的信息丢失及解决冷启动节点等的社区检测问题，本发明提出利用模体挖掘出每层网络拓扑结构中的高阶交互信息，构建多路网络聚合模型，将多路网络聚合成单层复合网络，并在单层复合网络中选取重要性大的节点作为初始节点，解决k-means算法初始节点选择的敏感性问题，进而提高社区检测质量，为复杂网络结构分析、功能演化及预测等提供决策支持。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种基于模体加权聚合的多路网络社区检测方法，其特征在于，包括：
获取待检测的初始目标关系，将所述初始目标关系输入多路网络，根据多路网络的邻接矩阵以及模体邻接矩阵，将多路网络聚合成单层复合网络，完成网络聚合模型的构建；
根据所述网络聚合模型获取单层复合网络后，结合权重矩阵计算得到传播概率矩阵，完成信息传播模型的构建；
根据所述信息传播模型，计算各个初始目标关系中各个节点的节点重要性，找到各个节点所在的社区中心，完成对多路网络的社区检测；
其中，所述初始目标关系包括目标社交平台上的师生关系、同学关系和好友关系；所述节点用于表征所述目标社交平台上的各个用户对象。
2.根据权利要求1所述的一种基于模体加权聚合的多路网络社区检测方法，其特征在于，所述将所述初始目标关系输入多路网络，根据多路网络的邻接矩阵以及模体邻接矩阵，将多路网络聚合成单层复合网络，完成网络聚合模型的构建，包括：
挖掘多路网络中每层网络的模体，对网络进行边缘增强；
结合网络的邻接矩阵，基于邻接矩阵和模体邻接矩阵提出网络聚合模型；
通过所述网络聚合模型把多路网络聚合成单层复合网络；
根据邻接矩阵和模体邻接矩阵构造一个边的权重矩阵。
3.根据权利要求2所述的一种基于模体加权聚合的多路网络社区检测方法，其特征在于，所述权重矩阵的计算公式为：
Figure FDA0003852289690000011
其中，Wij代表节点i与节点j间边的权重；Aα与
Figure FDA0003852289690000012
分别为第α层网络的邻接矩阵和模体邻接矩阵。
4.根据权利要求2所述的一种基于模体加权聚合的多路网络社区检测方法，其特征在于，所述根据所述网络聚合模型获取单层复合网络后，结合权重矩阵计算得到传播概率矩阵，完成信息传播模型的构建，包括：
根据所述权重矩阵，计算得到传播概率矩阵；
获取经过网络各节点T次传播后的信息量分布向量，得到第T次传播后节点信息量分布矩阵；
根据最终节点信息分布向量间的欧氏距离得到节点间的相似性；
其中，所述传播概率矩阵的计算公式为：
Figure FDA0003852289690000021
其中，Pij代表节点i到节点j的传播概率；Wij代表节点i与节点j间边的权重；代表节点总数。
5.根据权利要求1所述的一种基于模体加权聚合的多路网络社区检测方法，其特征在于，所述根据所述信息传播模型，计算各个初始目标关系中各个节点的节点重要性，找到各个节点所在的社区中心，完成对多路网络的社区检测，包括：
根据所述信息传播模型，确定不同节点之间的信息传播的信息量；
根据不同节点之间的信息传播的信息量，计算网络中各个节点的重要性；
选取重要性大的节点作为初始聚类中心点；
根据所述初始聚类中心点，按照k-means聚类算法对多路网络进行社区检测。
6.根据权利要求5所述的一种基于模体加权聚合的多路网络社区检测方法，其特征在于，所述各个节点的重要性的计算公式为：
Figure FDA0003852289690000022
其中，Ci代表节点i的重要性；
Figure FDA0003852289690000023
代表节点j第一次传播到节点i的信息量。
7.一种基于模体加权聚合的多路网络社区检测装置，其特征在于，包括：
第一模块，用于获取待检测的初始目标关系，将所述初始目标关系输入多路网络，根据多路网络的邻接矩阵以及模体邻接矩阵，将多路网络聚合成单层复合网络，完成网络聚合模型的构建；
第二模块，用于根据所述网络聚合模型获取单层复合网络后，结合权重矩阵计算得到传播概率矩阵，完成信息传播模型的构建；
第三模块，用于根据所述信息传播模型，计算各个初始目标关系中各个节点的节点重要性，找到各个节点所在的社区中心，完成对多路网络的社区检测；
其中，所述初始目标关系包括目标社交平台上的师生关系、同学关系和好友关系；所述节点用于表征所述目标社交平台上的各个用户对象。
8.一种电子设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1至6中任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至6中任一项所述的方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的方法。
CN202211136419.0A 2022-09-19 2022-09-19 一种基于模体加权聚合的多路网络社区检测方法及装置 Active CN115563400B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211136419.0A CN115563400B (zh) 2022-09-19 2022-09-19 一种基于模体加权聚合的多路网络社区检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211136419.0A CN115563400B (zh) 2022-09-19 2022-09-19 一种基于模体加权聚合的多路网络社区检测方法及装置

Publications (2)

Publication Number Publication Date
CN115563400A true CN115563400A (zh) 2023-01-03
CN115563400B CN115563400B (zh) 2023-06-13

Family

ID=84740383

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211136419.0A Active CN115563400B (zh) 2022-09-19 2022-09-19 一种基于模体加权聚合的多路网络社区检测方法及装置

Country Status (1)

Country Link
CN (1) CN115563400B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105243593A (zh) * 2015-08-04 2016-01-13 电子科技大学 基于混合测度的加权网络社区聚类方法
CN107888422A (zh) * 2017-11-27 2018-04-06 石家庄铁道大学 社区网络可信节点层间交互的分析方法
CN109859054A (zh) * 2018-12-13 2019-06-07 平安科技（深圳）有限公司 网络社团挖掘方法、装置、计算机设备及存储介质
US20190179615A1 (en) * 2016-10-27 2019-06-13 Tencent Technology (Shenzhen) Company Limited Community discovery method, device, server and computer storage medium
CN110224847A (zh) * 2018-05-02 2019-09-10 腾讯科技（深圳）有限公司 基于社交网络的社团划分方法、装置、存储介质及设备
CN110278110A (zh) * 2019-05-23 2019-09-24 武汉大学 一种基于网络高阶结构的社会网络免疫算法
CN111227826A (zh) * 2020-02-14 2020-06-05 广东司法警官职业学院 一种基于网络模体的脑电图信号分析方法
CN111227829A (zh) * 2020-02-14 2020-06-05 广东司法警官职业学院 一种基于复杂网络特征指标的脑电图信号分析方法
CN112700124A (zh) * 2020-12-29 2021-04-23 长安大学 多层交通网络mrwc节点重要性排序方法、系统、电子设备及计算机可读存储介质
CN113065037A (zh) * 2021-04-15 2021-07-02 河南大学 一种基于密度峰值优化的标签传播社团检测方法及装置
CN113127730A (zh) * 2021-03-15 2021-07-16 厦门理工学院 一种基于重叠社区的社区检测方法、终端设备及存储介质
CN113537613A (zh) * 2021-07-28 2021-10-22 浙江大学 一种模体感知的时态网络预测方法
CN113704500A (zh) * 2021-09-07 2021-11-26 浙江工业大学 一种基于图神经网络的知识图谱社区划分方法
CN113792937A (zh) * 2021-09-29 2021-12-14 中国人民解放军国防科技大学 一种基于图神经网络的社交网络影响力预测方法、装置
CN114298851A (zh) * 2021-11-11 2022-04-08 国电南瑞科技股份有限公司 基于图表征学习的网络用户社交行为分析方法、装置及存储介质
CN114943019A (zh) * 2022-04-27 2022-08-26 之江实验室 一种基于双层权重网络随机游走的top k非重叠多样化社区发现方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105243593A (zh) * 2015-08-04 2016-01-13 电子科技大学 基于混合测度的加权网络社区聚类方法
US20190179615A1 (en) * 2016-10-27 2019-06-13 Tencent Technology (Shenzhen) Company Limited Community discovery method, device, server and computer storage medium
CN107888422A (zh) * 2017-11-27 2018-04-06 石家庄铁道大学 社区网络可信节点层间交互的分析方法
CN110224847A (zh) * 2018-05-02 2019-09-10 腾讯科技（深圳）有限公司 基于社交网络的社团划分方法、装置、存储介质及设备
CN109859054A (zh) * 2018-12-13 2019-06-07 平安科技（深圳）有限公司 网络社团挖掘方法、装置、计算机设备及存储介质
CN110278110A (zh) * 2019-05-23 2019-09-24 武汉大学 一种基于网络高阶结构的社会网络免疫算法
CN111227826A (zh) * 2020-02-14 2020-06-05 广东司法警官职业学院 一种基于网络模体的脑电图信号分析方法
CN111227829A (zh) * 2020-02-14 2020-06-05 广东司法警官职业学院 一种基于复杂网络特征指标的脑电图信号分析方法
CN112700124A (zh) * 2020-12-29 2021-04-23 长安大学 多层交通网络mrwc节点重要性排序方法、系统、电子设备及计算机可读存储介质
CN113127730A (zh) * 2021-03-15 2021-07-16 厦门理工学院 一种基于重叠社区的社区检测方法、终端设备及存储介质
CN113065037A (zh) * 2021-04-15 2021-07-02 河南大学 一种基于密度峰值优化的标签传播社团检测方法及装置
CN113537613A (zh) * 2021-07-28 2021-10-22 浙江大学 一种模体感知的时态网络预测方法
CN113704500A (zh) * 2021-09-07 2021-11-26 浙江工业大学 一种基于图神经网络的知识图谱社区划分方法
CN113792937A (zh) * 2021-09-29 2021-12-14 中国人民解放军国防科技大学 一种基于图神经网络的社交网络影响力预测方法、装置
CN114298851A (zh) * 2021-11-11 2022-04-08 国电南瑞科技股份有限公司 基于图表征学习的网络用户社交行为分析方法、装置及存储介质
CN114943019A (zh) * 2022-04-27 2022-08-26 之江实验室 一种基于双层权重网络随机游走的top k非重叠多样化社区发现方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
曲之赫: "大规模异构信息网络上动态重叠社区检测算法研究" *
李春英等: "局部优先的社会网络社区结构检测算法" *

Also Published As

Publication number Publication date
CN115563400B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
CN112632013A (zh) 一种基于联邦学习的数据安全可信共享方法和装置
CN114418035A (zh) 决策树模型生成方法、基于决策树模型的数据推荐方法
CN112436992B (zh) 基于图卷积网络的虚拟网络映射方法及装置
CN113094593B (zh) 社交网络事件推荐方法、系统、设备及存储介质
CN103678436A (zh) 信息处理系统和信息处理方法
Radiuk et al. A framework for exploring and modelling neural architecture search methods
Carrabs et al. An adaptive heuristic approach to compute upper and lower bounds for the close-enough traveling salesman problem
CN115310594A (zh) 一种提高网络嵌入算法可扩展性的方法
Cipolla et al. Nonlocal pagerank
CN114186862A (zh) 基于熵权topsis模型的双层能源绩效评估系统
CN115563400A (zh) 一种基于模体加权聚合的多路网络社区检测方法及装置
CN111931023B (zh) 一种基于网络嵌入的社团结构识别方法及装置
CN101866355A (zh) 基于云计算的社会网络划分方法及系统
CN116166550A (zh) 处理器性能预测系统、方法以及相关设备
CN116228206A (zh) 数据中心运维管理方法、装置、电子设备及运维管理系统
CN110569966A (zh) 一种数据处理方法、装置及电子设备
CN115964505A (zh) 一种基于路径信息的小样本知识图谱补全方法
Daniel et al. Cluster-based computation of exact betweenness centrality in large undirected graphs
Zhang et al. Link Value Estimation Based Graph Attention Network for Link Prediction in Complex Networks
CN113704635B (zh) 一种社交网络事件推荐方法及系统
CN112818178B (zh) 一种基于(k,p)-core的快速高效社群发现方法及系统
CN113469405B (zh) 基于子图分割的跨城市尾气迁移预测方法、系统及介质
CN116561430A (zh) 推荐方法及装置
Massa et al. Predicting maintenance cost of aerospace components (voca/naca) using regression at Fokker Services BV
CN115310795A (zh) 基于promethee模型用于海铁联运班列服务质量的分析方法

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