限制本發(fā)明的范圍。此外，在以下說明中，省略了對公知 結構和技術的描述，以避免不必要地混淆本發(fā)明的概念。
[0026] 如圖1所示，1.為了本發(fā)明的研究，首先要獲得微博數(shù)據(jù)集，采用國內著名微博平 臺新浪微博的數(shù)據(jù)集，然后來定義節(jié)點的信息群度，具體包括以下步驟：
[0027] A1、根據(jù)節(jié)點的原創(chuàng)微博數(shù)％、微博轉發(fā)數(shù)!Tu來計算出節(jié)點之間的活躍值a ^，其 中有 ^iJ= (β iXOij+β 2χΓ?)/η ；
[0028] BI、根據(jù)節(jié)點之間的評論數(shù)為C1 j、贊數(shù)為I1 j，微博總數(shù)η來計算出節(jié)點之間的博文 質量值Ql j，其中有 Qij= (λ I X Cij+λ JiXli j)/]!；
[0029] C1、將節(jié)點之間邊權重Wl j的值設為節(jié)點對的信息群度，即 (Ilj= IAa1Jqlj) wij= d ij
[0030] 2.根據(jù)101中求的信息群度來計算節(jié)點之間的信任關聯(lián)度，具體包括以下步驟：
[0031] A2、由于節(jié)點i與j之間的節(jié)點對的信息群度越小，它們的信任關聯(lián)度就越大，定 義兩個相鄰節(jié)點Vl、V j的信任關聯(lián)度： node Re Iation(VilVj) = I-Wij
[0032] B2、利用深度優(yōu)先搜索算法求得圖中所有的非相鄰節(jié)點之間的最短路徑，然后再 求出非相鄰節(jié)點之間的最大信任關聯(lián)度。假設微博網(wǎng)絡中非相鄰節(jié)點V 1和節(jié)點V 之間的 最短路徑為shortPath (Vi, Vj) = {(Vi, vk)，（vk, vm)，. . .，（vn, Vj)}，如果非相鄰節(jié)點間的最短 路徑數(shù)為s，則選擇其中乘積最大的作為非相鄰節(jié)點的信任關聯(lián)度，BP
[0033] C2、根據(jù)A2、B2可以構造微博網(wǎng)絡的節(jié)點信任關聯(lián)度矩陣R，即 R = [node Re lation(v；, Vj)] |V|x|V
[0034] D2、由于R是一個對稱矩陣，根據(jù)節(jié)點與其自身的信任關聯(lián)度值為1，因此為了計 算方便，將矩陣R主對角線上的元素值設為相應節(jié)點的度，即
[0035] 3.在101、102的基礎上再采用LC模塊度，它與社區(qū)的連接密度和內聚系數(shù)相關， 具體包括以下步驟：
[0036] A3、假設有某種劃分形式，將網(wǎng)絡G劃分為S1, S2，…，Sn。首先，計算社區(qū)Si的連 接密度L(Si)，其中，&表示社區(qū)Si的節(jié)點數(shù)；E(S 1)表示社區(qū)Si內部的邊數(shù)，即
[0037] B3、然后，計算社區(qū)Si的內聚系數(shù)Coh(Si)，其中，i乒j，并且A(S1Jj)表示連接 社區(qū)Si和Sj之間的邊的總數(shù)，即
C3、在A3、B3的基礎上計算LC模塊度Q(Sd S2,. . .，Sn)，即
[0038] D3、再用改進的K-medoids算法對節(jié)點進行聚類，如圖2所示，首先為每個簇隨意 選擇一個代表對象，剩余的對象根據(jù)其與代表對象的距離分配給最近的一個簇，最后再以 簇類各個節(jié)點輪換為相應的聚類中心，最后得出最大的LC模塊度值對應社區(qū)劃分的最佳 結果。
[0039] 以上這些實施例應理解為僅用于說明本發(fā)明而不用于限制本發(fā)明的保護范圍。在 閱讀了本發(fā)明的記載的內容之后，技術人員可以對本發(fā)明作各種改動或修改，這些等效變 化和修飾同樣落入本發(fā)明權利要求所限定的范圍。
【主權項】
1. 一種基于信任關聯(lián)度的微博網(wǎng)絡社區(qū)發(fā)現(xiàn)方法，其特征在于包括以下步驟： 101、 獲取微博數(shù)據(jù)來定義節(jié)點的信息群度，具體包括以下步驟： A1、根據(jù)節(jié)點的原創(chuàng)微博數(shù)〇1]、微博轉發(fā)數(shù)Γι]來計算出節(jié)點之間的活躍值a ^，其中有 ^iJ= (β iXOij+β 2χΓ?)/η ； Β1、根據(jù)節(jié)點之間的評論數(shù)為Cl]、贊數(shù)為I,，微博總數(shù)η來計算出節(jié)點之間的博文質量 值Ql j，其中有 Qij= (λ I X Cij+λ JiXli j)/]!； C1、將節(jié)點之間邊權重Wl]的值設為節(jié)點對的信息群度，即 (Ilj= IAa1Jqlj) wij= d ij 102、 根據(jù)101中求得的信息群度來計算節(jié)點之間的信任關聯(lián)度，具體包括以下步驟： A2、由于節(jié)點i與j之間的節(jié)點對的信息群度越小，它們的信任關聯(lián)度就越大，定義兩 個相鄰節(jié)點Vl、V]的信任關聯(lián)度： node Relation (v；, Vj) = I-Wij B2、利用深度優(yōu)先搜索算法求得圖中所有的非相鄰節(jié)點之間的最短路徑，然后再求出 非相鄰節(jié)點之間的最大信任關聯(lián)度。假設微博網(wǎng)絡中非相鄰節(jié)點V1和節(jié)點V 之間的最短 路徑為shortPath (Vi, Vj) = {(Vi, vk)，（vk, vm)，. . .，（vn, Vj)}，如果非相鄰節(jié)點間的最短路徑 數(shù)為s，則選擇其中乘積最大的作為非相鄰節(jié)點的信任關聯(lián)度，BPC2、根據(jù)A2、B2可以構造微博網(wǎng)絡的節(jié)點信任關聯(lián)度矩陣R，即 R = [node Relation(v；, Vj)] |V|x|V D2、由于R是一個對稱矩陣，根據(jù)節(jié)點與其自身的信任關聯(lián)度值為1，因此為了計算方 便，將矩陣R主對角線上的元素值設為相應節(jié)點的度，即103、 在101、102的基礎上再采用LC模塊度，它與社區(qū)的連接密度和內聚系數(shù)相關，具 體包括以下步驟： A3、假設有某種劃分形式，將網(wǎng)絡G劃分為S1, S2，…，Sn。首先，計算社區(qū)Si的連接密 度L(Si)，其中，&表示社區(qū)Si的節(jié)點數(shù)；E(S1)表示社區(qū)Si內部的邊數(shù)，即B3、然后，計算社區(qū)Si的內聚系數(shù)Coh(Si)，其中，i乒j，并且A(S1Jj)表示連接社區(qū) Si和Sj之間的邊的總數(shù)，即 CN 105159918 A 權利要求書 _ _2/2 頁D3、再用改進的K-medoids算法對節(jié)點進行聚類，首先為每個簇隨意選擇一個代表對 象，剩余的對象根據(jù)其與代表對象的距離分配給最近的一個簇，以簇類各個節(jié)點輪換為相 應的聚類中心，最后得出最大的LC模塊度值對應社區(qū)劃分的最佳結果。2.根據(jù)權利要求1所述的基于信任關聯(lián)度的微博網(wǎng)絡社區(qū)發(fā)現(xiàn)方法，其特征在于步驟 101中獲取微博數(shù)據(jù)即采用微博平臺新浪微博的數(shù)據(jù)集。
【專利摘要】目前，現(xiàn)有的社交網(wǎng)絡快速劃分社區(qū)算法存在質量低、不能充分利用節(jié)點鏈接信息的問題，而效果較好的劃分算法也存在時間復雜度高、無法應用于大規(guī)模社交網(wǎng)絡的問題。為此，提出了基于信任關聯(lián)度的微博網(wǎng)絡社區(qū)發(fā)現(xiàn)算法。在定義社區(qū)節(jié)點對信息群度、動態(tài)分配網(wǎng)絡邊權重值的基礎上，計算節(jié)點的信任關聯(lián)度矩陣，再通過改進的K-medoids算法對節(jié)點進行聚類分析，通過計算社區(qū)數(shù)的LC模塊度確定網(wǎng)絡社區(qū)的理想結構。在新浪微博數(shù)據(jù)集上進行實驗，結果表明，該算法能使得社區(qū)的劃分結果更準確。
【IPC分類】G06Q50/00, G06F17/30
【公開號】CN105159918
【申請?zhí)枴緾N201510439245
【發(fā)明人】劉玲, 楊長春, 顧寰, 呂晨
【申請人】常州大學
【公開日】2015年12月16日
【申請日】2015年7月23日