技術(shù)特征：

1.一種在線社會網(wǎng)絡(luò)多尺度社區(qū)發(fā)現(xiàn)方法，其特征在于，包括如下步驟：

1)基于連接密度與連接模式的大尺度網(wǎng)絡(luò)的粗化

基于貪婪的-階結(jié)點(diǎn)合并算法，將輸入的大尺度網(wǎng)絡(luò)通過逐層粗化的方式得到粗化網(wǎng)絡(luò)其中L表示粗化的最大層數(shù)；

2)粗化網(wǎng)絡(luò)上的社區(qū)發(fā)現(xiàn)初始化

基于NMM算法對最上層的粗化網(wǎng)絡(luò)進(jìn)行社區(qū)發(fā)現(xiàn)初始化，得到粗略的社區(qū)發(fā)現(xiàn)結(jié)果Q^L；

3)考慮光滑性假設(shè)的社區(qū)發(fā)現(xiàn)

將得到的社區(qū)發(fā)現(xiàn)初始結(jié)果Q^L通過逐層計算，得到大尺度輸入網(wǎng)絡(luò)上的社區(qū)檢測結(jié)果Q⁰。

2.根據(jù)權(quán)利要求1所述在線社會網(wǎng)絡(luò)多尺度社區(qū)發(fā)現(xiàn)方法，其特征在于，所述步驟1)中，在網(wǎng)絡(luò)粗化過程中，采用階合并策略：在一次粗化過程中，對于中的每一個超節(jié)點(diǎn)由中不超過個節(jié)點(diǎn)結(jié)合而成，相當(dāng)于一個上界；另一方面，本質(zhì)上也是粗化速率和整體算法精度的一個權(quán)衡。

3.根據(jù)權(quán)利要求2所述在線社會網(wǎng)絡(luò)多尺度社區(qū)發(fā)現(xiàn)方法，其特征在于，所述步驟1)中，給定網(wǎng)絡(luò)按如下步驟進(jìn)行粗化：

step1：隨機(jī)選取沒有合并過的結(jié)點(diǎn)v，以v為初始節(jié)點(diǎn)構(gòu)建結(jié)點(diǎn)集合

step2：從v的鄰域結(jié)點(diǎn)中隨機(jī)選擇結(jié)點(diǎn)u，若Sim(u,U)>δ，δ為提前設(shè)定的閾值，則根據(jù)此做法不斷擴(kuò)充直到或者結(jié)點(diǎn)v的鄰域集合被選擇完畢，則終止的合并，將其用中的超結(jié)點(diǎn)代表；

step3：重新跳至step1，或者所有結(jié)點(diǎn)均被合并完畢，則跳至下一步；

step4：合并中的邊及權(quán)重，形成中的邊及權(quán)重，對于超結(jié)點(diǎn)和分別對應(yīng)于結(jié)點(diǎn)集合和則其中，分別表示中節(jié)點(diǎn)到的邊的權(quán)值以及中節(jié)點(diǎn)到的邊的權(quán)值；

Sim(u,U)定義為結(jié)合連接密度和連接模式的相似度：

$Sim(v,U)\stackrel{def}{=}{\mathrm{Sim}}_c(v,U)\⊕{\mathrm{Sim}}_d(v,U)$

其中，

表示基于連接模式的結(jié)點(diǎn)v和結(jié)點(diǎn)集合U之間的相似度；

表示基于連接密度的結(jié)點(diǎn)v和結(jié)點(diǎn)集合U之間的相似度；

⊕是操作符號，表示取最大值、取幾何平均值或者取算術(shù)平均值；

進(jìn)一步地：

PairSim_c(v,u)表示基于連接模式的結(jié)點(diǎn)v和結(jié)點(diǎn)u之間的相似度，參照公式PairSim_c(v_i,v_j)＝sig(cos(∠(p_i,p_j)))進(jìn)行計算，sig(·)表示sigmoid函數(shù)，將相似度映射至(0,1)范圍內(nèi)，令n表示網(wǎng)絡(luò)中的節(jié)點(diǎn)總量，p_i＝(β_i,j)_n×1，反映了結(jié)點(diǎn)v_i與網(wǎng)絡(luò)內(nèi)所有結(jié)點(diǎn)的連接規(guī)律，表示連接模式，反映結(jié)點(diǎn)v_i與結(jié)點(diǎn)v_j之間的連接規(guī)律，其中w_ij表示節(jié)點(diǎn)v_i到v_j的邊的權(quán)值，表示節(jié)點(diǎn)v_i的出度；

表示兩端結(jié)點(diǎn)均在內(nèi)部的邊的集合，表示只有一端結(jié)點(diǎn)在內(nèi)部的邊的集合，

4.根據(jù)權(quán)利要求1所述在線社會網(wǎng)絡(luò)多尺度社區(qū)發(fā)現(xiàn)方法，其特征在于，所述步驟2)中，基于NMM算法對最上層的粗化網(wǎng)絡(luò)進(jìn)行社區(qū)發(fā)現(xiàn)初始化的過程如下：

給定其中和ε_L分別表示所有節(jié)點(diǎn)、邊的集合，表示節(jié)點(diǎn)之間的連接矩陣；

定義為節(jié)點(diǎn)所屬的社區(qū)標(biāo)簽，為社區(qū)g中節(jié)點(diǎn)數(shù)量所占的比例，或隨機(jī)選取的一個節(jié)點(diǎn)隸屬于社區(qū)g的概率；為社區(qū)g中任意節(jié)點(diǎn)有邊連接到節(jié)點(diǎn)j的概率，且滿足其中C為社團(tuán)數(shù)目，n為結(jié)點(diǎn)數(shù)目，g^L、π^L和θ^L分別表示集合和上的社區(qū)檢測問題轉(zhuǎn)化為優(yōu)化如下概率函數(shù)：

采用期望最大化算法進(jìn)行推理，按照如下推理公式進(jìn)行迭代計算，得到最終結(jié)果：

${\mathrm{\π}}_c^L=\frac{1}{n}\underset{i}{\Σ}{q}_{ic}^L,{\mathrm{\θ}}_{cj}^L=\frac{{\mathrm{\Σ}}_i{W}_{ij}^L{q}_{ic}^L}{{\mathrm{\Σ}}_i{k}_i^{out}{q}_{ic}^L}$

其中，是結(jié)點(diǎn)的出度，表示結(jié)點(diǎn)的社區(qū)標(biāo)簽向量，表示網(wǎng)絡(luò)上的社區(qū)檢測結(jié)果，c是第c個社區(qū)，C是總社區(qū)數(shù)目，s是第s個社區(qū)。

5.根據(jù)權(quán)利要求1所述在線社會網(wǎng)絡(luò)多尺度社區(qū)發(fā)現(xiàn)方法，其特征在于，所述步驟3)中，將得到的社區(qū)發(fā)現(xiàn)初始結(jié)果Q^L通過逐層計算，得到大尺度輸入網(wǎng)絡(luò)上的社區(qū)檢測結(jié)果Q⁰，主要包括兩個步驟：

第一步，將上層網(wǎng)絡(luò)中的社區(qū)發(fā)現(xiàn)結(jié)果Q^l+1映射至下層網(wǎng)絡(luò)

第二步，基于光滑性假設(shè)，構(gòu)建優(yōu)化函數(shù)，通過圖上的學(xué)習(xí)方法推理出上的社區(qū)檢測結(jié)果Q^l，通過逐層推理，最終得到輸入的大尺度網(wǎng)絡(luò)上的社區(qū)檢測結(jié)果Q⁰。

6.根據(jù)權(quán)利要求5所述在線社會網(wǎng)絡(luò)多尺度社區(qū)發(fā)現(xiàn)方法，其特征在于，所述第一步中，如果中的一個超結(jié)點(diǎn)是由中的若干結(jié)點(diǎn)聚合而成，則的社區(qū)標(biāo)簽向量跟一致。

7.根據(jù)權(quán)利要求5所述在線社會網(wǎng)絡(luò)多尺度社區(qū)發(fā)現(xiàn)方法，其特征在于，所述第二步中，采用圖上半監(jiān)督學(xué)習(xí)方法來估計社區(qū)標(biāo)簽向量，網(wǎng)絡(luò)上的標(biāo)簽估計問題通過最小化如下函數(shù)來獲得：

$J\left(Q^l\right)=\underset{i}{\Σ}\tilde{J}\left(q_i^l\right)$

其中式中第一項表示光滑項，即標(biāo)簽向量與相鄰結(jié)點(diǎn)的標(biāo)簽向量之間的差別，第二項表示誤差項，是結(jié)點(diǎn)在上一時刻的社區(qū)標(biāo)簽估計值，為結(jié)點(diǎn)在網(wǎng)絡(luò)中形成的超結(jié)點(diǎn)對應(yīng)的類別標(biāo)簽向量，λ為控制參數(shù)，用來平衡光滑項和誤差項之前的重要性，k是節(jié)點(diǎn)標(biāo)號，是節(jié)點(diǎn)的鄰居節(jié)點(diǎn)集；

通過獨(dú)立地最小化每個結(jié)點(diǎn)對應(yīng)的代價函數(shù)來完成上述函數(shù)的最小化，最終的求解結(jié)果通過迭代計算下式而完成：

$q_{ic}=\frac{1-\underset{c}{\mathrm{\Σ}}\underset{j}{\mathrm{\Σ}}{s}_{ij}^l{\hat{q}}_{jc}^l+C\underset{j}{\mathrm{\Σ}}{s}_{ij}^l{\hat{q}}_{jc}^l+{\mathrm{\λCq}}_{m\left(i\right)c}^{l+1}}{\left(1+\mathrm{\λ}\right)C}\≈\frac{\underset{j}{\mathrm{\Σ}}{s}_{ij}^l{\hat{q}}_{jc}^l+{\mathrm{\λq}}_{m\left(i\right)c}^{l+1}}{1+\mathrm{\λ}}.$

8.根據(jù)權(quán)利要求7所述在線社會網(wǎng)絡(luò)多尺度社區(qū)發(fā)現(xiàn)方法，其特征在于，設(shè)置λ＝1，迭代10次左右使得迭代計算收斂。