社區(qū)檢測方法與裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及信息科學(xué)領(lǐng)域，尤其涉及一種社區(qū)檢測方法與裝置。
【背景技術(shù)】
[0002] 當(dāng)前的復(fù)雜網(wǎng)絡(luò)往往都具有非常典型的模塊化組織，這表明在同一模塊中的節(jié)點(diǎn) 之間存在特殊的相似之處。這種相似性可以從社區(qū)內(nèi)部和社區(qū)之間的邊密度差距顯示出 來。
[0003] 在現(xiàn)有技術(shù)中，研發(fā)出許多快捷高效的方法用于社區(qū)檢測。然而，大部分的現(xiàn)有技 術(shù)在進(jìn)行社區(qū)檢測時(shí)，在很大程度上依賴于邊的鏈接數(shù)量。例如，F(xiàn)ast-Newman算法提出一 個(gè)凝聚層次的策略，該策略群體頂點(diǎn)依次合并，進(jìn)而形成更大的社區(qū)，使得模塊化增加。再 例如，標(biāo)簽傳播算法(LPA)，該算法初始化每個(gè)節(jié)點(diǎn)具有獨(dú)特的標(biāo)簽，然后再讓標(biāo)簽傳播到 整個(gè)網(wǎng)絡(luò)。
[0004] 但是，F(xiàn)ast-Newman算法和LPA算法的時(shí)間復(fù)雜度分別是0(m logn2)和0(m+n)，這 限制了上述兩種算法從較大的邊密集型網(wǎng)絡(luò)中發(fā)現(xiàn)社區(qū)結(jié)構(gòu)，具有一定的限制性。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明提供了一種社區(qū)檢測方法與裝置，用于解決現(xiàn)有算法中Fast-Newman算法 和LPA算法無法從較大的邊密集型網(wǎng)絡(luò)中發(fā)現(xiàn)社區(qū)結(jié)構(gòu)，具有限制性的問題。
[0006] 為實(shí)現(xiàn)上述目的，在第一方面，本發(fā)明提供了一種社區(qū)檢測方法，所述方法包括：
[0007] 獲取輸入的密集型網(wǎng)絡(luò)結(jié)構(gòu)；
[0008] 對(duì)所述密集型網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行抽樣融合處理，得到所述密集型網(wǎng)絡(luò)結(jié)構(gòu)的抽樣子 圖；
[0009] 利用METIS算法對(duì)所述抽樣子圖進(jìn)行檢測，獲得所述抽樣子圖的初始社區(qū)檢測數(shù) 據(jù)；
[0010] 對(duì)所述初始社區(qū)檢測數(shù)據(jù)進(jìn)行聚類處理，獲得所述密集型網(wǎng)絡(luò)結(jié)構(gòu)的網(wǎng)絡(luò)社區(qū)劃 分結(jié)果。
[0011]優(yōu)選地，所述對(duì)所述密集型網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行抽樣融合處理，得到所述密集型網(wǎng)絡(luò)結(jié) 構(gòu)的抽樣子圖，具體包括：
[0012] 對(duì)所述密集型網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行水平切割分片處理，得到多個(gè)網(wǎng)絡(luò)結(jié)構(gòu)分片并存儲(chǔ)所 述網(wǎng)絡(luò)結(jié)構(gòu)分片的順序信息；
[0013] 將所述網(wǎng)絡(luò)結(jié)構(gòu)分片進(jìn)行隨機(jī)抽樣處理，獲得所述網(wǎng)絡(luò)結(jié)構(gòu)分片的抽樣結(jié)果；
[0014] 根據(jù)所述順序信息，對(duì)所述抽樣結(jié)果進(jìn)行融合處理，得到所述密集型網(wǎng)絡(luò)結(jié)構(gòu)的 抽樣子圖。
[0015] 優(yōu)選地，所述將所述網(wǎng)絡(luò)結(jié)構(gòu)分片進(jìn)行隨機(jī)抽樣處理，之前還包括：
[0016] 確定對(duì)所述網(wǎng)絡(luò)結(jié)構(gòu)分片進(jìn)行隨機(jī)抽樣處理的抽樣比例值nv;
[0017] 所述抽樣比例值]1￥滿足1^=111；[11{(1￥，€[(111(1￥+1112)} ;
[0018] 其中，所述dv為所述網(wǎng)絡(luò)結(jié)構(gòu)分片中每個(gè)節(jié)點(diǎn)的度;所述α為非負(fù)常數(shù)。
[0019] 優(yōu)選地，所述對(duì)所述抽樣結(jié)果進(jìn)行融合處理，得到所述密集型網(wǎng)絡(luò)結(jié)構(gòu)的抽樣子 圖，具體包括：
[0020] 確定所述抽樣結(jié)果中屬于同一次隨機(jī)抽樣且具有相同鍵值的子抽樣網(wǎng)絡(luò)；
[0021] 將所述屬于同一次隨機(jī)抽樣且具有相同鍵值的子抽樣網(wǎng)絡(luò)映射至同一個(gè)節(jié)點(diǎn)中， 所述節(jié)點(diǎn)包括多個(gè)所述子抽樣網(wǎng)絡(luò)；
[0022] 將所述節(jié)點(diǎn)包括的多個(gè)所述子抽樣網(wǎng)絡(luò)作為所述密集型網(wǎng)絡(luò)結(jié)構(gòu)的抽樣子圖。
[0023] 在第二方面，本發(fā)明提供了一種社區(qū)檢測裝置，所述裝置包括：
[0024] 獲取單元，用于獲取輸入的密集型網(wǎng)絡(luò)結(jié)構(gòu)；
[0025] 抽樣融合單元，用于對(duì)所述密集型網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行抽樣融合處理，得到所述密集型 網(wǎng)絡(luò)結(jié)構(gòu)的抽樣子圖；
[0026] 檢測單元，用于利用METIS算法對(duì)所述抽樣子圖進(jìn)行檢測，獲得所述抽樣子圖的初 始社區(qū)檢測數(shù)據(jù)；
[0027] 聚類單元，用于對(duì)所述初始社區(qū)檢測數(shù)據(jù)進(jìn)行聚類處理，獲得所述密集型網(wǎng)絡(luò)結(jié) 構(gòu)的網(wǎng)絡(luò)社區(qū)劃分結(jié)果。
[0028] 優(yōu)選地，所述抽樣融合單元具體包括：
[0029] 切割子單元，用于對(duì)所述密集型網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行水平切割分片處理，得到多個(gè)網(wǎng)絡(luò) 結(jié)構(gòu)分片并存儲(chǔ)所述網(wǎng)絡(luò)結(jié)構(gòu)分片的順序信息；
[0030] 抽樣子單元，用于將所述網(wǎng)絡(luò)結(jié)構(gòu)分片進(jìn)行隨機(jī)抽樣處理，獲得所述網(wǎng)絡(luò)結(jié)構(gòu)分 片的抽樣結(jié)果；
[0031] 融合子單元，用于根據(jù)所述順序信息，對(duì)所述抽樣結(jié)果進(jìn)行融合處理，得到所述密 集型網(wǎng)絡(luò)結(jié)構(gòu)的抽樣子圖。
[0032] 優(yōu)選地，所述抽樣融合單元還包括：
[0033] 確定子單元，用于確定對(duì)所述網(wǎng)絡(luò)結(jié)構(gòu)分片進(jìn)行隨機(jī)抽樣處理的抽樣比例值nv;
[0034] 所述抽樣比例值1^滿足1^=111；[11{(^，€[(111(^+1112)};
[0035] 其中，所述dv為所述網(wǎng)絡(luò)結(jié)構(gòu)分片中每個(gè)節(jié)點(diǎn)的度;所述α為非負(fù)常數(shù)。
[0036] 優(yōu)選地，所述融合子單元還具體用于，
[0037] 確定所述抽樣結(jié)果中屬于同一次隨機(jī)抽樣且具有相同鍵值的子抽樣網(wǎng)絡(luò)；
[0038] 將所述屬于同一次隨機(jī)抽樣且具有相同鍵值的子抽樣網(wǎng)絡(luò)映射至同一個(gè)節(jié)點(diǎn)中， 所述節(jié)點(diǎn)包括多個(gè)所述子抽樣網(wǎng)絡(luò)；
[0039] 將所述節(jié)點(diǎn)包括的多個(gè)所述子抽樣網(wǎng)絡(luò)作為所述密集型網(wǎng)絡(luò)結(jié)構(gòu)的抽樣子圖。
[0040] 因此，通過應(yīng)用本發(fā)明實(shí)施例的社區(qū)檢測方法與裝置，終端對(duì)密集型網(wǎng)絡(luò)結(jié)果進(jìn) 行抽樣融合處理，得到抽樣子圖；利用METIS算法對(duì)抽樣子圖進(jìn)行檢測，獲得抽樣子圖的初 始社區(qū)檢測數(shù)據(jù);終端對(duì)初始社區(qū)檢測數(shù)據(jù)進(jìn)行聚類處理，獲得密集型網(wǎng)絡(luò)結(jié)構(gòu)的網(wǎng)絡(luò)社 區(qū)劃分結(jié)果。由于本發(fā)明中終端對(duì)密集型網(wǎng)絡(luò)結(jié)果進(jìn)行多次抽樣融合處理，進(jìn)而對(duì)抽樣子 圖進(jìn)行檢測、聚類處理后，得到網(wǎng)絡(luò)社區(qū)劃分結(jié)果，進(jìn)而解決了現(xiàn)有算法中Fast-Newman算 法和LPA算法無法從較大的邊密集型網(wǎng)絡(luò)中發(fā)現(xiàn)社區(qū)結(jié)構(gòu)，具有限制性的問題。實(shí)現(xiàn)了簡 單、高效地發(fā)現(xiàn)社區(qū)結(jié)構(gòu)，拓展了廣泛的應(yīng)用性。
【附圖說明】
[0041 ]圖1為本發(fā)明實(shí)施例提供的社區(qū)檢測方法流程圖；
[0042] 圖2為本發(fā)明實(shí)施例提供的SB1PLE模型結(jié)構(gòu)；
[0043] 圖3為本發(fā)明實(shí)施例提供的密集型網(wǎng)絡(luò)結(jié)構(gòu)；
[0044] 圖4-A至圖4-F為本發(fā)明實(shí)施例提供的各算法針對(duì)社區(qū)檢測的結(jié)果示意圖；
[0045] 圖5為本發(fā)明實(shí)施例提供的社區(qū)檢測方法裝置結(jié)構(gòu)圖。
【具體實(shí)施方式】
[0046] 為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例 中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚地描述，顯然，所描述的實(shí)施例是本發(fā)明 一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有 做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0047] 為便于對(duì)本發(fā)明實(shí)施例的理解，下面將結(jié)合附圖以具體實(shí)施例做進(jìn)一步的解釋 說明，實(shí)施例并不構(gòu)成對(duì)本發(fā)明實(shí)施例的限定。
[0048] 下面以圖1為例詳細(xì)說明本發(fā)明實(shí)施例一提供的社區(qū)檢測方法，圖1為本發(fā)明實(shí)施 例提供的社區(qū)檢測方法流程圖，在本發(fā)明實(shí)施例中實(shí)施主體可以是PC機(jī)、或臺(tái)式機(jī)等終端 設(shè)備。如圖1所示，該實(shí)施例具體包括以下步驟：
[0049]步驟110、獲取輸入的密集型網(wǎng)絡(luò)結(jié)構(gòu)。
[0050]具體地，本發(fā)明實(shí)施例以終端設(shè)備為例進(jìn)行說明。本發(fā)明實(shí)施例提供的社區(qū)檢測 方法可在SMPLE模型結(jié)構(gòu)下實(shí)現(xiàn)，如圖2所示，為SMPLE模型結(jié)構(gòu)。
[0051 ]終端獲取密集型網(wǎng)絡(luò)結(jié)構(gòu)，如圖3所示，該密集型網(wǎng)絡(luò)結(jié)構(gòu)中具有10個(gè)節(jié)點(diǎn)，各節(jié) 點(diǎn)之間形成邊。
[0052]步驟120、對(duì)所述密集型網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行抽樣融合處理，得到所述密集型網(wǎng)絡(luò)結(jié)構(gòu)的 抽樣子圖。
[0053]具體地，終端對(duì)密集型網(wǎng)絡(luò)結(jié)構(gòu)先進(jìn)行抽樣處理，再對(duì)抽樣之后的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行 融合處理，得到密集型網(wǎng)絡(luò)結(jié)構(gòu)的抽