基于節(jié)點支配能力相似性的功能模塊檢測方法
【專利摘要】本發(fā)明公開了一種基于節(jié)點支配能力相似性的功能模塊檢測方法，主要解決現(xiàn)有技術無法有效地在有向網絡數據中挖掘稀疏功能模塊的問題。其技術方案是：基于網絡的最大匹配分析節(jié)點間有向的控制關系；用節(jié)點控制區(qū)域和觀測區(qū)域刻畫與稠密性無關的、節(jié)點定向支配網絡的能力大??；從支配系統(tǒng)控制過程的角度衡量節(jié)點的功能相似性，給出基于馬爾科夫隨機抽樣過程的最大匹配枚舉方法，計算支配能力的相似性；將支配能力相似性用到有向網絡的聚類分析中，檢測出與有向控制關系相關的、稀疏的功能模塊。本發(fā)明具有檢測結果不受數據的權重噪聲影響的優(yōu)點，可為有向、稀疏網絡數據中的知識發(fā)現(xiàn)提供工具支持。
【專利說明】基于節(jié)點支配能力相似性的功能模塊檢測方法
【技術領域】
[0001]本發(fā)明屬于數據挖掘領域，特別涉及有向復雜網絡中基于節(jié)點支配能力相似性的功能模塊檢測方法，可用于基于大數據的知識發(fā)現(xiàn)等。
【背景技術】
[0002]通常在真實網絡數據中，本質上隸屬于同一模塊的個體具有高度相似的功能，例如，社會網絡中，同一社團的個體通常具有相同興趣愛好；生物網絡中，同一復合體中的蛋白質共同參與完成某個特定生物過程；技術網絡中，同一組頁面通常表達相近的主題。采用分層聚類的方法來發(fā)現(xiàn)網絡中的功能模塊時，第一步就是要計算網絡中各個節(jié)點之間的相似性，然后通過凝聚或分裂過程將相似性高的節(jié)點劃分到相同的模塊中。
[0003]典型的相似性度量包括如下幾類:
[0004]1.共享鄰居
[0005]這類指標認為兩個節(jié)點x、y的共同鄰居個數越多，其相似值Sxy越大?；谶@種思想的相似性度量指標有十多種不同的變形，這里給出最常見的基于Jaccard系數的方法:
【權利要求】
1.一種基于節(jié)點支配能力相似性的功能模塊檢測方法，包括如下步驟: (1)數據處理: (Ia)輸入網絡數據，用有向圖G(V，L)對其建模，其中V為節(jié)點的集合，L為連接節(jié)點的邊的集合； (Ib)設初始時刻t = O，計算有向圖G (V，L)的最大匹配Mt ； (2)基于最大匹配Mt，構造網絡的控制格局和觀測格局: (2a)用最大匹配Mt將有向圖G (V，L)劃分成不相交的徑、環(huán)結構； (2b)檢索有向圖G(V，L)中所有從徑的非頂節(jié)點指向環(huán)的邊，組成控制附加邊集合CL ； (2c)用Mt U CL中的邊連接節(jié)點集合V，得到一個能反映出控制所有節(jié)點狀態(tài)方式的子圖CF (V，Mt U CL)，作為網絡的控制格局； (2d)對最大匹配Mt反向，得到反向最大匹配M/，對有向圖G(V，L)的邊的集合L反向，得到反向邊的集合Li和相應的反向圖Gi (N, V )，用該反向最大匹配M/將反向圖G' (V，L')劃分成不相交的徑、環(huán)結構； (2e)檢索反向圖G' (N, V )中所有從徑的非頂節(jié)點指向環(huán)的邊，組成觀測附加邊集合OL ； (2f)用M/ U OL中的邊連接節(jié)點集合V，得到一個能反映出觀測所有節(jié)點狀態(tài)方式的子圖OF (V, Mt' U 0L),作為網絡的觀測格局； (3)計算節(jié)點控制區(qū)域和觀測區(qū)域: (3a)對任意節(jié)點i，將其在子圖CF (V，Mt U CL)上的可達節(jié)點集合作為節(jié)點i的控制子空間CSi (Mt)，并入節(jié)點i的控制區(qū)域CSi ； (3b)對任意節(jié)點i，將其在子圖OF(V，Mt, U 0L)上的可達節(jié)點集合作為節(jié)點i的觀測子空間OSi (M/ )，并入節(jié)點i的觀測區(qū)域OSi ； (3c)對所有節(jié)點的控制區(qū)域大小和觀測區(qū)域大小累加求和，得到t時刻節(jié)點影響能力之和 et = ZiIcsiKxi1si ； (4)枚舉有向圖G(V，L)的最大匹配: (4a)將t時刻節(jié)點影響能力之和Θ t與t-Ι時刻節(jié)點影響能力之和θ η相比，如果節(jié)點影響能力之和的增長率在連續(xù)的Ψ個時刻中都小于閾值ε，執(zhí)行步驟(5)，否則，執(zhí)行步驟(4b)，其中 Ψ = 50，閾值 ε = 0.000001 ； (4b)基于最大匹配Mt采用馬爾科夫隨機過程抽樣，生成新的最大匹配Μ’； (4c)設置風，令t = t+1，返回步驟(2) (5)計算節(jié)點支配能力相似性: (5a)對任意節(jié)點1、j，計算其控制區(qū)域CS1、CSj的Jaccard系數作為控制能力相似性
C^nCSj值:
2.根據權利要求1所述的方法，其中所述步驟(Ib)中計算有向圖G(V，L)的最大匹配Mt,采用匈牙利算法或Hopcroft-Karp算法,該最大匹配Mt是有向圖G (V, L)中邊的子集合，滿足C= L，最大匹配Mt中任意兩條邊都不共享起始端點和終止端點，且最大匹配Mt的勢MtI的值最大。
3.根據權利要求1所述的方法，其中步驟(4b)所述的基于最大匹配Mt采用馬爾科夫隨機過程抽樣，生成新的最大匹配1廠’，按如下步驟進行: (4bI)設置有向圖(T (V，L) = G(V，L)，將有向圖(T(V，L)中屬于最大匹配Mt的邊作為匹配邊，不屬于最大匹配Mt的邊作為非匹配邊，將最大匹配Mt加入到t時刻的候選最大匹配集合凡中； (4b2)隨機選擇屬于最大匹配Mt的從節(jié)點i指向節(jié)點j的一條匹配邊lu，并在有向圖G*(V, L)中刪除該匹配邊I。； (4b3)在有向圖(T(V，L)中搜索起始于節(jié)點i的可增廣路徑，如果搜索不到該可增廣路徑，執(zhí)行步驟(4b6)，否則，執(zhí)行步驟(4b4)； (4b4)把起始于節(jié)點i的可增廣路徑中的非匹配邊標記為匹配邊，把該可增廣路徑中的匹配邊標記為非匹配邊，然后將所有匹配邊作為候選的最大匹配M%加入到t時刻的候選最大匹配集合中； (4b5)從候選的最大匹配Μ*中找到起始于節(jié)點i的邊，并在有向圖G*(V，L)中刪除該起始于節(jié)點i的邊，返回步驟(4b3)； (4b6)從t時刻的候選最大匹配集合凡中隨機選擇一個最大匹配作為新的最大匹配M'；ew ο
【文檔編號】G06F19/00GK104021199SQ201410267391
【公開日】2014年9月3日 申請日期:2014年6月16日 優(yōu)先權日:2014年6月16日
【發(fā)明者】高琳, 王炳波, 郭杏莉, 王玙, 鄧岳 申請人:西安電子科技大學