本發(fā)明屬于社會(huì)網(wǎng)絡(luò)及計(jì)算機(jī)應(yīng)用技術(shù)領(lǐng)域，尤其涉及一種基于關(guān)系組合優(yōu)化和種子擴(kuò)張的多關(guān)系社區(qū)發(fā)現(xiàn)方法。

背景技術(shù)：

社會(huì)網(wǎng)絡(luò)(socialnetwork)是由許多節(jié)點(diǎn)和連邊構(gòu)成的網(wǎng)狀結(jié)構(gòu)，節(jié)點(diǎn)可以對(duì)應(yīng)現(xiàn)實(shí)生活中的人以及各種社會(huì)組織機(jī)構(gòu)，節(jié)點(diǎn)之間的連邊可以對(duì)應(yīng)日常生活中的各種交往關(guān)系，比如人與人之間的朋友、家人、同學(xué)等社會(huì)關(guān)系，也可以是微信、電話、郵件等聯(lián)絡(luò)關(guān)系。社區(qū)發(fā)現(xiàn)是包括社會(huì)網(wǎng)絡(luò)在內(nèi)的復(fù)雜網(wǎng)絡(luò)的一個(gè)重要研究方向，在電子商務(wù)、公共安全、生物學(xué)等領(lǐng)域都有著巨大的應(yīng)用價(jià)值。社區(qū)是指網(wǎng)絡(luò)中一些相互之間擁有較多共同特征，聯(lián)系比較多的節(jié)點(diǎn)聚類。網(wǎng)絡(luò)拓補(bǔ)結(jié)構(gòu)具體表現(xiàn)為同一社區(qū)的節(jié)點(diǎn)之間聯(lián)系比較緊密，而不屬于同一社區(qū)的節(jié)點(diǎn)之間聯(lián)系比較稀疏。社區(qū)發(fā)現(xiàn)是社會(huì)網(wǎng)絡(luò)分析的一個(gè)基本任務(wù)，是對(duì)網(wǎng)絡(luò)中存在的社區(qū)結(jié)構(gòu)進(jìn)行挖掘，研究網(wǎng)絡(luò)的社區(qū)對(duì)理解整個(gè)網(wǎng)絡(luò)的結(jié)構(gòu)和功能具有至關(guān)重要的作用。一般對(duì)社會(huì)網(wǎng)絡(luò)的研究分析大都是對(duì)網(wǎng)絡(luò)中的一種關(guān)系進(jìn)行研究，而現(xiàn)實(shí)生活中的社會(huì)網(wǎng)絡(luò)個(gè)體之間都存在多種類型的關(guān)系，比如人與人之間存在著朋友、同學(xué)、家人等社會(huì)關(guān)系。而web2.0時(shí)代的到來(lái)更使人們之間存在的交流聯(lián)系方式變得多種多樣，除了傳統(tǒng)的電話和短信，還有微信、微博、人人facebook、twitter、youtube等多種基于互聯(lián)網(wǎng)的交流聯(lián)系也在社會(huì)網(wǎng)絡(luò)中普遍存在，甚至在同一種交流工具中也存在著多種交流方式，比如微博中人們之間可以通過(guò)評(píng)論、轉(zhuǎn)發(fā)、點(diǎn)贊等多種渠道來(lái)產(chǎn)生交流。多關(guān)系的社會(huì)網(wǎng)絡(luò)普遍存在于現(xiàn)實(shí)生活中。目前對(duì)社會(huì)網(wǎng)絡(luò)的社區(qū)發(fā)現(xiàn)方法基本都是基于一種關(guān)系的研究，而由于社會(huì)個(gè)體之間的交流方式存在一定主觀性，只采用一種關(guān)系不能充分掌握個(gè)體間的交流信息，很可能會(huì)因?yàn)樾畔⒉蝗鎸?dǎo)致社區(qū)劃分結(jié)果最終跟現(xiàn)實(shí)不對(duì)應(yīng)。同時(shí)某種交流方式可能會(huì)因?yàn)楦菀赘吧嘶蚱匠２皇煜さ娜税l(fā)生聯(lián)系而產(chǎn)生較多社交噪音，這些噪音也會(huì)掩蓋現(xiàn)實(shí)生活中真正的社區(qū)結(jié)構(gòu)?，F(xiàn)有的一部分多關(guān)系社區(qū)發(fā)現(xiàn)方法在對(duì)多關(guān)系網(wǎng)絡(luò)進(jìn)行社區(qū)發(fā)現(xiàn)時(shí)，將各種關(guān)系組成的網(wǎng)絡(luò)都一視同仁，但實(shí)際多關(guān)系社會(huì)網(wǎng)絡(luò)中，由于交流方式的不同，每一種關(guān)系的社交噪音是不一樣的。這樣的方法雖然可以使各關(guān)系之間的社區(qū)信息互相補(bǔ)充，但同時(shí)也會(huì)引入各社交關(guān)系的噪音，在有些社交關(guān)系噪音比較大的情況下有可能會(huì)造成綜合考慮多種關(guān)系進(jìn)行社區(qū)發(fā)現(xiàn)的結(jié)果反而不如只考慮單個(gè)關(guān)系進(jìn)行社區(qū)發(fā)現(xiàn)的結(jié)果。

綜上所述，現(xiàn)有技術(shù)存在的問(wèn)題是：目前對(duì)社會(huì)網(wǎng)絡(luò)的社區(qū)發(fā)現(xiàn)方法時(shí)忽略了各關(guān)系的差異性，將各個(gè)關(guān)系所帶來(lái)的信息一視同仁，因此存在綜合各關(guān)系網(wǎng)絡(luò)的社區(qū)信息時(shí)也引入了各關(guān)系網(wǎng)絡(luò)所攜帶的社交噪音，造成社區(qū)發(fā)現(xiàn)準(zhǔn)確率不夠高，某些關(guān)系噪音較大時(shí)甚至?xí)斐删C合考慮多種關(guān)系進(jìn)行社區(qū)發(fā)現(xiàn)的結(jié)果反而不如只考慮單個(gè)關(guān)系進(jìn)行社區(qū)發(fā)現(xiàn)的結(jié)果。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)存在的問(wèn)題，本發(fā)明提供了一種基于關(guān)系組合優(yōu)化和種子擴(kuò)張的多關(guān)系社區(qū)發(fā)現(xiàn)方法。

本發(fā)明是這樣實(shí)現(xiàn)的，一種基于關(guān)系組合優(yōu)化和種子擴(kuò)張的多關(guān)系社區(qū)發(fā)現(xiàn)方法，所述基于關(guān)系組合優(yōu)化和種子擴(kuò)張的多關(guān)系社區(qū)發(fā)現(xiàn)方法通過(guò)多目標(biāo)優(yōu)化優(yōu)化網(wǎng)絡(luò)中各種關(guān)系的權(quán)重配比將多關(guān)系網(wǎng)絡(luò)融合成一個(gè)能有效綜合各關(guān)系社區(qū)信息的同時(shí)噪音低的單關(guān)系網(wǎng)絡(luò)，然后綜合多關(guān)系網(wǎng)絡(luò)中各關(guān)系的社區(qū)劃分信息將在各個(gè)關(guān)系中都處于同一個(gè)社區(qū)的人群尋找出來(lái)，以這些人群組成的小社區(qū)作為種子社區(qū)，采用種子擴(kuò)張策略對(duì)多關(guān)系社會(huì)網(wǎng)絡(luò)進(jìn)行社區(qū)挖掘，得到準(zhǔn)確率更高的的社區(qū)結(jié)構(gòu)劃分；

所述權(quán)重配比優(yōu)化子目標(biāo)一采用模塊度作為衡量結(jié)果社區(qū)結(jié)構(gòu)強(qiáng)度和可靠性的指標(biāo)，計(jì)算結(jié)果ca的模塊度qa，模塊度計(jì)算如下：

其中ai，j是整個(gè)網(wǎng)絡(luò)的鄰接矩陣，m是網(wǎng)絡(luò)中包含的邊的數(shù)目，ki和kj分別表示節(jié)點(diǎn)i和節(jié)點(diǎn)j的度數(shù)，δ(ci，cj)的取值取決于i和j是否處于同一個(gè)社區(qū)內(nèi)，是的話δ(ci，cj)取值為，否則話其取值為0；

所述權(quán)重配比優(yōu)化子目標(biāo)二采用nmi作為社區(qū)結(jié)構(gòu)信息相似性衡量標(biāo)準(zhǔn)，按如下計(jì)算：

其中混淆矩陣h的行代表真實(shí)的社區(qū)劃分結(jié)果，h的列代表劃分算法畫(huà)出來(lái)的社區(qū)結(jié)果。ca和cb分別代表a，b兩個(gè)結(jié)果包含的社區(qū)個(gè)數(shù)，hij代表應(yīng)該在社區(qū)i中卻出現(xiàn)在社區(qū)j中的節(jié)點(diǎn)個(gè)數(shù)，hi.和h.j分別代表第i行和第j列的社區(qū)的節(jié)點(diǎn)數(shù)之和，n是整個(gè)網(wǎng)絡(luò)中所含的節(jié)點(diǎn)數(shù)目；當(dāng)nmi＝1時(shí)，代表a和b兩個(gè)結(jié)果的社區(qū)結(jié)構(gòu)完全相同，nmi＝0，時(shí)代表完全不一樣；

所述種子擴(kuò)張策略選取節(jié)點(diǎn)數(shù)最多的社區(qū)si作為種子社區(qū)；計(jì)算種子社區(qū)si與其余候選種子社區(qū)以及剩余節(jié)點(diǎn)的相似度,計(jì)算式子如下：

u和v分別是社區(qū)si，sj中的節(jié)點(diǎn)，ni和nj分別是兩個(gè)社區(qū)中節(jié)點(diǎn)的數(shù)量，和是節(jié)點(diǎn)編號(hào)集合。

進(jìn)一步，所述基于關(guān)系組合優(yōu)化和種子擴(kuò)張的多關(guān)系社區(qū)發(fā)現(xiàn)方法包括以下步驟：

1)將多關(guān)系網(wǎng)絡(luò)的各關(guān)系直接按照相同比例來(lái)配置權(quán)重把多關(guān)系網(wǎng)絡(luò)合并成一個(gè)帶權(quán)的單關(guān)系網(wǎng)絡(luò)a；

2)采用一種單關(guān)系的社區(qū)劃分方法對(duì)網(wǎng)絡(luò)a進(jìn)行社區(qū)劃分，所得的社區(qū)劃分結(jié)果記為ca，接著采用一種衡量社區(qū)發(fā)現(xiàn)結(jié)果可靠性及結(jié)構(gòu)強(qiáng)度的指標(biāo)對(duì)結(jié)果ca進(jìn)行衡量，衡量出的值記為qa；

3)以各關(guān)系的權(quán)重配比作為決策變量，采用一種多目標(biāo)優(yōu)化方法同時(shí)對(duì)下列兩個(gè)子目標(biāo)進(jìn)行優(yōu)化來(lái)獲得一組最優(yōu)決策變量集；

優(yōu)化子目標(biāo)一：新的權(quán)重配比合并成的單關(guān)系網(wǎng)絡(luò)b與網(wǎng)絡(luò)a的社區(qū)劃分結(jié)果的結(jié)構(gòu)衡量指標(biāo)差值盡可能大；

優(yōu)化子目標(biāo)二：新的權(quán)重配比合并成的單關(guān)系網(wǎng)絡(luò)b與網(wǎng)絡(luò)a的社區(qū)劃分結(jié)果所顯示的社區(qū)結(jié)構(gòu)信息相似性盡可能大。

4)在步驟3)獲得的最優(yōu)決策變量集中選擇使子目標(biāo)一最大的權(quán)重配比將多關(guān)系網(wǎng)絡(luò)融合成單關(guān)系網(wǎng)絡(luò)m，并采用一種單關(guān)系社區(qū)發(fā)現(xiàn)方法對(duì)m進(jìn)行社區(qū)發(fā)現(xiàn)，將所獲社區(qū)個(gè)數(shù)記為k；

5)采用一種單關(guān)系社區(qū)發(fā)現(xiàn)方法分別對(duì)每個(gè)關(guān)系組成的網(wǎng)絡(luò)進(jìn)行社區(qū)劃分；

6)設(shè)置迭代標(biāo)志l＝0，對(duì)步驟5)各關(guān)系社區(qū)發(fā)現(xiàn)的結(jié)果進(jìn)行統(tǒng)計(jì)，將在所有關(guān)系中都處于一個(gè)社區(qū)的節(jié)點(diǎn)作為種子社區(qū)放入種子社區(qū)集合cl中；

7)通過(guò)單關(guān)系網(wǎng)絡(luò)m通過(guò)一種相似度計(jì)算方法來(lái)計(jì)算網(wǎng)絡(luò)中各節(jié)點(diǎn)之間的相似度；

8)若l＝0，令l＝l+1，集合cl＝cl-1，進(jìn)行下一步；若l>0,檢測(cè)集合cl與cl-1是否一樣，是則轉(zhuǎn)步驟11)，否則令l＝l+1，集合cl＝cl-1進(jìn)行下一步；

9)將種子社區(qū)候選集合cl中的尚未參與過(guò)合并的社區(qū)按照社區(qū)包含的節(jié)點(diǎn)數(shù)量從大到小進(jìn)行排序，選取排序最高的社區(qū)si作為種子社區(qū)；

10)通過(guò)步驟7)計(jì)算出來(lái)的相似度計(jì)算種子社區(qū)si與其余候選種子社區(qū)以及剩余節(jié)點(diǎn)的相似度記為sim；

11)選取與si相似度超過(guò)設(shè)定閾值β的社區(qū)和節(jié)點(diǎn)放入候選區(qū)，通過(guò)一種局部適應(yīng)度計(jì)算方法計(jì)算si當(dāng)前適應(yīng)度f(wàn)以及候選區(qū)各社區(qū)的當(dāng)前適應(yīng)度f(wàn)h，然后分別計(jì)算候選合并區(qū)的社區(qū)和節(jié)點(diǎn)與si合并后的適應(yīng)度值記為fnew,接著計(jì)算fnew相對(duì)于si原來(lái)的適應(yīng)度f(wàn)的增長(zhǎng)率vs以及候選社區(qū)適應(yīng)度f(wàn)new的增長(zhǎng)率vh；

12)在vs和vh都大于增長(zhǎng)率閾值δ的前提下，選使vs+vh最大的候選社區(qū)sj與si合并成一個(gè)新社區(qū)，更新si和種子社區(qū)集合cl，返回步驟10)；若沒(méi)有符合條件的，則檢查集合cl中現(xiàn)有社區(qū)是否都已是合并過(guò)的，否的話返回步驟9)，是的話將集合cl中所有社區(qū)的合并記錄清零，返回步驟8)；

13)檢查網(wǎng)絡(luò)中社區(qū)數(shù)目，若小于等與k，則輸出結(jié)果，程序結(jié)束，輸出集合cl；若大于k，則執(zhí)行如下消除策略；以包含節(jié)點(diǎn)數(shù)目最多的前k個(gè)社區(qū)為目標(biāo)，依次計(jì)算剩余社區(qū)及節(jié)點(diǎn)與他們的相似度，將剩余社區(qū)和節(jié)點(diǎn)歸并入跟他們相似度最高的前k個(gè)社區(qū)，更新集合cl，最后輸出社區(qū)集合cl作為最終劃分結(jié)果。

進(jìn)一步，采用單關(guān)系社區(qū)發(fā)現(xiàn)算法bgll分別對(duì)四個(gè)關(guān)系組成的網(wǎng)絡(luò)進(jìn)行社區(qū)劃分，統(tǒng)計(jì)劃分結(jié)果根據(jù)式子得到親密度矩陣i，其中iij為節(jié)點(diǎn)i,j在矩陣中對(duì)應(yīng)的值，n為維度的總數(shù)這里是4,m表示第幾個(gè)維度，cm(i，j)表示兩點(diǎn)在m維度是否被劃分在同一社區(qū)，若兩點(diǎn)在第m個(gè)維度被劃為同一社區(qū)則cm(i，j)值1，否則的話為0；遍歷矩陣i，將所有值小于4的數(shù)全部設(shè)置為零，得到區(qū)域矩陣f；對(duì)矩陣f進(jìn)行深度優(yōu)先遍歷，得到其所有的連通子區(qū)域，將子區(qū)域節(jié)點(diǎn)數(shù)目超過(guò)1的區(qū)域存入候選種子社區(qū)集合cl，l＝0。

進(jìn)一步，通過(guò)單關(guān)系網(wǎng)絡(luò)m來(lái)計(jì)算網(wǎng)絡(luò)中各節(jié)點(diǎn)之間的相似度sim:

其中k表示i,j被劃為相同社區(qū)的維度個(gè)數(shù)，n＝4，δ增益因子為1，w(i，j)時(shí)節(jié)點(diǎn)i和節(jié)點(diǎn)j的連接邊權(quán)重，com(i，j)兩個(gè)節(jié)點(diǎn)鄰居節(jié)點(diǎn)交集，n(i，j)是兩個(gè)節(jié)點(diǎn)的鄰居節(jié)點(diǎn)并集。

進(jìn)一步，選取與si相似度超過(guò)設(shè)定閾值γ＝1的社區(qū)和節(jié)點(diǎn)放入候選區(qū)，計(jì)算si當(dāng)前適應(yīng)度f(wàn)以及候選區(qū)各社區(qū)的當(dāng)前適應(yīng)度f(wàn)h，計(jì)算公式如下：

其中式子的是社區(qū)內(nèi)部邊的權(quán)重之和的兩倍，是與社區(qū)外部邊的權(quán)重之和，α為調(diào)控社區(qū)規(guī)模大小的參數(shù)，取值設(shè)為一；

然后分別計(jì)算候選合并區(qū)的社區(qū)和節(jié)點(diǎn)與si合并后的適應(yīng)度值記為，然后計(jì)算fnew相對(duì)于si原來(lái)的適應(yīng)度f(wàn)的增長(zhǎng)率vs以及候選社區(qū)適應(yīng)度f(wàn)h的增長(zhǎng)率vh；

在vs和vh都大于增長(zhǎng)率閾值δ＝0.1的前提下，選取vs+vh最大的那個(gè)社區(qū)與si合并成一個(gè)新社區(qū)，更新si和種子社區(qū)集合cl；若沒(méi)有符合條件的，則檢查集合cl中現(xiàn)有社區(qū)是否都已是合并過(guò)的；是的話將集合cl中所有社區(qū)的合并記錄清零；

檢查社區(qū)數(shù)目，若小于等與k，則輸出結(jié)果，程序結(jié)束，輸出集合cl；若大于k，則以包含節(jié)點(diǎn)數(shù)目最多的前k個(gè)社區(qū)為目標(biāo)，依次計(jì)算剩余社區(qū)與他們的相似度，將剩余社區(qū)和節(jié)點(diǎn)歸并入跟他們相似度最高的前k個(gè)社區(qū)，更新集合cl，最后輸出社區(qū)集合cl作為最終劃分結(jié)果。

本發(fā)明的另一目的在于提供一種應(yīng)用所述基于關(guān)系組合優(yōu)化和種子擴(kuò)張的多關(guān)系社區(qū)發(fā)現(xiàn)方法的社會(huì)網(wǎng)絡(luò)。

本發(fā)明的另一目的在于提供一種應(yīng)用所述基于關(guān)系組合優(yōu)化和種子擴(kuò)張的多關(guān)系社區(qū)發(fā)現(xiàn)方法的計(jì)算機(jī)。

本發(fā)明的優(yōu)點(diǎn)及積極效果為：

1.本發(fā)明對(duì)多關(guān)系網(wǎng)絡(luò)中的各種關(guān)系通過(guò)權(quán)重配比來(lái)進(jìn)行組合優(yōu)化，能夠在綜合各關(guān)系網(wǎng)絡(luò)有效信息的同時(shí)更好地克服不同關(guān)系網(wǎng)絡(luò)帶來(lái)的社交噪音，在各關(guān)系噪音較大時(shí)，依然能夠獲得比較準(zhǔn)確的社區(qū)劃分結(jié)果。本發(fā)明通過(guò)綜合多關(guān)系網(wǎng)絡(luò)中各關(guān)系的社區(qū)劃分信息將在各個(gè)關(guān)系中都處于同一個(gè)社區(qū)的人群尋找出來(lái)，這些非常固定的社交圈子一般都處于所在社區(qū)的核心位置，以他們作為種子社區(qū)進(jìn)行擴(kuò)張更有利于發(fā)現(xiàn)出多關(guān)系網(wǎng)絡(luò)中隱含的真實(shí)社區(qū)。人工網(wǎng)絡(luò)實(shí)驗(yàn)表明，本發(fā)明的社區(qū)發(fā)現(xiàn)結(jié)果有的準(zhǔn)確性比傳統(tǒng)方法平均提高了越9％，具體效果見(jiàn)圖4。在各關(guān)系攜帶的噪音比例差距高達(dá)50％的惡劣情況下，傳統(tǒng)多關(guān)系方法受噪音影響社區(qū)發(fā)現(xiàn)結(jié)果準(zhǔn)確性降低到71％已不如單獨(dú)采用噪音最小的關(guān)系的82％，而這種情況下本發(fā)明的準(zhǔn)確性為86.3％，具體效果見(jiàn)圖5。

附圖說(shuō)明

圖1是本發(fā)明實(shí)施例提供的基于關(guān)系組合優(yōu)化和種子擴(kuò)張的多關(guān)系社區(qū)發(fā)現(xiàn)方法流程圖。

圖2是本發(fā)明實(shí)施例提供的基于關(guān)系組合優(yōu)化和種子擴(kuò)張的多關(guān)系社區(qū)發(fā)現(xiàn)實(shí)現(xiàn)流程圖。

圖3是本發(fā)明實(shí)施例提供的的結(jié)果與只采用一種關(guān)系進(jìn)行社區(qū)發(fā)現(xiàn)的結(jié)果對(duì)比示意圖。

圖4是本發(fā)明實(shí)施例提供的與傳統(tǒng)多關(guān)系社區(qū)發(fā)現(xiàn)方法pmm在不同噪音下的結(jié)果對(duì)比示意圖。

圖5是本發(fā)明實(shí)施例提供的本發(fā)明具體效果示意圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

下面結(jié)合附圖對(duì)本發(fā)明的應(yīng)用原理作詳細(xì)的描述。

本發(fā)明實(shí)施例提供的基于關(guān)系組合優(yōu)化和種子擴(kuò)張的多關(guān)系社區(qū)發(fā)現(xiàn)方法通過(guò)優(yōu)化網(wǎng)絡(luò)中各種關(guān)系的權(quán)重配比將多關(guān)系網(wǎng)絡(luò)融合成一個(gè)能有效綜合各關(guān)系社區(qū)信息的同時(shí)噪音低的單關(guān)系網(wǎng)絡(luò)，然后綜合多關(guān)系網(wǎng)絡(luò)中各關(guān)系的社區(qū)劃分信息將在各個(gè)關(guān)系中都處于同一個(gè)社區(qū)的人群尋找出來(lái)，以這些人群組成的小社區(qū)作為種子社區(qū)，采用一種種子擴(kuò)張策略對(duì)多關(guān)系社會(huì)網(wǎng)絡(luò)進(jìn)行社區(qū)挖掘，從而得到準(zhǔn)確率更高的的社區(qū)結(jié)構(gòu)劃分。

如圖1所示，本發(fā)明實(shí)施例提供的基于關(guān)系組合優(yōu)化和種子擴(kuò)張的多關(guān)系社區(qū)發(fā)現(xiàn)方法包括以下步驟：

s101：將多關(guān)系網(wǎng)絡(luò)的各關(guān)系直接按照1:1比例來(lái)配置權(quán)重將多關(guān)系網(wǎng)絡(luò)合并成一個(gè)帶權(quán)重的單關(guān)系網(wǎng)絡(luò)；

s102：采用一種單關(guān)系社區(qū)劃分算法對(duì)該網(wǎng)絡(luò)進(jìn)行社區(qū)劃分，采用某種衡量指標(biāo)計(jì)算劃分結(jié)果社區(qū)結(jié)構(gòu)強(qiáng)度；

s103：采用一種多目標(biāo)進(jìn)化算法對(duì)各維度關(guān)系的權(quán)重組合配比進(jìn)行優(yōu)化優(yōu)化目標(biāo)一為的新權(quán)重合并成的網(wǎng)絡(luò)的社區(qū)劃分結(jié)果與最開(kāi)始1:1合并成的網(wǎng)絡(luò)社區(qū)劃分結(jié)果的社區(qū)結(jié)構(gòu)強(qiáng)度指標(biāo)之差盡可能大；優(yōu)化目標(biāo)二采用一種指標(biāo)衡量二者社區(qū)劃分結(jié)果相似度，使相似度盡可能高；

s104：用優(yōu)化后的權(quán)重配比將多關(guān)系網(wǎng)絡(luò)轉(zhuǎn)化成單關(guān)系網(wǎng)絡(luò)；

s105：采用一種單關(guān)系社區(qū)發(fā)現(xiàn)算法分別對(duì)每個(gè)關(guān)系組成的網(wǎng)絡(luò)進(jìn)行社區(qū)劃分，統(tǒng)計(jì)關(guān)系社區(qū)發(fā)現(xiàn)的結(jié)果，將在所有關(guān)系中都處于一個(gè)社區(qū)的節(jié)點(diǎn)作為候選種子社區(qū)；

s106：通過(guò)所選用的社區(qū)相似度函數(shù)和局部適應(yīng)度函數(shù)在種子社區(qū)和剩余節(jié)點(diǎn)間進(jìn)行合并；

s107：合并結(jié)束后檢測(cè)社區(qū)數(shù)目決定是否使用消除策略，輸出最終社區(qū)劃分結(jié)果。

本發(fā)明實(shí)施例提供的基于關(guān)系組合優(yōu)化和種子擴(kuò)張的多關(guān)系社區(qū)發(fā)現(xiàn)方法具體包括以下步驟：

1)將多關(guān)系網(wǎng)絡(luò)的各關(guān)系直接按照相同比例來(lái)配置權(quán)重把多關(guān)系網(wǎng)絡(luò)合并成一個(gè)帶權(quán)的單關(guān)系網(wǎng)絡(luò)a。

2)采用一種單關(guān)系的社區(qū)劃分方法對(duì)網(wǎng)絡(luò)a進(jìn)行社區(qū)劃分，所得的社區(qū)劃分結(jié)果記為ca，接著采用一種衡量社區(qū)發(fā)現(xiàn)結(jié)果可靠性及結(jié)構(gòu)強(qiáng)度的指標(biāo)對(duì)結(jié)果ca進(jìn)行衡量，衡量出的值記為qa。

3)以各關(guān)系的權(quán)重配比作為決策變量，采用一種多目標(biāo)優(yōu)化方法同時(shí)對(duì)下列兩個(gè)子目標(biāo)進(jìn)行優(yōu)化來(lái)獲得一組最優(yōu)決策變量集；

優(yōu)化子目標(biāo)一：新的權(quán)重配比合并成的單關(guān)系網(wǎng)絡(luò)b與網(wǎng)絡(luò)a的社區(qū)劃分結(jié)果的結(jié)構(gòu)衡量指標(biāo)差值盡可能大；

優(yōu)化子目標(biāo)二：新的權(quán)重配比合并成的單關(guān)系網(wǎng)絡(luò)b與網(wǎng)絡(luò)a的社區(qū)劃分結(jié)果所顯示的社區(qū)結(jié)構(gòu)信息相似性盡可能大，二者社區(qū)結(jié)構(gòu)信息相似性可以用一些常用的指標(biāo)，比如標(biāo)準(zhǔn)化互信息nmi。

4)在步驟3)獲得的最優(yōu)決策變量集中選擇使子目標(biāo)一最大的權(quán)重配比將多關(guān)系網(wǎng)絡(luò)融合成單關(guān)系網(wǎng)絡(luò)m，并采用一種單關(guān)系社區(qū)發(fā)現(xiàn)方法對(duì)m進(jìn)行社區(qū)發(fā)現(xiàn)，將所獲社區(qū)個(gè)數(shù)記為k。

5)采用一種單關(guān)系社區(qū)發(fā)現(xiàn)方法分別對(duì)每個(gè)關(guān)系組成的網(wǎng)絡(luò)進(jìn)行社區(qū)劃分。

6)設(shè)置迭代標(biāo)志l＝0，對(duì)步驟5)各關(guān)系社區(qū)發(fā)現(xiàn)的結(jié)果進(jìn)行統(tǒng)計(jì)，將在所有關(guān)系中都處于一個(gè)社區(qū)的節(jié)點(diǎn)作為種子社區(qū)放入種子社區(qū)集合cl中。

7)通過(guò)單關(guān)系網(wǎng)絡(luò)m通過(guò)一種相似度計(jì)算方法來(lái)計(jì)算網(wǎng)絡(luò)中各節(jié)點(diǎn)之間的相似度。

8)若l＝0，令l＝l+1，集合cl＝cl-1，進(jìn)行下一步；若l>0,檢測(cè)集合cl與cl-1是否一樣，是則轉(zhuǎn)步驟11)，否則令l＝l+1，集合cl＝cl-1進(jìn)行下一步。

9)將種子社區(qū)候選集合cl中的尚未參與過(guò)合并的社區(qū)按照社區(qū)包含的節(jié)點(diǎn)數(shù)量從大到小進(jìn)行排序，選取排序最高的社區(qū)si作為種子社區(qū)。

10)通過(guò)步驟7)計(jì)算出來(lái)的相似度計(jì)算種子社區(qū)si與其余候選種子社區(qū)以及剩余節(jié)點(diǎn)的相似度記為sim。

11)選取與si相似度超過(guò)設(shè)定閾值β的社區(qū)和節(jié)點(diǎn)放入候選區(qū)，通過(guò)一種局部適應(yīng)度計(jì)算方法計(jì)算si當(dāng)前適應(yīng)度f(wàn)以及候選區(qū)各社區(qū)的當(dāng)前適應(yīng)度f(wàn)h，然后分別計(jì)算候選合并區(qū)的社區(qū)和節(jié)點(diǎn)與si合并后的適應(yīng)度值記為fnew,接著計(jì)算fnew相對(duì)于si原來(lái)的適應(yīng)度f(wàn)的增長(zhǎng)率vs以及候選社區(qū)適應(yīng)度f(wàn)new的增長(zhǎng)率vh。

12)在vs和vh都大于增長(zhǎng)率閾值δ的前提下，選使vs+vh最大的候選社區(qū)sj與si合并成一個(gè)新社區(qū)，更新si和種子社區(qū)集合cl，返回步驟10)；若沒(méi)有符合條件的，則檢查集合cl中現(xiàn)有社區(qū)是否都已是合并過(guò)的，否的話返回步驟9)，是的話將集合cl中所有社區(qū)的合并記錄清零，返回步驟8)。

13)檢查網(wǎng)絡(luò)中社區(qū)數(shù)目，若小于等與k，則輸出結(jié)果，程序結(jié)束，輸出集合cl；若大于k，則執(zhí)行如下消除策略；

以包含節(jié)點(diǎn)數(shù)目最多的前k個(gè)社區(qū)為目標(biāo)，依次計(jì)算剩余社區(qū)及節(jié)點(diǎn)與他們的相似度，將剩余社區(qū)和節(jié)點(diǎn)歸并入跟他們相似度最高的前k個(gè)社區(qū)，更新集合cl，最后輸出社區(qū)集合cl作為最終劃分結(jié)果。

下面結(jié)合附圖對(duì)本發(fā)明的應(yīng)用原理作進(jìn)一步的描述。

本發(fā)明實(shí)施例提供的基于關(guān)系組合優(yōu)化和種子擴(kuò)張的多關(guān)系社區(qū)發(fā)現(xiàn)方法包括以下步驟：

步驟一：輸入多關(guān)系網(wǎng)絡(luò)，并將各關(guān)系網(wǎng)絡(luò)處理成鄰接矩陣，輸入相似度閾值σ＝1及增長(zhǎng)率閾值β＝0.1；

采用的多關(guān)系網(wǎng)絡(luò)為人工生成網(wǎng)絡(luò)，人造網(wǎng)絡(luò)的大小為350個(gè)節(jié)點(diǎn)，包含三個(gè)社區(qū)，每個(gè)社區(qū)分別包括50,100和200個(gè)節(jié)點(diǎn)。節(jié)點(diǎn)之間存在四個(gè)維度的關(guān)系，即節(jié)點(diǎn)間存在著四種連接方式。同一社區(qū)間的節(jié)點(diǎn)以概率u進(jìn)行連接，不屬于同一社區(qū)的節(jié)點(diǎn)間的連接概率根據(jù)維度變化，即不同關(guān)系下的不同社區(qū)間節(jié)點(diǎn)的連接概率v不同。同時(shí)向網(wǎng)絡(luò)中加入了噪聲，噪聲產(chǎn)生的方法是網(wǎng)絡(luò)中所有節(jié)點(diǎn)之間以概率r進(jìn)行隨機(jī)連接。

步驟二：將多關(guān)系網(wǎng)絡(luò)的四個(gè)關(guān)系直接按照1:1比例來(lái)配置權(quán)重將多關(guān)系網(wǎng)絡(luò)合并成一個(gè)帶權(quán)重的單關(guān)系網(wǎng)絡(luò)a，本發(fā)明實(shí)施例選用單關(guān)系的社區(qū)劃分算法bgll對(duì)網(wǎng)絡(luò)a進(jìn)行社區(qū)劃分，所得的社區(qū)劃分結(jié)果記為ca，本發(fā)明實(shí)施例采用模塊度作為衡量結(jié)果社區(qū)結(jié)構(gòu)強(qiáng)度和可靠性的指標(biāo)，計(jì)算結(jié)果ca的模塊度qa，模塊度計(jì)算如下：

其中ai，j是整個(gè)網(wǎng)絡(luò)的鄰接矩陣，m是網(wǎng)絡(luò)中包含的邊的數(shù)目，ki和kj分別表示節(jié)點(diǎn)i和節(jié)點(diǎn)j的度數(shù)，δ(ci，cj)的取值取決于i和j是否處于同一個(gè)社區(qū)內(nèi)，是的話δ(ci，cj)取值為，否則話其取值為0。

步驟三：以各關(guān)系的權(quán)重配比作為決策變量，采用一種多目標(biāo)優(yōu)化方法同時(shí)對(duì)下列兩個(gè)子目標(biāo)進(jìn)行優(yōu)化來(lái)獲得一組最優(yōu)決策變量集；

優(yōu)化子目標(biāo)一：新的權(quán)重配比合并成的單關(guān)系網(wǎng)絡(luò)b與網(wǎng)絡(luò)a的社區(qū)劃分結(jié)果的模塊度差值盡可能大，優(yōu)化子目標(biāo)二：新的權(quán)重配比合并成的單關(guān)系網(wǎng)絡(luò)b與網(wǎng)絡(luò)a的社區(qū)劃分結(jié)果所顯示的社區(qū)結(jié)構(gòu)信息相似性盡可能大，本實(shí)施案例使用標(biāo)準(zhǔn)化互信息nmi，按如下計(jì)算：

其中混淆矩陣h的行代表真實(shí)的社區(qū)劃分結(jié)果，h的列代表劃分算法畫(huà)出來(lái)的社區(qū)結(jié)果。ca和cb分別代表a，b兩個(gè)結(jié)果包含的社區(qū)個(gè)數(shù)，hij代表應(yīng)該在社區(qū)i中卻出現(xiàn)在社區(qū)j中的節(jié)點(diǎn)個(gè)數(shù)，hi.和h.j分別代表第i行和第j列的社區(qū)的節(jié)點(diǎn)數(shù)之和，n是整個(gè)網(wǎng)絡(luò)中所含的節(jié)點(diǎn)數(shù)目。當(dāng)nmi＝1時(shí)，代表a和b兩個(gè)結(jié)果的社區(qū)結(jié)構(gòu)完全相同，nmi＝0，時(shí)代表完全不一樣。多目標(biāo)遺傳算法初始種群大小為50，交叉概率0.8，變異概率0.2，迭代次數(shù)300，編碼方式為實(shí)數(shù)編碼。

步驟四：在步驟三獲得的最優(yōu)解集中選擇使模塊度值最大的解作為最終解，根據(jù)最終解給出的權(quán)重配比將多關(guān)系網(wǎng)絡(luò)合并成單關(guān)系網(wǎng)絡(luò)m，并采用一種單關(guān)系社區(qū)發(fā)現(xiàn)算法對(duì)m進(jìn)行社區(qū)發(fā)現(xiàn)，將所獲社區(qū)個(gè)數(shù)記為k，這里k＝3。

步驟五：采用單關(guān)系社區(qū)發(fā)現(xiàn)算法bgll分別對(duì)四個(gè)關(guān)系組成的網(wǎng)絡(luò)進(jìn)行社區(qū)劃分，統(tǒng)計(jì)劃分結(jié)果根據(jù)式子得到親密度矩陣i，其中iij為節(jié)點(diǎn)i,j在矩陣中對(duì)應(yīng)的值，n為維度的總數(shù)這里是4,m表示第幾個(gè)維度，cm(i，j)表示兩點(diǎn)在m維度是否被劃分在同一社區(qū)，若兩點(diǎn)在第m個(gè)維度被劃為同一社區(qū)則cm(i，j)值1，否則的話為0；遍歷矩陣i，將所有值小于4的數(shù)全部設(shè)置為零，得到區(qū)域矩陣f；對(duì)矩陣f進(jìn)行深度優(yōu)先遍歷，得到其所有的連通子區(qū)域，將子區(qū)域節(jié)點(diǎn)數(shù)目超過(guò)1的區(qū)域存入候選種子社區(qū)集合cl，l＝0。

步驟六：通過(guò)單關(guān)系網(wǎng)絡(luò)m來(lái)計(jì)算網(wǎng)絡(luò)中各節(jié)點(diǎn)之間的相似度sim:

其中k表示i,j被劃為相同社區(qū)的維度個(gè)數(shù)，n＝4，δ增益因子為1，w(i，j)時(shí)節(jié)點(diǎn)i和節(jié)點(diǎn)j的連接邊權(quán)重，com(i，j)兩個(gè)節(jié)點(diǎn)鄰居節(jié)點(diǎn)交集，n(i，j)是兩個(gè)節(jié)點(diǎn)的鄰居節(jié)點(diǎn)并集。

步驟七：若l＝0，令l＝l+1，集合cl＝cl-1，進(jìn)行下一步；否的話檢測(cè)集合cl與cl-1是否一樣，是的話轉(zhuǎn)步驟十一，否則，令l＝l+1，集合cl＝cl-1進(jìn)行下一步。

步驟八：將種子社區(qū)候選集合cl中的尚未參與過(guò)合并的社區(qū)按照社區(qū)包含的節(jié)點(diǎn)個(gè)數(shù)多少排序，選取節(jié)點(diǎn)數(shù)最多的社區(qū)si作為種子社區(qū)。

步驟九：計(jì)算種子社區(qū)si與其余候選種子社區(qū)以及剩余節(jié)點(diǎn)的相似度，計(jì)算式子如下：

u和v分別是社區(qū)si，sj中的節(jié)點(diǎn)，ni和nj分別是兩個(gè)社區(qū)中節(jié)點(diǎn)的數(shù)量，和是節(jié)點(diǎn)編號(hào)集合。

步驟十：選取與si相似度超過(guò)設(shè)定閾值γ＝1的社區(qū)和節(jié)點(diǎn)放入候選區(qū)，計(jì)算si當(dāng)前適應(yīng)度f(wàn)以及候選區(qū)各社區(qū)的當(dāng)前適應(yīng)度f(wàn)h，計(jì)算公式如下：

其中式子的是社區(qū)內(nèi)部邊的權(quán)重之和的兩倍，是與社區(qū)外部邊的權(quán)重之和，α為調(diào)控社區(qū)規(guī)模大小的參數(shù)，這里取值設(shè)為一；

然后分別計(jì)算候選合并區(qū)的社區(qū)和節(jié)點(diǎn)與si合并后的適應(yīng)度值記為，然后計(jì)算fnew相對(duì)于si原來(lái)的適應(yīng)度f(wàn)的增長(zhǎng)率vs以及候選社區(qū)適應(yīng)度f(wàn)h的增長(zhǎng)率vh。

步驟十一：在vs和vh都大于增長(zhǎng)率閾值δ＝0.1的前提下，選取vs+vh最大的那個(gè)社區(qū)與si合并成一個(gè)新社區(qū)，更新si和種子社區(qū)集合cl，返回步驟十；若沒(méi)有符合條件的，則檢查集合cl中現(xiàn)有社區(qū)是否都已是合并過(guò)的，否的話返回步驟九，是的話將集合cl中所有社區(qū)的合并記錄清零，返回步驟八。

步驟十二：檢查社區(qū)數(shù)目，若小于等與k，則輸出結(jié)果，程序結(jié)束，輸出集合cl；若大于k，則以包含節(jié)點(diǎn)數(shù)目最多的前k個(gè)社區(qū)為目標(biāo)，依次計(jì)算剩余社區(qū)與他們的相似度，將剩余社區(qū)和節(jié)點(diǎn)歸并入跟他們相似度最高的前k個(gè)社區(qū)，更新集合cl，最后輸出社區(qū)集合cl作為最終劃分結(jié)果。

下面結(jié)合仿真對(duì)本發(fā)明的應(yīng)用效果作詳細(xì)的描述。

仿真一為本發(fā)明實(shí)施案例中u＝0.5，噪聲r(shí)＝0.1的情況下本發(fā)明與只采用一種關(guān)系用bgll算法進(jìn)行社區(qū)發(fā)現(xiàn)的結(jié)果對(duì)比，采用nmi值來(lái)驗(yàn)證實(shí)驗(yàn)結(jié)果與真實(shí)社區(qū)結(jié)構(gòu)的相似度，見(jiàn)圖3?？梢钥闯霾捎枚喾N關(guān)系進(jìn)行社區(qū)發(fā)現(xiàn)的結(jié)果優(yōu)于只采用一種關(guān)系的結(jié)果。

仿真二為本發(fā)明實(shí)施案例中不斷加大噪聲時(shí)(從0.1增加到0.4，每次增加0.05)，本發(fā)明的檢測(cè)結(jié)果與傳統(tǒng)的pmm方法的對(duì)比，見(jiàn)圖4?？梢钥闯霰景l(fā)明的方法的抗噪音效果比較強(qiáng)。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。