本發(fā)明涉及數(shù)據(jù)挖掘，尤其是一種基于核心社區(qū)吸引機制的標簽傳播重疊社區(qū)檢測方法。

背景技術：

1、隨著社會信息化的不斷發(fā)展，復雜網(wǎng)絡在各個領域中的應用越來越廣泛。復雜網(wǎng)絡不僅廣泛應用于社交網(wǎng)絡、生物網(wǎng)絡、通信網(wǎng)絡等，還在信息傳播、病毒擴散、經濟系統(tǒng)等方面起到了重要的作用。在這些復雜網(wǎng)絡中，核心社區(qū)結構是其核心特征之一。核心社區(qū)檢測，即識別出網(wǎng)絡中高度關聯(lián)的節(jié)點群體，是理解網(wǎng)絡結構和功能的重要手段之一。傳統(tǒng)的核心社區(qū)檢測方法大多針對非重疊核心社區(qū)進行研究，但現(xiàn)實世界中的很多網(wǎng)絡，如社交網(wǎng)絡和生物網(wǎng)絡，節(jié)點往往同時屬于多個核心社區(qū)，因此，重疊核心社區(qū)檢測成為一個亟待解決的難題。

2、現(xiàn)有的核心社區(qū)檢測方法中，標簽傳播算法因其簡單、高效而受到廣泛關注。傳統(tǒng)標簽傳播算法通過節(jié)點之間標簽的相互傳播和更新來檢測核心社區(qū)結構。然而，這種方法在處理大規(guī)模復雜網(wǎng)絡時，存在著精度和效率不足的問題。特別是在重疊核心社區(qū)檢測中，節(jié)點可能同時屬于多個核心社區(qū)，傳統(tǒng)標簽傳播算法難以準確區(qū)分和檢測這些重疊核心社區(qū)，導致結果不夠精確。

3、傳統(tǒng)標簽傳播算法在大規(guī)模復雜網(wǎng)絡中的應用也面臨著一些挑戰(zhàn)。首先，由于網(wǎng)絡的復雜性和多樣性，標簽傳播過程中容易受到噪聲的干擾，影響核心社區(qū)檢測的準確性。其次，隨著網(wǎng)絡規(guī)模的增大，計算量急劇增加，導致算法收斂速度變慢，影響整體性能。此外，傳統(tǒng)方法難以在保證準確性的同時，實現(xiàn)高效的計算和快速的收斂，這在實際應用中帶來了很大的局限性。

技術實現(xiàn)思路

1、針對現(xiàn)有技術的不足，本發(fā)明提供一種基于核心社區(qū)吸引機制的標簽傳播重疊社區(qū)檢測方法，本發(fā)明通過引入核心社區(qū)吸引機制，能夠更準確地識別并區(qū)分重疊核心社區(qū)，減少噪聲干擾，提高檢測精度，同時，通過優(yōu)化計算過程，顯著提高算法的收斂速度，實現(xiàn)高效計算。

2、本發(fā)明的技術方案為：基于核心社區(qū)吸引機制的標簽傳播重疊社區(qū)檢測方法，包括如下步驟：

3、s1)、通過將節(jié)點表示為個體，將邊表示為個體之間的關系，構建網(wǎng)絡模型；

4、s2)、對網(wǎng)絡模型g進行預處理；

5、s3)、通過基于節(jié)點度中心性的方法識別網(wǎng)絡模型g中的核心社區(qū)；

6、s4)、初始化標簽傳播過程，為每個核心社區(qū)分配唯一的標簽；

7、s5)、從核心社區(qū)開始，按照節(jié)點與核心社區(qū)的關聯(lián)度傳播標簽，并基于連邊數(shù)量和權重對傳播權重進行調整；

8、s6)、逐步覆蓋整個網(wǎng)絡模型g，確保所有節(jié)點都分配到標簽；

9、s7)、允許節(jié)點同時屬于多個核心社區(qū)，根據(jù)節(jié)點與不同核心社區(qū)的關聯(lián)度，調整節(jié)點的標簽分配，形成重疊核心社區(qū)結構；

10、s8)、對標簽傳播結果進行評估，通過模塊度和核心社區(qū)密度評估核心社區(qū)劃分結果；

11、s9)、根據(jù)評估結果，調整核心社區(qū)吸引機制和標簽傳播參數(shù)，優(yōu)化核心社區(qū)檢測效果；

12、s10)、重復標簽傳播和評估優(yōu)化過程，直至核心社區(qū)檢測結果達到預設標準。

13、作為優(yōu)選的，步驟s1)中，所述的網(wǎng)絡模型g的構建，具體包括如下步驟：

14、s11)、定義網(wǎng)絡模型的節(jié)點集合v和邊集合e；其中，節(jié)點v∈v表示個體，邊e∈e表示個體之間的關系；

15、s12)、通過收集網(wǎng)絡數(shù)據(jù)，確定節(jié)點v和邊e的初始集合，記錄每個節(jié)點和邊的屬性信息；

16、s13)、構建鄰接矩陣a，其中，鄰接矩陣a的元素aij表示節(jié)點vi和節(jié)點vj之間的關系，若存在邊eij，則aij＝1，否則aij＝0；

17、s14)、為每條邊eij分配權重wij；

18、s15)、構建網(wǎng)絡模型的圖結構，即：

19、g＝(v,e,w)；

20、其中，v表示節(jié)點集合，e表示邊集合，w表示邊的權重集合。

21、作為優(yōu)選的，步驟s14)中，所述的權重wij根據(jù)節(jié)點之間關系的強度或頻率確定，包括利用連接次數(shù)或交互頻率來確定權重wij。

22、作為優(yōu)選的，步驟s2)中，對網(wǎng)絡模型g進行預處理包括去除噪聲節(jié)點和邊，并對邊的權重進行標準化處理。

23、作為優(yōu)選的，步驟s3)中，基于節(jié)點度中心性的方法識別網(wǎng)絡模型g中的核心社區(qū)，具體包括如下步驟：

24、s31)、計算每個節(jié)點v∈v的度d(v)，所述的度d(v)表示與節(jié)點v直接相連的邊的數(shù)量；

25、s32)、基于節(jié)點的度中心性，確定初始核心節(jié)點集合c，其中，度中心性較高的節(jié)點優(yōu)先選擇為核心節(jié)點；

26、s33)、通過計算節(jié)點之間的加權連通性，進一步篩選核心節(jié)點，形成最終核心社區(qū)集合；

27、s34)、引入加權模塊度qw作為評估指標，確定核心社區(qū)的邊界；

28、s35)、根據(jù)加權模塊度qw的計算結果，調整核心社區(qū)的范圍，確保核心社區(qū)具有較強的內部連通性和明顯的邊界；

29、s36)、將識別出的核心社區(qū)作為標簽傳播過程的起點，為每個核心社區(qū)分配唯一的標簽。

30、作為優(yōu)選的，步驟s4)中，每個核心社區(qū)分配唯一的標簽，具體包括如下步驟：

31、s41)、為每個核心社區(qū)ci∈c分配唯一標簽li，其中i為核心社區(qū)的索引；

32、s42)、將每個核心社區(qū)中的所有節(jié)點初始標簽設定為該核心社區(qū)的標簽li，即對于核心社區(qū)ci中的所有節(jié)點v∈ci，設置l(v)＝li；

33、s43)、在網(wǎng)絡模型g中的每個節(jié)點上初始化標簽集合l(v)，其中標簽集合l(v)包含該節(jié)點所屬核心社區(qū)的標簽；

34、s44)、記錄每個節(jié)點及其對應的標簽集合l(v)，形成初始標簽分布。

35、作為優(yōu)選的，步驟s5)中，從核心社區(qū)開始，按照節(jié)點與核心社區(qū)的關聯(lián)度傳播標簽，并基于連邊數(shù)量和權重對傳播權重進行調整，具體包括如下步驟：

36、s51)、從每個核心社區(qū)ci開始，選取核心社區(qū)中的節(jié)點作為標簽傳播的起點；

37、s52)、計算每個節(jié)點v與核心社區(qū)ci的關聯(lián)度r(v,ci)；

38、s53)、根據(jù)節(jié)點v與核心社區(qū)ci的關聯(lián)度r(v,ci)，確定標簽傳播的優(yōu)先級，優(yōu)先級較高的節(jié)點首先傳播標簽；

39、s54)、在標簽傳播過程中，基于連邊數(shù)量和邊的權重動態(tài)調整標簽的傳播權重wp(v)；

40、s55)、將標簽li傳播到與核心社區(qū)節(jié)點直接相連的節(jié)點，并根據(jù)傳播權重wp(v)動態(tài)更新這些節(jié)點的標簽集合l(v)；

41、s56)、重復標簽傳播過程，直至所有節(jié)點都接收到來自核心社區(qū)的標簽。

42、作為優(yōu)選的，步驟s7)中，允許節(jié)點同時屬于多個核心社區(qū)，根據(jù)節(jié)點與不同核心社區(qū)的關聯(lián)度，調整節(jié)點的標簽分配，形成重疊核心社區(qū)結構，具體包括如下步驟：

43、s71)、在標簽傳播過程中，記錄每個節(jié)點v的標簽集合l(v)，初始標簽集合來自核心社區(qū)的標簽；

44、s72)、根據(jù)每個節(jié)點v與不同核心社區(qū)的關聯(lián)度r(v,ci)，計算節(jié)點v屬于每個核心社區(qū)ci的概率p(v,ci)；

45、s73)、根據(jù)概率p(v,ci)，調整每個節(jié)點v的標簽集合l(v)，確保節(jié)點能夠同時屬于多個核心社區(qū)；

46、s74)、在每次迭代中，基于節(jié)點與其鄰居節(jié)點的交互，動態(tài)更新每個節(jié)點的標簽集合l(v)；

47、s75)、重復標簽傳播和調整過程，直到所有節(jié)點的標簽集合l(v)穩(wěn)定，形成準確的重疊核心社區(qū)結構；

48、s76)、最終輸出每個節(jié)點的標簽集合l(v)，并根據(jù)標簽集合形成的重疊核心社區(qū)結構進行評估和驗證。

49、作為優(yōu)選的，步驟s8)中，對標簽傳播結果進行評估，通過模塊度和核心社區(qū)密度評估核心社區(qū)劃分結果，具體包括如下步驟：

50、s81)、對標簽傳播結果進行初步評估，記錄每個節(jié)點v的最終標簽集合l(v)；

51、s82)、計算核心社區(qū)劃分的模塊度q；

52、s83)、計算每個核心社區(qū)的核心社區(qū)密度d(ci)；

53、s84)、對核心社區(qū)劃分結果進行進一步評估，計算平均核心社區(qū)密度dˉ和平均模塊度qˉ；并根據(jù)平均核心社區(qū)密度dˉ和平均模塊度qˉ對標簽傳播結果進行綜合評估；

54、s85)、根據(jù)評估結果，對標簽傳播過程進行必要的調整和優(yōu)化，最終輸出經過評估和優(yōu)化的核心社區(qū)劃分結果，并生成相應的評估報告。

55、作為優(yōu)選的，步驟s9)中，根據(jù)評估結果，調整核心社區(qū)吸引機制和標簽傳播參數(shù)，優(yōu)化核心社區(qū)檢測效果，具體包括如下步驟：

56、s91)、根據(jù)核心社區(qū)劃分評估結果，分析模塊度q和核心社區(qū)密度d(ci)的變化情況；

57、s92)、調整核心社區(qū)吸引機制，通過重新計算節(jié)點的度中心性和加權連通性w(vi,vj)，優(yōu)化核心社區(qū)的選擇和分配，重新定義核心社區(qū)集合c；

58、s93)、根據(jù)新的核心社區(qū)集合c，重新初始化標簽傳播過程，為每個核心社區(qū)分配唯一標簽；

59、s94)、調整標簽傳播參數(shù)，包括傳播權重和傳播概率；

60、s95)、優(yōu)化標簽傳播算法，采用自適應機制，根據(jù)節(jié)點之間的交互頻率和關聯(lián)度實時調整標簽傳播路徑和權重；

61、s96)、基于節(jié)點與核心社區(qū)的關聯(lián)度r(v,ci)和傳播權重wp(v)，動態(tài)調整每個節(jié)點的標簽集合l(v)；

62、s97)、通過多次迭代，不斷調整和優(yōu)化標簽傳播過程。

63、本發(fā)明的有益效果為：

64、1、本發(fā)明通過識別網(wǎng)絡中的核心社區(qū)，并利用這些核心社區(qū)引導標簽傳播過程，增強了標簽傳播的精度；

65、2、本發(fā)明基于節(jié)點度中心性和加權連通性，確保所選核心社區(qū)具有較強的內部連通性和明顯的邊界，從而準確反映網(wǎng)絡的實際結構，并且允許節(jié)點同時屬于多個核心社區(qū)，根據(jù)節(jié)點與不同核心社區(qū)的關聯(lián)度調整標簽分配，形成重疊核心社區(qū)結構；

66、3、本發(fā)明通過計算節(jié)點與各核心社區(qū)的關聯(lián)度，并基于傳播權重和傳播概率進行動態(tài)調整，使標簽傳播過程更加精確，最終獲得更為細致的核心社區(qū)劃分結果；

67、4、本發(fā)明采用自適應機制，根據(jù)節(jié)點之間的交互頻率和關聯(lián)度實時調整標簽傳播路徑和權重，減少不必要的計算開銷，提高傳播效率；

68、5、本發(fā)明通過動態(tài)調整傳播參數(shù)，使得算法在處理大規(guī)模復雜網(wǎng)絡時，能夠快速收斂，在標簽傳播過程中，傳播權重和傳播概率基于連邊數(shù)量和權重進行精確調整，確保標簽傳播的有效性和準確性，從而減少計算量，提升算法性能；

69、6、本發(fā)明通過模塊度和核心社區(qū)密度等指標對標簽傳播結果進行綜合評估，確保核心社區(qū)劃分結果的準確性和合理性；

70、7、本發(fā)明利用模塊度評估核心社區(qū)劃分的整體質量，利用核心社區(qū)密度評估核心社區(qū)內部的緊密程度，從而對核心社區(qū)檢測結果進行全面的質量把控，根據(jù)評估結果，動態(tài)調整核心社區(qū)吸引機制和標簽傳播參數(shù)，進一步優(yōu)化核心社區(qū)檢測效果；通過多次迭代和不斷優(yōu)化，確保最終核心社區(qū)劃分結果具有較高的準確性和有效性；

71、8、本發(fā)明通過核心社區(qū)吸引機制的引入，以及標簽傳播過程中的動態(tài)調整和優(yōu)化，顯著減少了計算量，使得算法在大規(guī)模復雜網(wǎng)絡中也能高效運行，自適應標簽傳播機制使得算法能夠快速收斂，減少了迭代次數(shù)，提升了整體性能。