一种多关系社会网络社区发现方案.docVIP

一种多关系社会网络的社区发现方案 　　摘要：社区发现是社会网络分析中的一个重要研究方向。针对实际社会网络中存在的多关系现象，通过计算节点之间的共有邻居相似度来实现多关系社会网络中的社区发现，并提出了设计方案。 　　关键词：复杂网络；社会网络；社区发现；共有邻居相似度 　　中图分类号：TP312文献标识码：A文章编号：1672??7800（2014）007??0046??02 　　 　　基金项目：国家博士后资助(2013M541938)；山东省博士后创新项目资助(201302036) 　　0引言 　　复杂网络是指节点众多、关系复杂的网络，其具有灵活的描述能力，因而广泛应用于多个科学领域并可以对复杂系统进行建模分析。作为复杂网络的一种，社会网络近年来吸引了越来越多研究者的关注。研究发现，社会网络普遍具有社区结构，换言之，社会网络是由多个社区组成的，这些社区之间的联系相对稀疏，而社区内部联系相对稠密。社会网络中蕴含着大量的社区，而这些社区蕴含了社会网络中十分重要的信息。社区发现是复杂社会网络分析中的一个基础性问题，社区结构不但反映了网络中个体节点行为的社区性特征以及社区之间所存在的重要关联关系，而且将整个网络简化为具有层次特征的社区以及社区关系。这将有利于降低整个社会网络研究的复杂性，便于社会网络的科学问题分析与基本规律发现。 　　然而，目前绝大多数社区发现方法都假定社会网络中仅存在单一关系，但是真实的社会网络中往往存在着多种不同的关系，也即实际的社会网络是多关系网络。因此， 目前的社区发现算法并不完全符合实际情况，无法满足用户需求。本文将针对多关系社会网络进行社区发现算法研究，并提出一种切实可行的研究方案。 　　1相关研究 　　社区发现是社会网络分析的一个重要研究方向。Newman［1］首次提出了社会网络中社区结构的概念，他认为庞大的社会网络中经常会存在一些联系紧密的小规模群体，并将其称为“社区”。研究发现，网络中的社区对于理解网络的结构和性质非常重要［2］。社会学的创始人也认为，应该通过社区而不是个体来研究社会现象的成因［3］。国内外学者提出了很多发现社区结构的算法，用以更好地分析网络的社区结构。目前，社会网络中社区结构的算法主要有这两种类型：社会学中的分级聚类［4］和计算机科学中的图分割［5］两类。 　　然而，这些传统的社区发现方法往往只专注社会网络中的单一关系，忽略了节点之间实际存在的多种关系；并且，现有的社会网络分析方法主要关注网络的拓扑结构而忽视网络中节点本身所具有的属性，比如共有邻居相似度属性。鉴于此，本文提出了一种多关系社会网络中的社区发现算法，该算法将以共有邻居相似度作为计算依据，通过计算节点之间的共有邻居相似度来实现多关系社会网络中的社区发现。 　　2算法 　　2.1问题定义 　　多关系社会网络结构从拓扑结构上分析，可以用多个无向图来表示，图中节点代表网络中的个体，图中边代表了节点之间的关系。多关系社会网络中的社区发现问题可以转化为多个无向图中的社区发现。 　　为了简单起见，仅考虑无向无权图。 　　定义1：一个包含p个关系的多关系网络可以表示为：A={A(1),A(2),…,A(p)}。其中A(p)表示第p个关系的网络图。 　　定义2：多关系社会网络可以形式化地表示为G=(V,E,L),其中L表示第L个关系，V表示第L个关系上的节点，E表示第L个关系上的边。 　　图1包含3个关系的多关系社会网络 　　包含3个关系的多关系网络如图1所示。该网络由6个节点x、y、z、u、v、t组成，通过3个无向图来表示3个关系。 　　2.2共有邻居相似度 　　在单一关系的社会网络中，为了计算两个节点的相似度，可以通过这两个节点的共有邻居来计算。 　　定义3：节点i和节点j的相似度计算如下： 　　Similarity(i,j)=|neighbors(i)∩neighbors(j)| |neighbors(i)∪neighbors(j)|（1） 　　其中，neighbors(i)是节点i的邻居，而neighbors(j)是节点j的邻居。该相似度是通过计算两个节点的共有邻居个数与两个节点所有邻居个数的比值来实现。 　　2.3多关系社会网络中的社区发现 　　由定义3可以引申得到多关系社会网络中的节点相似度计算方法。 　　定义4：在包含L个关系的多关系网络中，节点i和节点j的相似度计算如下：Similarity(i,j,L)=∑L l=1|neighbors(i,l)∩neighbors(j,l)| ∑L l=1|neighbors(i,l)∪neighbors(j,l)|(2)该定义通过计算L个关系中两个节点的共有邻居个数之和与L个关系中两个节点所有邻居个数之和的比值来实现。 　　基